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

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...

Full description

Autores:: Mesa Cantillo, Yanela Alexandra

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2024

Institución:: Universidad Santo Tomás

Repositorio:: Repositorio Institucional USTA

Idioma:: spa

id	SANTOTOMAS_5b51c754bfee0dfa45645551d153b3f1
oai_identifier_str	oai:repository.usta.edu.co:11634/58130
network_acronym_str	SANTOTOMAS
network_name_str	Repositorio Institucional USTA
repository_id_str
dc.title.spa.fl_str_mv	Predicciones del Número de Pasajeros de la Ruta 330 del Sitp Utilizando Técnicas de Machine Learning: Random Forest Y Silverkyte
title	Predicciones del Número de Pasajeros de la Ruta 330 del Sitp Utilizando Técnicas de Machine Learning: Random Forest Y Silverkyte
spellingShingle	Predicciones del Número de Pasajeros de la Ruta 330 del Sitp Utilizando Técnicas de Machine Learning: Random Forest Y Silverkyte Analysis Forecasting, Random Fores Silverkite Estadísticas Transporte Masivo -- Sitp Servicios -- Transmilenio Usuarios Análisis Pronóstico Random Forest Silverkite
title_short	Predicciones del Número de Pasajeros de la Ruta 330 del Sitp Utilizando Técnicas de Machine Learning: Random Forest Y Silverkyte
title_full	Predicciones del Número de Pasajeros de la Ruta 330 del Sitp Utilizando Técnicas de Machine Learning: Random Forest Y Silverkyte
title_fullStr	Predicciones del Número de Pasajeros de la Ruta 330 del Sitp Utilizando Técnicas de Machine Learning: Random Forest Y Silverkyte
title_full_unstemmed	Predicciones del Número de Pasajeros de la Ruta 330 del Sitp Utilizando Técnicas de Machine Learning: Random Forest Y Silverkyte
title_sort	Predicciones del Número de Pasajeros de la Ruta 330 del Sitp Utilizando Técnicas de Machine Learning: Random Forest Y Silverkyte
dc.creator.fl_str_mv	Mesa Cantillo, Yanela Alexandra
dc.contributor.advisor.none.fl_str_mv	Moreno Lopez, Edna Carolina
dc.contributor.author.none.fl_str_mv	Mesa Cantillo, Yanela Alexandra
dc.contributor.orcid.spa.fl_str_mv	https://orcid.org/0000-0002-1364-0096
dc.contributor.googlescholar.spa.fl_str_mv	https://scholar.google.es/citations?hl=es&user=3HPuekUAAAAJ
dc.contributor.cvlac.spa.fl_str_mv	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001381730
dc.contributor.corporatename.spa.fl_str_mv	Universidad Santo Tomás
dc.subject.keyword.spa.fl_str_mv	Analysis Forecasting, Random Fores Silverkite
topic	Analysis Forecasting, Random Fores Silverkite Estadísticas Transporte Masivo -- Sitp Servicios -- Transmilenio Usuarios Análisis Pronóstico Random Forest Silverkite
dc.subject.lemb.spa.fl_str_mv	Estadísticas Transporte Masivo -- Sitp Servicios -- Transmilenio Usuarios
dc.subject.proposal.spa.fl_str_mv	Análisis Pronóstico Random Forest Silverkite
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.
publishDate	2024
dc.date.accessioned.none.fl_str_mv	2024-10-03T15:45:10Z
dc.date.available.none.fl_str_mv	2024-10-03T15:45:10Z
dc.date.issued.none.fl_str_mv	2024
dc.type.version.none.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.drive.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis
format	http://purl.org/coar/resource_type/c_7a1f
status_str	acceptedVersion
dc.identifier.citation.spa.fl_str_mv	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.
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/11634/58130
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional Universidad Santo Tomás
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Santo Tomás
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repository.usta.edu.co
identifier_str_mv	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. reponame:Repositorio Institucional Universidad Santo Tomás instname:Universidad Santo Tomás repourl:https://repository.usta.edu.co
url	http://hdl.handle.net/11634/58130
