Introducción

Los Intelligent Transport Systems [its] tienen como propósito el control del tránsito y el transporte; revisan, analizan, evalúan y propo­nen soluciones para la congestión vehicular, la accidentalidad y la contaminación ambiental, entre otros. Estos sistemas le apuntan a una gestión eficiente, sostenible y sustentable de la infraestructura vial, en especial en las gran­des ciudades.

Según Molina y Espitia (2016), este objetivo se logra con el apoyo de herramientas de última generación enmarcadas en la industria 4.0 y la aplicación de la inteligencia artificial con datos estructurados y no estructurados, extraídos desde los dispositivos y procesados en es­quemas de computación en la nube, internet de las cosas (IoT) y algoritmos de aprendiza­je desde el Big Data. Esto representa un gran aporte de las tecnologías de la información y la comunicación [tic] para las grandes ciuda­des del mundo (Zanoon et al., 2017).

Por tanto, el Big Data, como mencionan Aran­go et al. (2015), se aprovecha en gran parte de los dispositivos y periféricos electrónicos que se encuentran dentro y fuera de la ciudad de Bogotá. Gracias a estas conexiones, detecta datos que aportan a las predicciones en tiem­po real, al ser procesados y analizados para identificar y visualizar una situación específica.

Según Cacho-Elizondo y Lázaro (2018), la transformación digital “se trata del proce­so de modificar a una organización usando herramientas innovadoras, así como adoptar tecnología de punta y, al mismo tiempo, cam­biar radicalmente la cultura corporativa con el propósito de adoptar nuevos modelos de ope­ración y de negocio” (Rincón-García, p. 33).

De ahí que, la empresa Moovit (2022) revela las últimas tendencias de transporte a partir de las búsquedas realizadas por los usuarios. Allí Rincón-García et al. (2020), ofrece una ra­diografía de cómo se mueven las personas en las ciudades grandes del mundo. En este caso se filtra la ciudad de Bogotá en Colombia y se enuncian los siguientes resultados con una estadística a enero del 2022.

El promedio de tiempo que dedica la gente a desplazarse en trasporte público es de 67 minutos. El 64 % de estos usuarios se toman un promedio superior de 2 horas al día en sus desplazamientos. La media de tiempo que una persona espera en una estación de trasporte público es de 21 minutos, mientas que el 56 % excede este lapso. Sin embargo, el 47 % de los usuarios de trasporte en la capital viajan más de 12 km un una sola dirección y la distancia media que una persona camina desde su últi­ma parada a su destino es de 1,09 Km, y el 43 % camina más de 1 Km para llegar a su destino.

Por lo tanto, para Kitzmann et al. (2022) esa información, por sus propiedades, demanda de técnicas de recolección, almacenamiento, gestión e interpretación para que se logren crear modelos con márgenes de error muy ba­jos. Este conjunto de habilidades entre hom­bre, datos y máquina se conoce como análisis de datos. Su naturaleza es describir la “Admi­nistración”, es decir, la política institucional para poder extraer, unificar y estandarizar la información de distintas fuentes, fortalecien- la predicción. Todo esto no sería posible sin intervención humana, recolección de distintas fuentes de datos como pueden ser radiogra­fías, sensores, tablas de datos, videos de pla­taformas como Facebook, etc. o de cualquier otra fuente; así como la ayuda de tecnologías desarrolladas en programas (software) y he­rramientas (hardware) que dan forma, crean y transforman nuevos datos desde su estructu­ra y no estructura bajo la técnica del Big Data (Suat-Rojas, 2021).

De acuerdo con Vásquez (2021), los sistemas de transporte se deben adaptar de acuerdo con la dinámica y globalización de la economía, in­fraestructura y, sobre todo, con el crecimiento poblacional. La innovación constante e inte­gración de todo tipo de ciencias y tecnologías, como el Internet of Things (IoT) (internet de las cosas), darán paso a infraestructuras más ro­bustas, interconectadas e inteligentes donde los datos de sensores, drones, cámaras, ve­hículos, actores (entidades u organizaciones) y sistemas de posicionamiento Global-GPS brindarán un análisis más sofisticado de la in­formación que permitirá un mejor desempeño de los Intelligent Transport Systems.

