Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Juan Diego Erazo Rodríguez has a total of 28 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    Artificial Intelligence and Computer Vision for Intelligent Traffic Light Systems: A Systematic Review

    by Eugenia Naranjo, Juan Diego Erazo Rodríguez, Iván Sinaluisa, Nestor Ulloa

    Urban traffic congestion remains a major barrier to sustainable mobility, necessitating a transition from static signaling to Intelligent Traffic Light Systems (ITLS). This study presents a systematic review in computer vision, artificial intelligence, and adaptive control algorithms for urban intersection optimization. Following a methodological framework informed by PRISMA guidelines, the study examines state-of-the-art architectures, including deep learning-based perception models and reinforcement learning agents. The findings indicate that, although two-stage detectors provide benchmark accuracy for vehicle perception, single-stage models and Vision Transformers offer the high-speed processing required for real-time traffic management. In addition, deep reinforcement learning enables autonomous, lane-specific optimization that outperforms traditional actuated and fixed-time systems. The review also identifies a persistent research gap in the deployment of these computational frameworks in the resource-constrained and heterogeneous infrastructures of developing countries. For the urban context of Riobamba, Ecuador, a phased implementation strategy is proposed that balances computational demands with the city’s morphological and social characteristics. By bridging the gap between high-fidelity simulation and practical field deployment, this review provides a scalable framework for improving throughput, reducing emissions, and enhancing safety. Overall, these advances offer a promising pathway toward more resilient transportation systems in rapidly evolving Andean urban centers.

  • Open Access

    Gemelos digitales aplicados a la supervisión y control automático de procesos industriales: una revisión sistemática

    by Johana Beatriz Samaniego Palacios, Juan Diego Erazo Rodríguez, Byron Daniel Erazo Rodríguez, Wilian Andres Nuñez Yanez

    Los gemelos digitales (GD) se han consolidado como una de las tecnologías habilitadoras más relevantes de la Industria 4.0 para fortalecer la supervisión, el monitoreo y el control automático de procesos industriales. El presente artículo tuvo como objetivo analizar la evidencia científica disponible sobre la aplicación de gemelos digitales en la supervisión y el control automático de procesos industriales mediante una revisión sistemática basada en la metodología PRISMA 2020. Se realizó una búsqueda bibliográfica en Scopus, Web of Science, IEEE Xplore, ScienceDirect, MDPI y SpringerLink, identificándose inicialmente 120 registros; tras el proceso de cribado y evaluación de elegibilidad, se seleccionaron 25 estudios de acceso abierto publicados en revistas científicas indexadas. Los resultados evidenciaron que los gemelos digitales se aplican principalmente en la supervisión remota mediante sistemas SCADA, la integración con sistemas de control automático, el diagnóstico de fallas y mantenimiento predictivo, la ciberseguridad industrial y la formación de operadores mediante realidad aumentada y realidad virtual. Asimismo, se identificaron aplicaciones en sectores como manufactura discreta, energía hidroeléctrica y fotovoltaica, petróleo y gas, tratamiento de agua y robótica industrial, confirmando su carácter transversal dentro de los ecosistemas industriales inteligentes. Se concluye que los gemelos digitales constituyen una herramienta estratégica para mejorar la eficiencia operacional, la capacidad predictiva y la toma de decisiones industriales; sin embargo, su adopción enfrenta desafíos relacionados con la interoperabilidad, la estandarización de arquitecturas, la ciberseguridad y los costos de implementación.

  • Open Access

    Aplicación de modelos cuantitativos ARIMA utilizando el software R para la planificación de la producción en entornos industriales

    by Juan Diego Erazo Rodríguez, Vanessa Lorena Valverde González, Raúl Gregorio Martínez Pérez, Javier Edmundo Albuja Jácome

