Inteligencia artificial y tecnología móvil para la evaluación urbana: un estudio documental
DOI:
https://doi.org/10.5281/zenodo.22758435Palabras clave:
inteligencia artificial, teléfonos inteligentes, evaluación urbanaResumen
El objetivo del presente estudio fue analizar las tendencias sobre el uso de teléfonos inteligentes y algoritmos de IA para la evaluación del pavimento urbano. Para ello, se aplicó un diseño metodológico documental y descriptivo, en donde se sistematizaron variables técnicas de estudios previos, y se evaluó la viabilidad de las estrategias de crowdsourcing y crowdsensing ciudadano. Los principales hallazgos revelaron que el acelerómetro es el sensor esencial para el diagnóstico pasivo, complementado por el giroscopio que captura movimientos de balanceo en perfiles complejos. Se evidenció una transición que va desde la clasificación estadística binaria de rugosidad a 10 Hz mediante Máquinas de Vectores de Soporte (SVM), hasta las estimaciones cuantitativas continuas con redes neuronales convolucionales profundas (IRI-Net) y el mapeo predictivo del PCI acoplado a Sistemas de Información Geográfica (SIG). Además, las plataformas móviles de crowdsensing y crowdsourcing ciudadano demuestran la posibilidad de expansión masiva del monitoreo hacia vías secundarias y periurbanas. Las conclusiones arrojaron que, la convergencia entre la IA y la tecnología móvil en la actualidad posee la suficiente madurez técnica que se requiere para diagnosticar de una manera precisa la infraestructura vial a través de sensores de uso común, lo que se traduce en una alternativa de bajo costo y alta escalabilidad para mitigar las asimetrías históricas de información en la gestión pública.
Descargas
Referencias
Abbondati, F., Verardi, F., Setaro, A., & Oreto, C. (2026). Pavement Roughness as a Multiscale Spatial Process: Insight from Crowdsensed Data. Sustainability, 18(12), 5796. https://doi.org/10.3390/SU18125796
Ahmed, S., Kuldeep, S., Rafa, S, Fazal, J., Hoque, M., Liu, G., & Gandomi, A (2024). Enhancement of traffic forecasting through graph neural network-based information fusion techniques. Information Fusion, 110, 102466. https://doi.org/10.1016/J.INFFUS.2024.102466
Alqaydi, S., Zeiada, W., El Wakil, A., Alnaqbi, A., & Azam, A. (2024). A Comprehensive Review of Smartphone and Other Device-Based Techniques for Road Surface Monitoring. Eng, 5(4), 3397–3426. https://doi.org/10.3390/ENG5040177
Amândio, M., Parente, M., Neves, J., & Fonseca, P. (2021). Integration of Smart Pavement Data with Decision Support Systems: A Systematic Review. Buildings. 11(12), 579. https://doi.org/10.3390/BUILDINGS11120579
Bermoy, L. (2026). Development and Validation of a Cloud-Based Road Surface Condition Monitoring Framework using Citizen-Sourced Smartphone Sensor Data in the Philippines. International Journal of Engineering and Manufacturing, 16(2), 196–213. https://doi.org/10.5815/IJEM.2026.02.13
Cano-Ortiz, S., Pascual-Muñoz, P., & Castro-Fresno, D. (2022). Machine learning algorithms for monitoring pavement performance. Automation in Construction, 139, 104309. https://doi.org/10.1016/J.AUTCON.2022.104309
de Oliveira, R., Mazzoni, L., Savasini, K., de Almeida, F., & Ho, L. (2026). Experimental Study on the Impact of Driving Mode, Traffic, and Road Infrastructure on the Energy Consumption of Road Transport. Sustainability, 18(4), 2052. https://doi.org/10.3390/SU18042052
Jeong, J., & Jo, H. (2024). Toward Real-World Implementation of Deep Learning for Smartphone-Crowdsourced Pavement Condition Assessment. IEEE Internet of Things Journal, 11(4), 6328–6337. https://doi.org/10.1109/JIOT.2023.3312353