El análisis y gestión de datos en los sistemas de trasporte trae consigo ventajas que supo­nen mejorías en aspectos cotidianos como el hecho de poder hacer pagos electrónicos al instante en peajes, sin intervención de un operador y sin efectivo; reconocimiento facial en seguridad vial; reducción en la tasa de ac­cidentalidad o en consumo de combustible usando sensores de medición para ver aspec­tos como velocidad, alteraciones en las rutas, tiempos de salida, llegada a estaciones. Todo esto permite la supervisión, administración y seguimiento sobre los protagonistas viales, lo que optimiza las rutas la productividad, competitividad de todo el sector, y brinda una mejoría en la experiencia e información hacia el usuario (Cheng, et al., 2015).

Como objetivos en la analítica de datos, la téc­nica del Big Data y los its en el planeta logran caracterizar el desarrollo social que se ve re­flejado en la calidad de vida de los usuarios del sistema, la seguridad en las vías, los peatones, la eficiencia y mejora en el trasporte público por carreteras, la reducción en problemas de salud de los conductores y peatones.

La importancia de esta investigación radica en dilucidar cuál es el desafío y las áreas de opor­tunidad de adaptar un Big Data en la proyec­ción de un Sistema Inteligente de Transporte para todos los ciudadanos en Bogotá.

De allí que el objetivo es identificar el desafío y las oportunidades en la proyección de un its en Colombia, en especial en la ciudad de Bo­gotá, por medio de la búsqueda de estudios y proyectos sobre los its para las grandes ciu­dades; de igual forma con el análisis de la es­tructura de contenido de siete grupos de datos al azar extraídas de la Secretaría Distrital de Movilidad en Bogotá.

Se parte de algunos modelos y métodos utiliza­dos desde la tecnología de última generación en algunos países guía para el its de Bogotá, resaltando áreas primordiales que se cubrirán y aportarán de forma exitosa en la proyección del its. De igual forma, el análisis de los da­tos arroja indicadores preocupantes al revisar su estructura desde el contenido, que resulta vacía y redundante, con falta de integridad y bastantes valores en cero (0).

Marco conceptual

Impacto en el sector transporte

Los volúmenes incrementales de acuerdo con Bbvaapimarket.com (2020) en la compra de carros, motos y el uso de medios de trasporte como taxis, carros particulares, públicos, trá­fico pesado, obras en vía, cierre de carriles y demás, son los factores más notorios en de la administración del tráfico. Por eso, en la adopción de nuevas tecnologías, soluciones y planes de mejora, se encuentra el uso compar­tido de medios de trasporte, la gestión y regu­lación de medios de trasporte público privado, el uso de bicicletas para desplazamientos de trayectos medianos e integración de solucio­nes como el “último kilómetro”, el cual permite a ciudadanos tomar en préstamo bicicletas para desplazarse en trayectos cortos y me­dios, que puedan adaptarse, cambiar y redu­cir en embotellamiento del tráfico en algunos sectores críticos en la ciudad. (Error 14: La referencia: Bbvaapimarket.com (2020) está ligada a un elemento que ya no existe)

En la Figura 1 se presentan algunos tipos de movilidad como la bicicleta, el transporte ma­sivo llamado Transmilenio; el porcentaje de viajes realizados por estrato, el tipo de género o sexo y el motivo del viaje, como compras, es­tudio y regreso a casa, indicadores relevantes en la ciudad de Bogotá.

Figura 1
Algunos indicadores de movilidad en Bogotá
Fuente: Secretaría Distrital de Movilidad (2019).

Elementos para iniciar una transformación digital

Según Chowdhury et al. (2017), se pueden considerar como elementos relevantes en la iniciativa de la transformación digital los que se visuali­zan en la Tabla 1. Entre ellos están la concientización, los consumidores exigentes, el modelo de negocio, la plataforma digital, el internet de las cosas, el Big Data y la tecnología digital.

De acuerdo con el contexto anterior, es rele­vante identificar la relación que existe entre la generación de las últimas tecnologías como es el Big Data, con el desarrollo urbano soste- nible en la ciudad de Bogotá. Esto, a partir de la interacción de la mayoría de los dispositivos y la comunicación con infraestructura, proce­samiento de grandes cantidades de datos, lo que permite un encaminamiento directo a un its en esta ciudad (Aristizábal, 2016).

