Este estudio tiene como finalidad presentar un análisis de la utilización e integración de herramientas tecnológicas que ayudan a tomar decisiones en situaciones de congestión vehicular. La ciudad de Quito-Ecuador es considerada como un caso de estudio para el trabajo realizado. La investigación se presenta en función del desarrollo de una aplicación, haciendo uso de herramientas Big Data (Apache Flume, Apache Hadoop, Apache Pig), que permiten el procesamiento de gran cantidad de información que se requiere recolectar, almacenar y procesar. Uno de los aspectos innovadores de la aplicación es el uso de la red social Twitter como fuente de origen de datos. Para esto se utilizó su interfaz de programación de aplicaciones (Application Programming Interface, API), la cual permite tomar datos de esta red social en tiempo real e identificar puntos probables de congestión. Este estudio presenta resultados de pruebas realizadas con la aplicación, durante un período de 9 meses.
Context-aware mobile applications operating in environments with intermittent or unreliable connectivity must support offline-first behavior while preserving consistent decision-making and timely synchronization. Traditional cloud-centric architectures often fail to provide adequate availability, responsiveness, and reliable context reasoning under such conditions. This paper presents CAMS-F Edge DTN, an edge-centric runtime designed to support offline-first context-aware applications operating under intermittent connectivity. The proposed approach extends the CAMS domain-specific language (DSL) with declarative policies for semantic reconciliation, opportunistic synchronization, and context-aware conflict resolution. The runtime integrates Conflict-Free Replicated Data Types (CRDTs), opportunistic communication channels such as Bluetooth and Wi-Fi Direct, and MQTT-SN messaging to enable robust data exchange across mobile, vehicular, and edge nodes. CAMS F-Edge DTN supports offline-first execution by allowing applications to evaluate contextual rules locally and reconcile distributed state asynchronously when connectivity becomes available. The approach is evaluated through controlled experiments and case studies in rural logistics and healthcare distribution scenarios. The experimental results show that the proposed architecture maintains 96–99% operational availability under intermittent connectivity and up to 100% availability during fully offline operation, while achieving low-latency local reasoning (<10 ms median latency) and deterministic state convergence through CRDT-based synchronization mechanisms.
Esta investigación tiene como objetivo presentar la utilidad del análisis de sentimientos en los comentarios emitidos por usuarios de servicios turísticos en redes sociales (Twitter y Trip Advisor), que permita calificar el nivel de dichos servicios. La ciudad de Quito-Ecuador es considerada como caso de estudio para este trabajo. La investigación se muestra en función del desarrollo de un sistema informático utilizando herramientas Big Data (Python, Node.Js, Mongo DB), que permiten recolectar, almacenar y procesar gran cantidad de información. Las librerías del lenguaje de programación Node.js: Puppeteer y Sentiment, permiten obtener los comentarios de las redes sociales Twitter y Trip Advisor, y determinar un puntaje sobre el destino turístico evaluado. Entre los aspectos novedosos de la investigación está el uso de la red social Twitter como fuente de origen de datos, también la utilización de técnicas de web scraping del sitio de Trip Advisor. Para este estudio se emplea la interfaz de programación de aplicaciones de Twitter (Application Programming Interface, API), la cual permite tomar datos de esta red social en tiempo real que facilita evaluar los servicios turísticos ofertados. Como resultado se puede determinar que la herramienta permite generar conocimiento que ayuda a tomar decisiones, relacionadas con el nivel de calidad de las prestaciones recibidas en los sitios visitados.