Modelos basados en datos GPS para determinar la no detención de buses en paraderos
Loading...
Date
2017
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
El sistema de transporte público de Santiago ocurre con frecuencia que los buses no se detienen en paradas establecidas cuando hay pasajeros esperando por subir. Este comportamiento es muy dañino para los usuarios, ya que aumenta su tiempo de espera y reduce la confiabilidad en el sistema. El Directorio de Transporte Público Metropolitano (DTPM), recibe reclamos a diario reportando este tipo de comportamiento. Sin embargo, desde un punto de vista legal, estos reclamos no son suficientes para generar una multa a los conductores, ya que es necesario comprobar que el bus efectivamente no se detuvo. Con este propósito, los dispositivos GPS instalados en los buses pueden ser de uso. Desafortunadamente, estos dispositivos no proveen la trayectoria exacta del bus, sino que registran su posición cada 30 segundos. Un estudio previo (Bull & Herrera,2015) desarrolla un modelo que usa GPS cada 30 segundos, para determinar si el bus se detuvo en la parada. Sin embargo, esta metodología no ha sido validada. El objetivo principal de esta tesis es definir un modelo que logre determinar, con la mayor precisión posible, cuándo los buses no se detienen en las paradas establecidas.Para lograr esto, primero se evalúa y valida el modelo de Bull y Herrera (2015) utilizando datos reales. Basándose en estos resultados, mejoras al modelo son propuestas. En segundo lugar, modelos de aprendizaje supervisado son desarrollados utilizando dos métodos: Máquinas de vectores de soporte y Análisis de discriminante lineal.Para este proceso se utilizan dos bases de datos distintas. La primera utiliza datos proporcionados por el Directorio de Transporte Público Metropolitano, con un espaciamiento de 30 segundos entre registros GPS; esta se utiliza para calibrar y validarlos modelos. El segundo conjunto considera datos GPS cada un segundo, que permite realizar un análisis de sensibilidad respecto a la periodicidad de los datos, y cómo afecta la precisión de los modelos. El desempeño de los distintos modelos bordea el 89% de precisión. Sin embargo,se concluye que el modelo a recomendar depende principalmente del objetivo del modelador, ya que se puede lograr una mejor precisión con ciertos modelos, pro por otro lado se puede disminuir el Error Tipo I con otro.
Description
Tesis (Magíster en Ciencias de la Ingeniería)--Pontificia Universidad Católica de Chile, 2017