El Big Data desde los its

Siguiendo la recomendación de Rocha y Villa­rreal (2018), se aplica la técnica del Big Data enfocada en tres principios: 1) Análisis de los datos. Tomando aquellos datos relevan­tes y dejando en una bitácora los que por el momento no aportan para el tema específico; 2) generar valor agregado en los datos selec­cionados no redundantes en el principio ante­rior. Este valor agregado se estipula con una serie de preguntas que, al procesar los datos, se contestan y aportan significativamente al tema de estudio; y por último, 3) el diseño de una prueba piloto para visualizar los resulta­dos obtenidos, logrando su análisis y evalua­ción y concluir al respecto.

Beneficios del Big Data

En la Tabla 2 se acopian algunas definiciones importantes como apoyo a esta herramienta BD de última generación bajo la industria de 4.0, el cual se caracteriza por su velocidad, va­riedad y veracidad en el uso y manejo de los datos estructurados y no estructurado al mo­mento de resolver la problemática requerida.

En la Figura 2 se visualiza la caracterización del BD desde el modelo de 4V, (volumen, velocidad, valor y veracidad).

Figura 2
Caracterización del Big Data desde el modelo de 4Vs
Fuente: Chaga y Ferraz (2017).

Metodología

Esta investigación tiene un enfoque de pers­pectiva cualitativa de tipo descriptivo (Picón, 2019), el cual facilita la comprensión e inter­pretación de los significados, las concepcio­nes, experiencias y prácticas alrededor de un fenómeno identificado, por medio de una in­mersión en el entorno real. Esta inmersión se realiza en dos partes: primero, desde los auto­res con estudios y proyectos del Big Data en los its, consultas en bases de datos seguras y, segundo, por medio del análisis de la estructu­ra de datos recogidos, que permiten identificar el estado de los datos previamente agrupados de acuerdo con una serie de indicadores rela­cionados con el tema de estudio. Estos ele­mentos permitirán un primer acercamiento para conocer la magnitud, importancia y ve­racidad que podría ofrecer un Big Data como y prospectiva de un its para Bogotá, el cual vienen desarrollando desde el año 2015 entes gubernamentales como la Secretaría Distrital de Movilidad [sdm] y la Empresa de Telecomu­nicaciones de Bogotá [etb], entre otros.

Técnicas de recolección y análisis de datos

Se trabaja con un conjunto de datos, las cua­les se organizan en línea con las necesidades del estudio, donde reflejan elementos primor­diales del transporte público y privado, al igual que el sentir de los usuarios del transporte en Bogotá. La fuente principal de estos datos co­rresponde al sdm en Bogotá durante el perio­do 2016-2019. Es importante resaltar que en esta etapa I de la investigación no se analiza el contenido de los datos y su accionar, sino su estructura, integridad y redundancia de estos, construidos por el sdm.

Procedimiento

Inicialmente, se da una fase exploratoria de búsqueda de información con autores que aportan en la proyección al its en bases de da­tos seguras y luego se hace una búsqueda de datos libres desde la sdm con el fin de analizar y evaluar su estructura, integridad y redundan­cia en su contenido.

En segunda instancia, se lleva a cabo la fase de indagación contactando a los coordinadores de las entidades sdm y etb correspondiente al proyecto its, por medio de correos institucio­nales, con miras a la socialización de la pro­puesta y generar el interés, que se ve reflejado en la aceptación del consentimiento informa­do. De igual, forma se exponen elementos y componentes fundamentales que aportan a la propuesta del Big Data para el seguimiento en la proyección del its en Bogotá.

En tercera instancia se hace un diagnósti­co desde la zona de estudio para establecer puntos fuertes y débiles de los its. Por último, como cuarta instancia, se visualiza el panora­ma del contexto con las tic y la aplicación de los principios del Big Data hacia las tenden­cias de la situación.

Resultados y discusión

Algunos referentes desde el Big Data

Se aporta desde la tecnología, innovación, ar­quitecturas y algoritmos, entre otros, citando fuentes nacionales e internacionales publica­das durante el periodo 2013 al 2019, como se observa en la Tabla 3. Se resaltan estudios y proyectos realizados con el aporte de las téc­nicas del Big Data.

