Predicciones del Número de Pasajeros de la Ruta 330 del SITP Utilizando Técnicas de Machine Learning: Random Forest y Silverkyte
Cargando...
Fecha
2024
Autores
Director
Enlace al recurso
DOI
Google Scholar
gruplac
Descripción Dominio:
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Santo Tomás
Compartir
Cargando...
Resumen
Este estudio utiliza los datos proporcionados por Transmilenio, que incluyen registros de accesos a los servicios del Sistema Integrado de Transporte Público (SITP) correspondientes a la ruta 330 durante los años 2020 a 2023. Se analizaron diversos factores que podrían influir en la decisión de los usuarios de utilizar el SITP, tales como los días festivos, fines de semana y períodos de vacaciones.
El objetivo principal de este trabajo es entender la demanda futura del uso del Sistema Integrado de Transporte Público (SITP) mediante el análisis de los datos del número de pasajeros. Además, se incluirán otras variables relevantes como las vacaciones, los días festivos y los fines de semana, con el propósito de mejorar las predicciones del modelo.
Para lograr este objetivo, se emplearán los modelos Silverkite, desarrollado por LinkedIn y parte de la biblioteca Greykite publicada en 2021, así como el método Random Forest, ampliamente reconocido en el campo del aprendizaje automático. Estos modelos serán comparados para determinar cuál de ellos ofrece pronósticos más precisos sobre la demanda futura del SITP.
Abstract
This study utilizes data provided by Transmilenio, which includes access records to the services of the
Integrated Public Transport System (SITP) corresponding to route 330 from the years 2020 to 2023.
Various factors that could influence the users’ decision to use the SITP, such as holidays, weekends, and
vacation periods, were analyzed.
The main objective of this work is to understand the future demand for the use of the Integrated Public
Transport System (SITP) through the analysis of passenger number data. Additionally, other relevant
variables such as holidays, weekends, and vacation periods will be included to improve the model’s
predictions.
Idioma
spa
Palabras clave
Citación
Mesa Cantillo, Y. A. (2024). Predicciones del Número de Pasajeros de la Ruta 330 del SITP Utilizando Técnicas de Machine Learning: Random Forest y Silverkyte. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.
Colecciones
Licencia Creative Commons
Atribución-NoComercial-SinDerivadas 2.5 Colombia