    El presente estudio aborda el modelado y pronóstico de la demanda mensual en un entorno de manufactura, en el marco del Plan de Planificación y Control de la Producción. La unidad de análisis correspondió a una serie univariada de demanda operativa registrada durante 24 meses, representativa de un proceso productivo con comportamiento estable y periodicidad regular. La investigación adoptó una perspectiva cuantitativa y aplicada, con un diseño longitudinal no experimental, centrado en el examen estructural de la secuencia temporal y la validación estadística de un modelo parsimonioso. Se implementaron modelos ARIMA como herramienta metodológica adecuada para entornos fabriles con enfoque de medio plazo. El manejo de la serie incluyó la verificación de la calidad de los datos, la evaluación de la estacionalidad y la ejecución de pruebas de estacionariedad (ADF, KPSS y OCSB), además del análisis de las funciones de autocorrelación (ACF) y autocorrelación parcial (PACF) para identificar los grados de dependencia temporal. Los resultados evidenciaron que no era necesario aplicar diferenciación, lo que condujo a la selección de un modelo ARMA(0,1) estimado mediante máxima verosimilitud. Este modelo mostró un desempeño superior frente al modelo Naïve, con una mejora del 45 % en el MAPE, cumpliendo además con los supuestos de independencia, normalidad y homocedasticidad de los residuos. Finalmente, el modelo fue reestimado con la serie completa para generar una previsión operativa de seis meses con intervalos de confianza del 80 % y 95 %, útil para la definición de puntos de pedido y estrategias de inventario. Los resultados evidencian que un modelo ARMA parsimonioso proporciona precisión, trazabilidad y gobernanza operativa, fortaleciendo la planificación de la producción y la estabilidad de la cadena de suministro.

  • Open Access

    Integración de modelos ARIMA y simulación Monte Carlo en R para el pronóstico de demanda y la planificación productiva en cadenas de suministro

    by Juan Diego Erazo Rodríguez, Oscar Rafael Tinoco Gomez, Byron Daniel Erazo Rodríguez, Vanessa Lorena Valverde González

    El presente artículo tuvo como objetivo aplicar modelos cuantitativos de series temporales ARIMA en R para fortalecer la planificación de la producción en un entorno industrial. El estudio se desarrolló bajo un enfoque cuantitativo, predictivo y aplicado, utilizando una serie temporal mensual de demanda industrial compuesta por 60 períodos. El procesamiento estadístico se realizó mediante el software R, en el cual se efectuaron el análisis exploratorio de la serie, la descomposición temporal, la evaluación de autocorrelación, el ajuste de modelos ARIMA estacionales y la generación de pronósticos para 12 meses futuros. Los resultados evidenciaron que el modelo SARIMA(1,0,1)(1,0,0)[12] representó adecuadamente el comportamiento histórico de la demanda, al capturar la tendencia creciente y las fluctuaciones mensuales de la serie. La validación del modelo mostró indicadores de error reducidos y ausencia de autocorrelación significativa en los residuos, lo que respaldó su capacidad predictiva. Además, se incorporó una simulación Monte Carlo como análisis complementario para construir escenarios conservadores, base y alto de la demanda futura, permitiendo transformar el pronóstico puntual en rangos de decisión útiles para la planificación productiva bajo incertidumbre. Se concluye que el uso combinado de modelos ARIMA en R y simulación Monte Carlo constituye una herramienta cuantitativa pertinente para apoyar la programación de la producción, la planificación de capacidad, el abastecimiento de materiales y la gestión de inventarios en entornos industriales.

  • Performance and Load Testing of Serverless Microservices

    by Pamela Buñay-Guisñan, Nestor Estrada, Angel Flores, Juan Erazo

  • Intelligent Electronic System for Optimizing Postures in Lifting of Power

    by Maira-Natalia Martínez-Freire, Byron Rodrigo-Palacios, Juan-Diego Erazo-Rodríguez, Byron-Rodrigo Moreno-Moreno

  • Open Access

    Predicción del éxito en el examen de habilitación profesional: un modelo de regresión logística basado en variables multifactoriales

    by Saul Yasaca Pucuna, Juan Diego Erazo Rodríguez

    La tasa irregular de aprobación en el Examen de Habilitación Profesional (EHEP) afecta a estudiantes de la carrera de Medicina de la Escuela Superior Politécnica de Chimborazo, examen obligatorio para ingresar al año de prácticas y ejercer la profesión en Ecuador. El objetivo de esta investigación fue desarrollar un modelo de regresión logística que predijera el éxito en el EHEP con base en el análisis de múltiples variables. Se aplicó la metodología de Ciencia del Diseño que consta de tres ciclos: relevancia (revisión sistemática con PRISMA), diseño (desarrollo del modelo en Python utilizando la muestra de 117 estudiantes y el estándar CRISP-DM) y rigor (validación del modelo mediante métricas de rendimiento). La variable predictora más influyente fue las horas de estudio. El modelo de regresión logística obtuvo una exactitud de 80.36 %, un F1-score de 0,643 y AUC de 0.710 en la curva de Precisión-Sensibilidad, indicativos de su capacidad para distinguir las clases especialmente desbalanceadas. Los hallazgos no solo confirman la complejidad del rendimiento académico, sino que abren una base para trabajos futuros. Además, el modelo desarrollado ofrece una herramienta útil para que las instituciones educativas implementen estrategias de prevención y apoyo personalizado a estudiantes en riesgo de no aprobar el EHEP, contribuyendo así a mejorar las tasas de éxito.