Hafner et al. (2013) y Lv et al. (2015) parten de un estudio con un enfoque del flujo de tráfico versus Big Data y utilizan en común métodos de predicción de flujo de tráfico basados en aprendizaje profundo, donde se consideran co­rrelaciones espaciales y temporales de mane­ra inherente. Mientras que Djahel et al. (2015) y Wang et al. (2016) se basan en un método arquitectónico de control robótico para el se­guimiento continuo a los cruceros en tiempo real de tráfico, desde la predicción en el con­trol y valor de su velocidad, aceleración, frenos y otros.

De igual forma, en un estudio de las ciudades inteligentes Wu y Tan (2016), Xiao et al. (2107) y Jin (2017) promocionan una urbanización sostenible, proponen un marco jerárquico de control y gestión para fusión de tecnología centralizada top-Down y distribuida, basada en humanos bottom-up, para hacer que las infraestructuras urbanas sean inteligentes y seguras. Reconoce el origen de los datos, prio­ridad, vivacidad y calidad y pone a disposición para análisis posterior, es posible implementar computación en la nube para facilitar minería de datos y análisis predictivo.

Por último, Chen et al. (2018), Tian et al. (2019) y Zhu et al. (2019) parten del uso de las técni­cas de detección de vehículos para sistemas anticolisión. Estos autores plantean un diseño de sistemas inteligentes, con una cuidado­sa selección de sensores y detección para lo cual se requieren algoritmos. Aquí, proporcio­namos discusión, críticas y perspectiva sobre sensores, detección de vehículos, seguimien­to, sistemas de detección de motocicletas y detección nocturna de vehículos.

Estado de las estructuras de DATAS

En la Figura 3 se inicia con siete grupos de da­tos analizados desde su contenido en estruc­tura, integridad y redundancia como posibles componentes de aporte a la proyección del its para Bogotá. Se parte de datos globales, indicadores de demanda accidental, compor­tamiento de la carga urbana, caracterización sobre el uso del transporte privado, datos de sentimientos como la percepción de calidad de los servicios, cubrimientos y aspectos del transporte público colectivo.

Figura 3
Datos estructurados como aporte al Big Data

En el Tabla 5 se aprecia el análisis realizado del contenido de los datos descritos en la tabla anterior.

Llama la atención en este grupo de datos tomados al azar, el estado de su contenido desde la redundancia, integridad y nulidad en los datos. De ahí la importancia de validar de manera significativa los datos libres que se encuentren en internet, desde su confiabilidad durante el proceso de predicción para la toma de decisiones. Examinando los datos recaba­dos a lo largo de la investigación, sale a la luz las innumerables oportunidades y desafíos para la propuesta de un Big Data que apoye la proyección del its en Bogotá. Además, se identifican debilidades del sistema al mejorar la gobernabilidad en el procesamiento efec­tivo de datos, aplicación de la inteligencia ar­tificial, la analítica de datos y otras áreas del conocimiento.

Se debe mejorar solo lo que se puede medir

Se parte desde el principio del valor agregado medible al lograr tres grandes retos para im­pactar al sector público con las técnicas del Big Data: 1) políticas desde la ética; 2) gober- nanza en el uso y manejo de los datos y 3) ca­pacitar a los directivos, colaboradores y todos los actores del contexto.

Uso y protección de datos personales

Al analizar el conjunto de datos de la sdm, se visualiza un riesgo primordial como es la privacidad de los datos. Como afirma Villalo­bos (2020), es un derecho de los sujetos en la sociedad el de no ser observado y en especial, respetar su privacidad. Partiendo de la gran cantidad de dispositivos digitales que se en­cuentran en el entorno y segundo a segundo producen millones de datos no autorizados para ser divulgados, datos que son esenciales en la técnica del Big Data y la ia. Por tanto, es fundamental utilizar mecanismos donde las personas no se sientan observadas y se cum­pla la normativa y regulación en la protección de datos en cada país.

Plan de acción desde el aporte del Big Data

Se recomienda partir de un centro especial de alto volumen de datos, con tecnología de sof­tware y hardware adecuada, segura y protegi­da contra todo tipo de riesgo, en especial del ataque de los hackers. En la Tabla 6 se mues­tran algunos requisitos desde su arquitectura, operatividad, fiabilidad e inversión, que garan­ticen en gran parte la versatilidad y flexibilidad del Big Data propuesto. Estos elementos se conocen como clasificación tier llamada capa o nivel, siendo un tipo de certificación que pre­tende avalar el desempeño y la confiabilidad de las infraestructuras de los Data Centers. Está dividida en cuatro categorías: tier i, tier ii, tier iii y tier iv. En cada nivel va midiendo la usabilidad y accesibilidad, al igual que la ope- ratividad, versatilidad, tolerancia a falla, y algo fundamental: la facilidad para la recuperación de desastres naturales (Piguave, 2022).