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.references.spa.fl_str_mv	Breiman, L. (2001), ‘Random forests’, Machine Learning 45(1), 5–32. 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. 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. Datos Abiertos TransMilenio (n.d.), https://datosabiertos-transmilenio.hub.arcgis.com/. 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 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. Hosseini, R., Chen, A., Yang, K., Patra, S., Su, Y. & Arora, R. (2021), ‘Greykite: a flexible, intuitive and fast forecasting library’. Ling, X., Huang, Z., Wang, C., Zhang, F. & Wang, P. (2018), ‘Predicting subway passenger flows under different traffic conditions’, PLoS ONE 13(8). Milind, K. & Sandhya, D. (2024), ‘Forecasting the future: A comprehensive review of time series predic- tion techniques’, J. Electrical Systems 20(2), 575–586. 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. 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. Noursalehi, P. & Koutsopoulos, H. N. (2022), ‘Real-time predictive analytics for improving pu- blic transportation systemsˆa resilience’, Northeastern University, Boston, MA, USA Peña, D., Poncela, P. & Ruiz, E. (2021), Nuevos métodos de predición económica con datos masivos. Resende, D. (2023), ‘Linkedin greykite: What it is, how it works, and how to use it’. Rodrigo, J. A. & Ortiz, J. E. (2022), ‘Modelar series temporales con tendencia utilizando modelos de ˜Arboles’. 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’ 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. 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’, Camacho, M., Ramallo, S. & Marín, M. R. (2021), ‘˜Arboles de decisión económica: Una aplicación a la determinación del precio de la vivienda′
dc.rights.*.fl_str_mv	Atribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv	Abierto (Texto Completo) Abierto (Texto Completo)
dc.rights.accessrights.none.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	Atribución-NoComercial-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.coverage.campus.spa.fl_str_mv	CRAI-USTA Bogotá
dc.publisher.spa.fl_str_mv	Universidad Santo Tomás
dc.publisher.program.spa.fl_str_mv	Rregrado estadística
dc.publisher.faculty.spa.fl_str_mv	Facultad de estadística
institution	Universidad Santo Tomás
bitstream.url.fl_str_mv	https://repository.usta.edu.co/bitstream/11634/58130/6/2024cartadederechosdeautor.pdf.jpg https://repository.usta.edu.co/bitstream/11634/58130/7/2024cartadefacultad.pdf.jpg https://repository.usta.edu.co/bitstream/11634/58130/8/2024yanelamesa.pdf.jpg https://repository.usta.edu.co/bitstream/11634/58130/5/license.txt https://repository.usta.edu.co/bitstream/11634/58130/4/license_rdf https://repository.usta.edu.co/bitstream/11634/58130/1/2024cartadederechosdeautor.pdf https://repository.usta.edu.co/bitstream/11634/58130/2/2024cartadefacultad.pdf https://repository.usta.edu.co/bitstream/11634/58130/3/2024yanelamesa.pdf
bitstream.checksum.fl_str_mv	08eef7acbe25a2593519e0f1cd76315e 7ee0b9debcff1a342020076f04b32901 5d72d08edd6b5e275094ac2b1a9700a5 aedeaf396fcd827b537c73d23464fc27 217700a34da79ed616c2feb68d4c5e06 f95d9a340caa3d473393d45bba70b720 d2184fdf7605dccafebd52153616ceb9 4b2ffe5810ee6f7ccd27ef9abd63deb8
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Universidad Santo Tomás
repository.mail.fl_str_mv	repositorio@usta.edu.co
_version_	1860882405479415808
spelling	Moreno Lopez, Edna CarolinaMesa Cantillo, Yanela Alexandrahttps://orcid.org/0000-0002-1364-0096https://scholar.google.es/citations?hl=es&user=3HPuekUAAAAJhttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001381730Universidad Santo Tomás2024-10-03T15:45:10Z2024-10-03T15:45:10Z2024Mesa 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.http://hdl.handle.net/11634/58130reponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.coEste 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.