Aplicación de algoritmos de aprendizaje estadístico para predecir velocidades de buses con información en tiempo real

Loading...
Thumbnail Image
Date
2015
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
La predicción de velocidad de buses de transporte público es relevante tanto para los usuarios como los operadores. Para los usuarios permite generar herramientas que le entreguen información certera sobre aproximación del próximo bus, así como también ayuda en la elección de rutas expeditas según la hora del día. Para los operadores es relevante al momento de planificar recorridos, frecuencias u horarios. Hay literatura de casos exitosos de predicción de velocidad en tiempo real usando algoritmos de aprendizaje estadístico, pero cada trabajo es distinto y son poco comparables debido a la diferencia entre los datos disponibles usados. En este caso, los datos usados corresponden a pulsos de GPS transformados en velocidades. No se encontró bibliografía con los mismos tipos de datos, por lo que consideramos que este caso es nuevo. Así, el objetivo de este trabajo es comparar el desempeño de distintos algoritmos de aprendizaje estadístico incorporando información en tiempo real de dispositivos GPS para predecir velocidades de buses en la ciudad de Santiago de Chile.Se usarán tres algoritmos de aprendizaje estadístico: redes neuronales, máquinas de soporte vectorial y redes bayesianas, de los que se generan cuatro modelos. Éstos se comparan entre sí, además de con dos modelos benchmark, siendo testeados en tres servicios de buses: 501-ida, C06-ida y 210-ida de Transantiago, el sistema de transporte público de Santiago. El documento abarca desde el procesamiento previo de las velocidades, que son obtenidas a través de pulsos enviados por GPS equipados en los buses, hasta el detalle de cada modelo junto a sus parámetros, mostrando posteriormente los resultados y un análisis de éstos. Basados en este caso de estudio, se concluye que el algoritmo de redes neuronales es el que mejor desempeño muestra con nuestro set de datos, logrando una mejora de hasta 23% sobre la raíz del error cuadrático medio con respecto al mejor de los modelos benchmark. Dado que sólo se contaba con información de GPS, se propone incluir variables explicativas adicionales, como flujo vehicular de espiras magnéticas, información de abordaje de sistemas de pago de tarifas (FCS, Fare Collecting Systems), o información de incidentes en las vías.
Description
Tesis (Magíster en Ciencias de la Ingeniería)--Pontificia Universidad Católica de Chile, 2015
Keywords
Citation