Por tanto, la predicción de estos datos tiende a ser proporcional más el doble y es allí cuando es necesario reevaluar periódicamente la ad­quisición periódica de la actualización de los equipos hasta lograr la categoría aceptable según la distribución propuesta en la Tabla 5 (Massobrio et al., 2018).

Carga de datos

Este proceso se realiza en un “bajo tiempo” debido al requerimiento de un “mejor tiempo” de respuesta a la operación solicitada. Es aquí cuando es primordial pensar que al “expandir­se el sistema” en su proyección, no requiere actualizarse por completo debido a la eficien­cia en tiempo y costos, sino actualizar los componentes necesarios para irse acoplando

Ubicación del centro de datos - Big Data

El sitio seleccionado debe cumplir con los re­quisitos ambientales pertinentes, bloqueo a intrusos o desconocidos en el sistema, crea­ción de un sistema de credenciales protegido, contar con personal experto y autorizado en el sistema, en especial de ciberseguridad, redes y conectividad.

Técnicas desde el Big Data propuesto

La aplicación de estas técnicas requiere de personal altamente calificado en procesos de analítica de datos, ciencia de datos, machine learning e ia (Aristizábal, 2016), debido a que los requerimientos obligan, en la mayoría de los casos, a la interacción con algoritmos especializados y herramientas para obtener y transmitir los resultados esperados, no sin antes revisar y analizar cuidadosamente los “complementarios”; es decir, evaluar que la relación de valores de variables, prioridades y categorías sean las adecuadas para una pre­dicción cercana a la realidad. Es por ello que debe existir una comunicación permanente y continua entre todos los integrantes del equi­po de trabajo de acuerdo con sus funciones y responsabilidades.

Aportes en áreas de oportunidad continuamente alimentarán las predicciones del Big Data propuesto.

En la etapa ii de esta investigación se espera presentar el grupo de datos desde los princi­pios del Big Data, y generar predicciones que aporten a la proyección del its con datos es­tructurados y no estructurados desde la inte- ligenciar artificial, con el uso de herramientas como Python, R, Power Bi y otras.

Conclusiones

Los aportes obtenidos en este estudio parten de un área de oportunidad desde la instrumen­tación de lugares o sitios de embotellamiento de tráfico, por medio de métodos y acciones al analizar datos “masivos” desde la sdm en in­tervalos de años con datos estructurados to­mados con los mismos transportistas, lo cual ofrece la facilidad para predecir bajo la técnica del Big Data sobre el seguimiento en el tráfi­co (Asadi y Regan, 2019). Al lograr establecer algoritmos de aprendizaje en un modelo es­pecifico como apoyo a estos mismos para la reprogramación en tiempo real de su partida y llegada para evitar algún riesgo en el camino (Ríos, 2020). (Error 15: La referencia: Ríos, 2020 está ligada a un elemento que ya no existe)

No cabe duda de que el Big Data, en palabras de Barba (2018), ha venido a revolucionar la manera de vivir de las personas, aprovechan­do al máximo otras herramientas de última generación como es el IoT, así como el uso y manejo de celulares inteligentes, como otros elementos fundamentales como Arduino y Raspberry (Djahel et al., 2015). Son dispositi­vos fáciles de instalar, actualizar y programar con algoritmos de aprendizaje específicos enEl desafío de un Big Data en Bogotá, bajo un centro de acopio, es un proceso bastante complejo. Es responsabilidad de los entes gu­bernamentales sdm, etb, la academia y otros, contribuir de forma positiva y proactiva a la propuesta de un its que controle el transporte público y privado en una ciudad que día tras día crece, no solo en su población sino en la necesidad de contar con servicios oportunos, seguros y confiables.

De igual forma, el procesamiento electrónico de los datos en tiempo real en el transporte público y privado por medio de tecnologías de última generación como el Big Data, Machine Learning y la ia ha potenciado las aplicaciones y recursos de los its. No puede dejarse de lado la importancia de la seguridad y protección de este its, no solo en cuanto al resguardo de su integridad sino su operatividad, versatilidad y flexibilidad en las etapas de recuperación, rei­niciación y puesta en marcha, para evitar que ocasionen vulnerabilidades en el sistema.

