Predicciones del Número de Pasajeros de la Ruta 330 del SITP Utilizando Técnicas de Machine Learning: Random Forest y Silverkyte

Mesa Cantillo, Yanela Alexandra

Predicciones del Número de Pasajeros de la Ruta 330 del SITP Utilizando Técnicas de Machine Learning: Random Forest y Silverkyte

dc.contributor.advisor	Moreno Lopez, Edna Carolina
dc.contributor.author	Mesa Cantillo, Yanela Alexandra
dc.contributor.corporatename	Universidad Santo Tomás	spa
dc.contributor.cvlac	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001381730
dc.contributor.googlescholar	https://scholar.google.es/citations?hl=es&user=3HPuekUAAAAJ
dc.contributor.orcid	https://orcid.org/0000-0002-1364-0096
dc.date.accessioned	2024-10-03T15:45:10Z
dc.date.available	2024-10-03T15:45:10Z
dc.date.issued	2024
dc.description	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.	spa
dc.description.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.	spa
dc.description.degreelevel	Pregrado	spa
dc.description.degreename	Profesional en estadística	spa
dc.format.mimetype	application/pdf
dc.identifier.citation	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.	spa
dc.identifier.instname	instname:Universidad Santo Tomás	spa
dc.identifier.reponame	reponame:Repositorio Institucional Universidad Santo Tomás	spa
dc.identifier.repourl	repourl:https://repository.usta.edu.co	spa
dc.identifier.uri	http://hdl.handle.net/11634/58130
dc.language.iso	spa
dc.publisher	Universidad Santo Tomás	spa
dc.publisher.branch	CRAI-USTA Bogotá	spa
dc.publisher.faculty	Facultad de estadística	spa
dc.publisher.program	Rregrado estadística	spa
dc.relation.references	Breiman, L. (2001), ‘Random forests’, Machine Learning 45(1), 5–32.	spa
dc.relation.references	Cheng, C.-H., Tsai, M.-C. & Cheng, Y.-C. (2022), ‘An intelligent time-series model for forecasting bus passengers based on smartcard data’, Appl. Sci. 12(9), 4763.	spa
dc.relation.references	Cutler, D. R., Edwards Jr, T. C., Beard, K. H., Hess, K. T., Gibson, J. & Lawler, J. J. (2007), ‘Random forests for classification in ecology’, Ecology 88(11), 2783–2792.	spa
dc.relation.references	Datos Abiertos TransMilenio (n.d.), https://datosabiertos-transmilenio.hub.arcgis.com/.	spa
dc.relation.references	Gallo, F., Corman, F. & Sacco, N. (2022), ‘Real-time occupancy predictions of public transport vehicles’, Institute for Transport Planning and Systems, ETH Zurich, Switzerland and Department of Mecha- nical, Energy, Management and Transportation Engineering, University of Genova, Italy	spa
dc.relation.references	Hosseini, R., Chen, A., Yang, K., Patra, S., Su, Y., Al Orjany, S. E., Tang, S. & Ahammad, P. (2022), Greykite: Deploying flexible forecasting at scale at linkedin, in ‘Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining’, KDD ’22, Association for Com- puting Machinery, New York, NY, USA, p. 3007ˆa3017.	spa
dc.relation.references	Hosseini, R., Chen, A., Yang, K., Patra, S., Su, Y. & Arora, R. (2021), ‘Greykite: a flexible, intuitive and fast forecasting library’.	spa
dc.relation.references	Ling, X., Huang, Z., Wang, C., Zhang, F. & Wang, P. (2018), ‘Predicting subway passenger flows under different traffic conditions’, PLoS ONE 13(8).	spa
dc.relation.references	Milind, K. & Sandhya, D. (2024), ‘Forecasting the future: A comprehensive review of time series predic- tion techniques’, J. Electrical Systems 20(2), 575–586.	spa
dc.relation.references	Monje, L., Carrasco, R. A., Rosado, C. & S´anchez-Monta˜n´es, M. (2022), ‘Deep learning xai for bus passenger forecasting: A use case in spain’, Mathematics 10(9), 1428.	spa
dc.relation.references	Nagaraj, N., Gururaj, H. L., Swathi, B. H. & Hu*, Y.-C. (2022), ‘Passenger flow prediction in bus transportation system using deep learning’, Multimedia Tools and Applications 81, 12519–12542.	spa
dc.relation.references	Noursalehi, P. & Koutsopoulos, H. N. (2022), ‘Real-time predictive analytics for improving pu- blic transportation systemsˆa resilience’, Northeastern University, Boston, MA, USA	spa
dc.relation.references	Peña, D., Poncela, P. & Ruiz, E. (2021), Nuevos métodos de predición económica con datos masivos.	spa
dc.relation.references	Resende, D. (2023), ‘Linkedin greykite: What it is, how it works, and how to use it’.	spa
dc.relation.references	Rodrigo, J. A. & Ortiz, J. E. (2022), ‘Modelar series temporales con tendencia utilizando modelos de ˜Arboles’.	spa
dc.relation.references	Roque Rojas, E. (2022), ‘Predicción de la demanda de pasajeros a clústeres de estaciones del metropolitano usando métodos de data mining, la metodología box-jenkins y sarima’	spa
dc.relation.references	Utku, A. & Kaya*, S. K. (2022), ‘Multi-layer perceptron based transfer passenger flow prediction in istanbul transportation system’, Decision Making: Applications in Management and Engineering 5(1), 208–224.	spa
dc.relation.references	Zhang, X., Lauber, L., Liu, H., Shi, J., Xie, M. & Pan, Y. (2022), ‘Travel time prediction of urban public transportation based on detection of single routes’,	spa
dc.relation.references	Camacho, M., Ramallo, S. & Marín, M. R. (2021), ‘˜Arboles de decisión económica: Una aplicación a la determinación del precio de la vivienda′	spa
dc.rights	Atribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2	spa
dc.rights.local	Abierto (Texto Completo)	spa
dc.rights.local	Abierto (Texto Completo)	spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.subject.keyword	Analysis	spa
dc.subject.keyword	Forecasting	spa
dc.subject.keyword	Random Fores	spa
dc.subject.keyword	Silverkite	spa
dc.subject.lemb	Estadística	spa
dc.subject.lemb	Transporte Masivo -- SITP	spa
dc.subject.lemb	Servicios -- Transmilenio	spa
dc.subject.lemb	Usuarios	spa
dc.subject.proposal	Análisis	spa
dc.subject.proposal	Pronóstico	spa
dc.subject.proposal	Random Forest	spa
dc.subject.proposal	Silverkite	spa
dc.title	Predicciones del Número de Pasajeros de la Ruta 330 del SITP Utilizando Técnicas de Machine Learning: Random Forest y Silverkyte	spa
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.coarversion	http://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.drive	info:eu-repo/semantics/bachelorThesis
dc.type.version	info:eu-repo/semantics/acceptedVersion