  • Open Access

    Data Fusion and Dimensionality Reduction for Pest Management in Pitahaya Cultivation

    by Wilson Chango, Mónica Mazón-Fierro, Juan Erazo, Guido Mazón-Fierro, Santiago Logroño, Pedro Peñafiel, Jaime Sayago

    This study addresses the critical need for effective data fusion strategies in pest prediction for pitahaya (dragon fruit) cultivation in the Ecuadorian Amazon, where heterogeneous data sources—such as environmental sensors and chlorophyll measurements—offer complementary but fragmented insights. Current agricultural monitoring systems often fail to integrate these data streams, limiting early pest detection accuracy. To overcome this, we compared early and late fusion approaches using comprehensive experiments. Multidimensionality is a central challenge: the datasets span temporal (hourly sensor readings), spatial (plot-level chlorophyll samples), and spectral (chlorophyll reflectance) dimensions. We applied dimensionality reduction techniques—PCA, KPCA (linear, polynomial, RBF), t-SNE, and UMAP—to preserve relevant structure and enhance interpretability. Evaluation metrics included the proportion of information retained (score) and cluster separability (silhouette score). Our results demonstrate that early fusion yields superior integrated representations, with PCA and KPCA-linear achieving the highest scores (0.96 vs. 0.94), and KPCA-poly achieving the best cluster definition (silhouette: 0.32 vs. 0.31). Statistical validation using the Friedman test (χ2 = 12.00, p = 0.02) and Nemenyi post hoc comparisons (p < 0.05) confirmed significant performance differences. KPCA-RBF performed poorly (score: 0.83; silhouette: 0.05), and although t-SNE and UMAP offered visual insights, they underperformed in clustering (silhouette < 0.12). These findings make three key contributions. First, early fusion better captures cross-domain interactions before dimensionality reduction, improving prediction robustness. Second, KPCA-poly offers an effective non-linear mapping suitable for tropical agroecosystem complexity. Third, our framework, when deployed in Joya de los Sachas, improved pest prediction accuracy by 12.60% over manual inspection, leading to more targeted pesticide use. This contributes to precision agriculture by providing low-cost, scalable strategies for smallholder farmers. Future work will explore hybrid fusion pipelines and sensor-agnostic models to extend generalizability.

  • Open Access

    Predicting Urban Traffic Congestion with VANET Data

    by Wilson Chango, Pamela Buñay, Juan Erazo, Pedro Aguilar, Jaime Sayago, Angel Flores, Geovanny Silva

    The purpose of this study lies in developing a comparison of neural network-based models for vehicular congestion prediction, with the aim of improving urban mobility and mitigating the negative effects associated with traffic, such as accidents and congestion. This research focuses on evaluating the effectiveness of different neural network architectures, specifically Transformer and LSTM, in order to achieve accurate and reliable predictions of vehicular congestion. To carry out this research, a rigorous methodology was employed that included a systematic literature review based on the PRISMA methodology, which allowed for the identification and synthesis of the most relevant advances in the field. Likewise, the Design Science Research (DSR) methodology was applied to guide the development and validation of the models, and the CRISP-DM (Cross-Industry Standard Process for Data Mining) methodology was used to structure the process, from understanding the problem to implementing the solutions. The dataset used in this study included key variables related to traffic, such as vehicle speed, vehicular flow, and weather conditions. These variables were processed and normalized to train and evaluate various neural network architectures, highlighting LSTM and Transformer networks. The results obtained demonstrated that the LSTM-based model outperformed the Transformer model in the task of congestion prediction. Specifically, the LSTM model achieved an accuracy of 0.9463, with additional metrics such as a loss of 0.21, an accuracy of 0.93, a precision of 0.29, a recall of 0.71, an F1-score of 0.42, an MSE of 0.07, and an RMSE of 0.26. In conclusion, this study demonstrates that the LSTM-based model is highly effective for predicting vehicular congestion, surpassing other architectures such as Transformer. The integration of this model into a simulation environment showed that real-time traffic information can significantly improve urban mobility management. These findings support the utility of neural network architectures in sustainable urban planning and intelligent traffic management, opening new perspectives for future research in this field.