Los aportes obtenidos en esta etapa I del es­tudio, no solo parten desde la literatura con proyectos de inicio, avance y terminados en Latinoamérica, Norteamérica, Europa y Asia, ilustrando tecnologías, modelos, métodos, técnicas y procedimientos que fortalecen los a its en las ciudades grandes, sino del análi­sis de la estructura y esquema que presenta el contenido del grupo de datos recolectados en la ciudad de Bogotá.

Este contenido señala indicadores como: da­tos globales, demanda accidental, compor­tamiento de la carga urbana, caracterización sobre el uso del transporte privado, la percep­ción de calidad del servicios, cubrimientos y aspectos del transporte público colectivo entre otros, generados por los mismos trans­portistas por medio de sus dispositivos y pe­riféricos electrónicos, visualizando con gran preocupación que todas presentan un alto por­centaje de errores en su contenido revisando desde la redundancia, integridad y nulidad.

Recomendaciones

Es importante revisar el sitio web o la ruta que se selecciona para descargar “datos libres”, la cual debe ser confiable y segura, de lo contrario no se garantiza el uso y manejo de estos datos.

Evitar “datos libres” que se encuentran en re­positorios desconocidos o llegan en la nube. El desconocer su procedencia, afectaría la predicción y tendencias en una situación real.

Los datos libres de la ciudad de Bogotá son limitados y lo más preocupante es que la gran mayoría de estos datos no reflejan la situación actual que se tiene en la ciudad, es decir, no hay dinámicos en estos. De ahí, la importancia de evaluar primero la calidad de los datos que se recogen para lograr determinar que tan re­levante son para dar veracidad al inicio de una investigación.

Referencias

Álvarez, A., & Patiño, A. (2015). Arquitectura empresarial y metodologías ágiles-Una combinación efectiva para hacer frente a los frecuentes cambios en el negocio. Actas de Ingeniería, 1, 145-152. https://es.scribd.com/ document/410099179/Articulo-3-Arquitectura-empresarial-y-metodologias-agiles-Una- combinacion-efectiva-para-hacer-frente-a-los- frecuentes-cambios-en-el-negocio-pdf#

Arango-Serna, M. D., Londoño-Salazar, J. E., & Branch-Bedoya, J. W. (2015). Enfoque de arquitectura de solución, mecanismo para reducir la brecha entre la arquitectura empresarial y la implementación de soluciones tecnológicas. Dyna, 82(193), 117-126. http://dx.doi.org/10.15446/dyna.v82n193.46752

Aristizábal, J. A. (2016). Analítica de datos de aprendizaje (ada) y gestión educativa. Gestión de la educación, 6(2), 149-168. https://doi.org/10.15517/rge.v1 i2.25499

Asadi, R., & Regan, A. (2019). A Spatial-Temporal Decomposition Based Deep Neural Network for Time Series Forecasting. ArXiv, 1(1), 1-17. http://arxiv.org/abs/1902.00636

Barba González, C. (2018). Big Data Optimization: Algorithmic Framework for Data Analysis Guided by Semantics. [Tesis doctoral Universidad de Málaga]. https://riuma.uma.es/xmlui/ handle/10630/17264?show=full

Bbvaapimarket.com. (2020). Reconocer los diferentes tipos te datos, indispensable la era del Big Data.https://www.bbvaapimarket.com/es/mundo-api/reconocer-los-diferentes-tipos-de-datos-indispensable-en-la-era-del-big-data/

Cao, T., Matyas, J. J., Renn, C. L., Faden, A. I., Dorsey, S. G., & Wu, J. (2020). Function and mechanisms of truncated BDNF receptor TrkB. T1 in neuropathic pain. Cells, 9(5), 1194. https://doi.org/10.3390/cells9051194

Cacho-Elizondo, S., & Lázaro Álvarez, J. D. (2018). Transformación digital de los negocios de network marketing, multinivel y ventas directas. El impacto de nuevas herramientas y plataformas digitales. The Anáhuac Journal, 18(2), 13-41.

