Modelos de machine learning para la predicción de trayectorias de transporte urbano brt: sistema de TransMilenio, Bogotá D.C.
Cargando...
Fecha
Fecha
2026-06-12
Autores
Director
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Distrital Francisco José de Caldas
Compartir
Citar documento
Cuchia Ruíz, Jaime Andrés (2026). Modelos de machine learning para la predicción de trayectorias de transporte urbano brt: sistema de TransMilenio, Bogotá D.C.. Universidad Distrital Francisco José de Caldas. https://hdl.handle.net/11349/103950
Gestores bibliográficos
Altmetric
El indicador aparece cuando Altmetric registra menciones para este documento.
Documentos PDF
Resumen
This study aimed to analyze and implement Machine Learning models for predicting spatiotemporal passenger trajectories along the Troncal 80 corridor of Bogotá's TransMilenio system, evaluating their potential as a decision-support tool for operational management. The research was motivated by growing structural limitations in the system, stemming from high uncertainty in passenger demand, congestion at critical stations, and difficulty anticipating changing operating conditions. To address this, five supervised machine learning models were implemented and compared—Random Forest, XGBoost, Support Vector Regression with an RBF kernel, a dense Artificial Neural Network, and a Long Short-Term Memory (LSTM) model—built on a spatiotemporal dataset of 493,662 records drawn from publicly available sources covering the period from January 2025 to March 2026. All models were evaluated under a common experimental protocol that included strict temporal data splitting, leakage-free normalization, and automated hyperparameter search, ensuring methodological rigor and comparability across models. The results showed that these models can predict passenger demand by station and 15-minute interval with accuracy levels exceeding those reported in comparable international literature on BRT systems. The Artificial Neural Network achieved the best performance, with an R² of 0.9999996 and a MAPE of just 0.089%, while XGBoost and Random Forest achieved MAPEs below 5%, surpassing benchmarks documented in similar studies conducted on BRT systems in Asia and Europe. Together, these findings confirm the study's hypothesis: applying Machine Learning models to spatiotemporal trajectory analysis significantly improves predictive capacity regarding TransMilenio's operational behavior, contributing to more precise and reliable analytical tools for efficient system management, based exclusively on historical, publicly available data.
Descripción
Este estudio tuvo como objetivo analizar e implementar modelos de Machine Learning para la predicción de trayectorias espaciotemporales de pasajeros en el corredor Troncal 80 del sistema TransMilenio de Bogotá, evaluando su potencial como herramienta de apoyo a la toma de decisiones operativas. La investigación partió de un diagnóstico claro: el sistema enfrenta limitaciones estructurales crecientes derivadas de la alta incertidumbre en la demanda de pasajeros, la congestión en estaciones críticas y la dificultad para anticiparse a las condiciones cambiantes de la operación. Para abordar este problema, se implementaron y compararon cinco modelos de aprendizaje automático supervisado —Random Forest, XGBoost, Support Vector Regression con kernel RBF, una Red Neuronal Artificial densa y un modelo LSTM— construidos sobre un dataset espaciotemporal de 493.662 registros, elaborado a partir de fuentes de datos de acceso público correspondientes al período enero 2025 a marzo 2026. Todos los modelos se evaluaron bajo un protocolo experimental común, que incluyó una división temporal estricta de los datos, normalización sin fuga de información y búsqueda automatizada de hiperparámetros, garantizando comparabilidad y rigor metodológico. Los resultados obtenidos demostraron que estos modelos permiten predecir la demanda de pasajeros por estación e intervalo de 15 minutos con niveles de precisión superiores a los reportados en la literatura internacional comparable para sistemas BRT. En particular, la Red Neuronal Artificial alcanzó el mejor desempeño, con un R² de 0,9999996 y un MAPE de apenas 0,089%, mientras que XGBoost y Random Forest obtuvieron MAPEs inferiores al 5%, superando los referentes documentados en estudios similares desarrollados en sistemas BRT de Asia y Europa. En conjunto, estos resultados confirman la hipótesis de la investigación: la implementación de modelos de Machine Learning aplicados al análisis de trayectorias espaciotemporales mejora significativamente la capacidad predictiva sobre el comportamiento operativo del sistema TransMilenio, contribuyendo a la generación de herramientas analíticas más precisas y confiables para su gestión eficiente, a partir exclusivamente de datos históricos de acceso público.