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.Profesional en estadísticaPregradoapplication/pdfspaUniversidad Santo TomásRregrado estadísticaFacultad de estadísticaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Predicciones del Número de Pasajeros de la Ruta 330 del Sitp Utilizando Técnicas de Machine Learning: Random Forest Y SilverkyteAnalysisForecasting,Random ForesSilverkiteEstadísticasTransporte Masivo -- SitpServicios -- TransmilenioUsuariosAnálisisPronósticoRandom ForestSilverkiteinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisCRAI-USTA BogotáBreiman, L. (2001), ‘Random forests’, Machine Learning 45(1), 5–32.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.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.Datos Abiertos TransMilenio (n.d.), https://datosabiertos-transmilenio.hub.arcgis.com/.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, ItalyHosseini, 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.Hosseini, R., Chen, A., Yang, K., Patra, S., Su, Y. & Arora, R. (2021), ‘Greykite: a flexible, intuitive and fast forecasting library’.Ling, X., Huang, Z., Wang, C., Zhang, F. & Wang, P. (2018), ‘Predicting subway passenger flows under different traffic conditions’, PLoS ONE 13(8).Milind, K. & Sandhya, D. (2024), ‘Forecasting the future: A comprehensive review of time series predic- tion techniques’, J. Electrical Systems 20(2), 575–586.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.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.Noursalehi, P. & Koutsopoulos, H. N. (2022), ‘Real-time predictive analytics for improving pu- blic transportation systemsˆa resilience’, Northeastern University, Boston, MA, USAPeña, D., Poncela, P. & Ruiz, E. (2021), Nuevos métodos de predición económica con datos masivos.Resende, D. (2023), ‘Linkedin greykite: What it is, how it works, and how to use it’.Rodrigo, J. A. & Ortiz, J. E. (2022), ‘Modelar series temporales con tendencia utilizando modelos de ˜Arboles’.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’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.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’,Camacho, M., Ramallo, S. & Marín, M. R. (2021), ‘˜Arboles de decisión económica: Una aplicación a la determinación del precio de la vivienda′THUMBNAIL2024cartadederechosdeautor.pdf.jpg2024cartadederechosdeautor.pdf.jpgIM Thumbnailimage/jpeg7889https://repository.usta.edu.co/bitstream/11634/58130/6/2024cartadederechosdeautor.pdf.jpg08eef7acbe25a2593519e0f1cd76315eMD56open access2024cartadefacultad.pdf.jpg2024cartadefacultad.pdf.jpgIM Thumbnailimage/jpeg8866https://repository.usta.edu.co/bitstream/11634/58130/7/2024cartadefacultad.pdf.jpg7ee0b9debcff1a342020076f04b32901MD57open access2024yanelamesa.pdf.jpg2024yanelamesa.pdf.jpgIM Thumbnailimage/jpeg7650https://repository.usta.edu.co/bitstream/11634/58130/8/2024yanelamesa.pdf.jpg5d72d08edd6b5e275094ac2b1a9700a5MD58open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/58130/5/license.txtaedeaf396fcd827b537c73d23464fc27MD55open accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repository.usta.edu.co/bitstream/11634/58130/4/license_rdf217700a34da79ed616c2feb68d4c5e06MD54open accessORIGINAL2024cartadederechosdeautor.pdf2024cartadederechosdeautor.pdfapplication/pdf3384078https://repository.usta.edu.co/bitstream/11634/58130/1/2024cartadederechosdeautor.pdff95d9a340caa3d473393d45bba70b720MD51metadata only access2024cartadefacultad.pdf2024cartadefacultad.pdfapplication/pdf349313https://repository.usta.edu.co/bitstream/11634/58130/2/2024cartadefacultad.pdfd2184fdf7605dccafebd52153616ceb9MD52metadata only access2024yanelamesa.pdf2024yanelamesa.pdfapplication/pdf1690426https://repository.usta.edu.co/bitstream/11634/58130/3/2024yanelamesa.pdf4b2ffe5810ee6f7ccd27ef9abd63deb8MD53open access11634/58130oai:repository.usta.edu.co:11634/581302024-10-04 03:29:22.771metadata only accessRepositorio Universidad Santo Tomásrepositorio@usta.edu.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

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

Publicaciones similares