Chagas, A., & Ferraz, C. (2017). Smart Vehicles for Smarter Cities: ContextAware V2X to Improve QoI. Anais Do XXIII Simpósio Brasileiro de Sistemas. https://www.inf.ufrgs.br/webmedia2017/wp-content/anaiswebmedia/files/wtd/wtd11.pdf

Chen, Y., Lv, Y., Wang, X., Li, L., & Wang, F. Y. (2018). Detecting Traffic Information from Social Media Texts With Deep Learning Approaches. IEEE Transactions on Intelligent Transportation Systems, 1(1), 1-1. https://doi.org/10.1109/TITS.2018.2871269

Cheng, J., Cheng, J., Zhou, M., Liu, F., Gao, S.,& Liu, C. (2015). Routing in internet of vehicles: A review. IEEE Transactions on Intelligent Transportation Systems, 16(5), 2339-2352.https://doi.orq/10.1109/TITS.2015.2423667

Chowdhury, M., Apon, A., & Dey, K. (2017). Data Analytics for Intelligent Transportation Systems. Elsevier. https://www.sciencedirect.com/book/9780128097151/data-analytics-for-intelligent-transportation-systemsInternational

Conference on Embedded and Ubiquitous Computing (EUC), Guangzhou, China, 2017, pp. 315-320, https://doi.org/10.1109/ CSE-EUC.2017.63

Djahel, S., Jabeur, N., Barrett, R., & Murphy, J. (2015). Toward V2I communication technology­based solution for reducing road traffic congestion in smart cities. International Symposium on Networks, Computers and Communications, ISNCC 2015, .(1), 6. https://doi.org/10.1109/https://doi.org/10.1134/S0361768818030052

Hafner, M. R., Cunningham, D., Caminiti, L., & Del Vecchio, D. (2013). Cooperative collision avoidance at intersections: Algorithms and experiments. IEEE Transactions on Intelligent Transportation Systems, 14(3), 1162-1175. https://doi.orq/10.1109/TITS.2013.2252901

Jin, Y., Li, J., Ma, D., Guo, X., & Yu, H. (2017). A Semi-Automatic Annotation Technology for Traffic Scene Image Labeling Based on Deep Learning Preprocessing. IEEE International Conference on Computational Science and Engineering (CSE) and IEEE

Kitzmann, N., Romanczuk, P., Wunderling, N., & Donges, J. F. (2022). Detecting contagious spreading of urban innovations on the global city network. European Physical Journal - Special Topics, 231(9), 1609-1624. https://doi.org/10.1140/epjs/s11734-022-00470r4

Lv, Y., Duan, Y., Kang, W., Li, Z., & Wang, F. Y. (2015). Traffic Flow Prediction with Big Data: A Deep Learning Approach. IEEE Transactions on Intelligent Transportation. 16(2), 885-873. https://10.1109/TITS.2014.234566

Molina Araque, F. A., & Espitia Pineda, A. A. (2016). Propuesta de diseño e implementación de una aplicación móvil (App) como plataforma para compartir el uso del carro particular (carpooling) entre empleados de las sucursales en Bogotá de la empresa Claro Colombia SA., para teléfonos inteligentes cuyo sistema operativo sea Android 5.1 [tesis de especialización. Universidad Distrital Francisco José de Caldas]. https://repository.udistrital.edu.co/handle/11349/4536

Massobrio, R., Nesmachnow, S., Tchernykh, A., Avetisyan, A., & Radchenko, G. (2018). Towards a Cloud Computing Paradigm for Big Data Analysis in Smart Cities. Programming and Computer Software, 44(3), 181-189.

Moovit. (2022). Estadísticas de transporte público en Bogotá.https://moovitapp.com/insights/es/Moovit_Insights_%C3%8Dndice_de_Transporte_P%C3%BAblico_Colombia_Bogota-762

Piguave Peralta, D. (2022). Estudio de factibilidad de una Data Center para el procesamiento de la información en la carrera de Tecnologías de la Información [tesis grado, Universidad Estatal del Sur de Manabí] https://publications.pik-potsdam.de/pubman/faces/ViewItemOverviewPage.jsp?itemId=item_26817http://repositorio.unesum.edu.ec/handle/53000/4321

Rincón-García, N., Bamford, D., Mayers, M., Carreño Vargas, J. E., & Roldan Nariño, R. F. (2020). Herramientas de transformación digital para mejorar la planificación urbana mediante el uso de la metodología de caso de negocio de transporte. Revista Espacios, 41(31), 296-304. https://www.revistaespacios.com/a20v41n31/a20v41n31p24.pdf