Justo-Silva, R., Ferreira, A., & Flintsch, G. (2021). Review on Machine Learning Techniques for Developing Pavement Performance Prediction Models. Sustainability (Switzerland), 13(9). https://doi.org/10.3390/su13095248
Li, J., Yin, G., Wang, X., & Yan, W. (2022). Automated decision making in highway pavement preventive maintenance based on deep learning. Automation in Construction, 135, 104111. https://doi.org/10.1016/J.AUTCON.2021.104111
Liu, Y., Qin, S., Li, J., & Jin, T. (2023). Artificial Intelligence and Street Space Optimization in Green Cities: New Evidence from China. Sustainability, 15(23), 16367. https://doi.org/10.3390/SU152316367
Llopis-Castelló, D., Arce-Blanco, C., & Valdecantos-Álvarez, J. (2026). Before-after study of pavement roughness impact on vehicle fuel consumption and emissions. Transportation Research Part D: Transport and Environment, 151. https://doi.org/10.1016/J.TRD.2025.105131
Milad, A., Ali, A., Al-Sulaimi, Z., & Al-Kindi, K. (2025). Utilizing spatial artificial intelligence to develop pavement performance indices: a case study. Scientific Reports, 15(1). https://doi.org/10.1038/S41598-025-23290-7
Reis, M. (2025). Internet of Things and Artificial Intelligence for Secure and Sustainable Green Mobility: A Multimodal Data Fusion Approach to Enhance Efficiency and Security. Multimodal Technologies and Interaction, 9(5), 39. https://doi.org/10.3390/MTI9050039
Rouky, N., Benmoussa, O., Fri, M., Abourraja, M., & Ben-Bouazza, F. (2025). Artificial Intelligence Applications for Smart and Sustainable Mobility as a Service Concept: A Systematic Literature Review. Future Transportation, 5(3), 122. https://doi.org/10.3390/futuretransp5030122
Shulajkovska, M., Noveski, G., Smerkol, M., Grabnar, J., Dovgan, E., & Gams, M. (2023). EU Smart Cities: Towards a New Framework of Urban Digital Transformation. Informatica (Eslovenia), 47(2), 151–158. https://doi.org/10.31449/inf.v47i2.4904
Shulajkovska, M., Smerkol, M., Noveski, G., Bohanec, M., & Gams, M. (2024). Artificial Intelligence-Based Decision Support System for Sustainable Urban Mobility. Electronics, 13(18), 3655. https://doi.org/10.3390/ELECTRONICS13183655
Souza, V., Giusti, R., & Batista, A. (2018). Asfault: A low-cost system to evaluate pavement conditions in real-time using smartphones and machine learning. Pervasive and Mobile Computing, 51, 121–137. https://doi.org/10.1016/J.PMCJ.2018.10.008
Yigitcanlar, T., David, A., Li, W., Fookes, C., Bibri, S., & Ye, X. (2024). Unlocking Artificial Intelligence Adoption in Local Governments: Best Practice Lessons from Real-World Implementations. Smart Cities, 7(4), 1576–1625. https://doi.org/10.3390/SMARTCITIES7040064
Yiliguoqi, B., Siriguleng, B., Arong, L., Guo, G., & Wang, J. (2026). Research on the evaluation and analysis of road surface roughness based on smartphone sensors and SVM. Scientific Reports, 16(1), 4409-. https://doi.org/10.1038/s41598-025-34396-3
Yu, J., & Hyland, M. (2025). Interpretable State-Space Model of Urban Dynamics for Human-Machine Collaborative Transportation Planning. Transportation Research Part B: Methodological, 192. https://doi.org/10.1016/j.trb.2024.103134
Descargas
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
La revista se acoge a la licencia Licencia Atribución (CC BY), permitiendo la posibilidad de copiar, distribuir, exhibir, y producir obras derivadas, siempre y cuando se reconozca y cite al autor.
