Midiendo la dinámica de tráfico vehicular en el Edge

Autores/as

DOI:

https://doi.org/10.15359/ru.36-1.39

Palabras clave:

Medición de dinámica vehicular, computación en el Edge, computación aproximada

Resumen

El objetivo de este trabajo es medir el impacto de la aplicación de técnicas de computación aproximada sobre un caso de estudio de implementación de un medidor de la dinámica de tráfico vehicular en una unidad computacional basada en un sistema embebido. El estudio parte de una implementación inicial del medidor hecha en C++. Para el análisis de la aplicación, la implementación inicial se perfila con un perfilador empotrado en el mismo código, que muestra información detallada de cada una de las partes. Durante el análisis de consumo, se encontraron partes optimizables con paralelismo a nivel de hilos y técnicas de computación aproximada como omisión de recuadros, que es una técnica inspirada en la perforación de lazos. La primer optimización realizada fue la implementación multihilo, que logró acelerar la aplicación 1.32 veces sin introducir errores en los resultados. Posteriormente, la implementación fue optimizada con la omisión de recuadros. Durante el desarrollo de este trabajo, se demuestra que modificar el número de recuadros omitidos de forma dinámica en tiempo de ejecución mejora considerablemente el error introducido comparado a mantener constante el número de recuadros omitidos. La combinación de ambas optimizaciones concluyó en una implementación 1.76 veces más rápida, donde la aplicación de computación aproximada mediante omisión de recuadros contribuyó hasta en un 25% sobre el total de la mejora, acelerando el medidor de 8.7 recuadros por segundo a 15 en el escenario más crítico a cambio de la introducción de errores numéricos.

Referencias

Bolme, D. S., Beveridge, J. R., Draper, B. A., & Lui, Y. M. (2010). Visual object tracking using adaptive correlation filters. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2544-2550. IEEE. https://doi.org/10.1109/CVPR.2010.5539960

California Department of Transportation (Caltrans). (n. d.). Soquel Ave. Santa Cruz, California, United States of America. https://cruz511.org/drive/traffic-conditions/traffic-cameras/

D'Andrea, E., Ducange, P., Lazzerini, B., & Marcelloni, F. (2015). Real-Time Detection of Traffic From Twitter Stream Analysis. IEEE Transactions on Intelligent Transportation Systems, 16, 2269-2283. IEEE. https://doi.org/10.1109/TITS.2015.2404431

Giridharan, E. N., Kadaieaswaran, M., Arunprasath, V., & Karthika, M. (2017, February). Big Data Solution for Improving Traffic Management System with Video Processing. International Journal of Engineering Science and Computing, 7(2), 4606–4609.

Hall, F. D. (1992). Traffic Stream Characteristics. Federal Highway Administration. https://www.fhwa.dot.gov/publications/research/operations/tft/chap2.pdf

Ministerio de Obras Públicas y Transportes. (n. d.). Cámaras viales CR. https://www.camarasvialescr.com.

Samie, F., Bauer, L., & Henkel, J. (2019). From Cloud Down to Things: An Overview of Machine Learning in Internet of Things. IEEE Internet of Things Journal, 6(3), 4921-4934. https://doi.org/10.1109/JIOT.2019.2893866

Sidiroglou-Douskos, S., Misailovic, S., Hoffmann, H., & Rinard, M. (2011). Managing Performance vs. Accuracy Trade-Offs with Loop Perforation. 19th ACM SIGSOFT Symposium and the 13th European Conference on Foundations of Software Engineering,124–134. https://doi.org/10.1145/2025113.2025133

Viola, P., & Jones, M. (2001). Rapid object detection using a boosted cascade of simple features. IEEE Computer Society Conference on Computer Vision and Pattern Recognition (pp. 511-518). IEEE. https://doi.org/ 10.1109/CVPR.2001.990517

Yu, W., Liang, F., He, X., Hatcher, W. G., Lu, C., Lin, J., & Yang, X. (2017). A Survey on the Edge Computing for the Internet of Things. IEEE Access, 6, 6900-6919. https://doi.org/10.1109/ACCESS.2017.2778504

Zhu, L., Yu, F., Wang, Y., Ning, B., & Tang, T. (2019). Big Data Analytics in Intelligent Transportation Systems: A Survey. IEEE Transactions on Intelligent Transportation Systems, 383-398. https://doi.org/10.1109/TITS.2018.2815678

Publicado

2022-11-01

Cómo citar

Midiendo la dinámica de tráfico vehicular en el Edge. (2022). Uniciencia, 36(1), 1-9. https://doi.org/10.15359/ru.36-1.39

Número

Sección

Artículos científicos originales (arbitrados por pares académicos)

Cómo citar

Midiendo la dinámica de tráfico vehicular en el Edge. (2022). Uniciencia, 36(1), 1-9. https://doi.org/10.15359/ru.36-1.39

Comentarios (ver términos de uso)

Artículos más leídos del mismo autor/a

<< < 7 8 9 10 11 12 13 14 15 16 > >>