Ríos Rodríguez, L. E. (2020). Análisis de datos de sentimientos enfocados al servicio de transporte masivo Transmilenio SA aplicando tecnologías Big Data.http://hdl.handle.net/11371/2907

Rocha Tamayo, E., & Villarreal Vásquez, C. (2018). Impacto del uso de Big Data en la gestión de movilidad vehicular en el cantón de la libertad [Tesis de grado, Universidad de Guayaquil]. http://repositorio.ug.edu.ec/handle/ redug/27297

Rogelez, F. J., Molina Hernández, I., & Marín, A. M. (2013). Sistema de semaforización inteligente en la ciudad de Bogotá para mejorar los tiempos de recorrido del sistema Transmilenio. Traza, 1(7), 10-29. https://ciencia.lasalle.edu.co/tr/vol1/iss7/2/

Secretaría Distrital de Movilidad - SDM. (2019). Encuesta de movilidad en Bogotá.

Serrano-Cobos, J. (2013). Microsoft Big Data y not so Big Data. Anuario ThinkEPI, 7, 161-163.

Suat-Rojas N. (2021). Extracción y análisis de información de accidentes de tránsito desde redes sociales.http://repositorio.unal.edu.co/handle/unal/80927

Tabares, L. F., & Hernández, J. F. (2014). ISAM. Big Data Analytics: Oportunidades, Retos y Tendencias. Universidad de San Buenaventura. https://gc.scalahed.com/recursos/files/r161r/w25569w/Big%20Data%20Analytics.pdf

Tian, Y., Hu, W., Du, B., Hu, S., Nie, C., & Zhang, C. (2019). IQGA: A Route Selection Method Based on Quantum Genetic Algorithm - Toward Urban Traffic Management Under Big Data Environment. World Wide Web, 22(5), 2129-2151. https://doi.org/10.1007/s11280-018-0594-x

Vásquez Ardila J., M. (20 de julio del 2021.) National Transportation Systems Center. Tránsito de Bogotá tomará decisiones a partir de datos, tecnología e innovación.https://bogota.gov.co/mi-ciudad/movilidad/tecnologia-e-innovacion-nuevo-aliado-del-transito-de-bogota

Vásquez García, D. M. (2015). Diseño de la Arquitectura Empresarial para el Sistema Inteligente de Transporte de Bogotá. Oracle. https://repository.udistrital.edu.co/handle/11349/2378

Villalobos Fonseca, H. (2020). O desenvolvimento tecnológico em matéria policial: uma receita de sucesso para prevenir o delito. Revista de Relaciones Internacionales, Estrategia y Seguridad, 15(1), 79-97. https://doi.org/10.18359/ries.4243

Wang, S., Djahel, S., Zhang, Z., & McManis, J. (2016). Next Road Rerouting: A Multiagent System for Mitigating Unexpected Urban Traffic Congestion. IEEE Transactions on Intelligent Transportation Systems, 17(10), 2888-2899. https://doi.Org/10.1109/TITS.2016.2531425https://observatorio.movilidadbogota.gov.co/

Wu, Y., & Tan, H. (2016). Short-term traffic flow forecasting with spatial-temporal correlation in a hybrid deep learning framework. School of Mechanical Engineering, Beijing Institute of Technology, 1(1), 1-14.: https://doi.org/10.48550/arXiv.1612.01022

Xiao, Z., Ponnambalam, L., Fu, X., & Zhang, W. (2017). Maritime Traffic Probabilistic Forecasting Based on Vessels' Waterway Patterns and Motion Behaviors. IEEE Transactions on Intelligent Transportation Systems, 18(11), 3122-3134. https://doi.Org/10.1109/TITS.2017.2681810

Zanoon, N., Al-Haj, A., & Khwaldeh, S. M. (2017). Cloud Computing and Big Data is there a Relation between the Two: A Study. International Journal of Applied Engineering Research, 12(17), 973-4562. http://www.ripublication.com

Zhu, M., Chen, W., Xia, J., Ma, Y., Zhang, Y., Luo, Y., Zhaosong, H., & Liu, L. (2019). Location2vec: a situation-aware representation for visual exploration of urban locations. IEEE Transactions On Intelligent Transportation Systems,20(10), 3981-3990. https://doi.org/10.1109/TITS.2019.2901117