Modelos de predicción de tiempos de viaje vehicular.

Abstract

Este proyecto se enmarca en una investigación sobre la predicción de tiempos de viaje en el transporte vehicular, entendido como la predicción de tiempo viaje futuro en base a datos históricos y en tiempo real. Para comprender el estado actual de la disciplina, se realiza una revisión sistemática de la literatura, donde se identifican múltiples factores clave que influyen en la predicción del tiempo de viaje, como la recopilación y el procesamiento de datos, los tipos de modelos existentes, las diferencias según el tipo de vehículo para el cual se quiera predecir y el contexto del transporte según si el entorno es urbano o autopista. A partir de este análisis, se decide abordar el problema de predecir los tiempos de viaje para la línea 117 de ómnibus de CUTCSA. Más precisamente, dada la parada actual en la que se encuentre el bus, el objetivo es predecir el tiempo de viaje que le lleva llegar a destino. Para abordar esta tarea, se desarrollan y evalúan tres de los enfoques de modelado relevados en la literatura: un modelo estadístico base (ARIMA), un modelo de aprendizaje automático (XGBoost) y un modelo de aprendizaje profundo basado en redes neuronales recurrentes bidireccionales (Bi-GRU). Se implementan estos modelos en Python, utilizando un entorno virtual (venv) para gestionar las dependencias de manera modular y reproducible. Los datos se dividen en conjuntos de entrenamiento, validación y prueba particionados en 70 %, 15% y 15 %, respectivamente. Los experimentos realizados confirman lo hallado en el estado del arte: los modelos estadísticos como ARIMA no son adecuados para capturar la naturaleza no lineal del tráfico. En cambio, XGBoost muestra un rendimiento sólido en la predicción de series temporales, mientras que Bi-GRU logra la mejor precisión a costa de mayor tiempo de entrenamiento (casi seis horas en el peor caso frente a un minuto en XGBoost). Los hallazgos de este estudio pueden ser valiosos para la gestión del tráfico en Montevideo. Una predicción precisa de los tiempos de viaje permitiría optimizar la planificación del transporte público, ajustar frecuencias y horarios de los ómnibus, y mejorar la experiencia de los pasajeros. Además, este trabajo abre la puerta a futuras investigaciones que podrían enfocarse en la predicción del tiempo de viaje entre paradas específicas, proporcionando información más útil para los usuarios y operadores del sistema de transporte.