Combinando datos GPS en contextos offline y online para predecir el tiempo de llegada de los buses en sistemas BRT

Abstract

Obtener predicciones precisas de la hora de llegada de los buses en tiempo real es un elemento vital tanto para el control de las operaciones de los autobuses como para los sistemas de información de pasajeros. Los avances tecnológicos asociados a los sistemas de transporte público han permitido la recopilación y difusión de grandes cantidades de información sobre las características del tráfico en tiempo real, que abren la puerta para el desarrollo e implementación de diferentes metodologías de predicción que permitan realizar estas predicciones. El objetivo de esta investigación es formular diversos modelos basados en datos históricos y en tiempo real para predecir la hora de llegada de los buses a las estaciones de un sistema troncal de transporte masivo. Usando información proveniente de los servicios troncales del sistema BRT de la ciudad de Pereira, Colombia, se evaluaron los métodos de velocidad promedio, regresión lineal, redes neuronales artificiales (ANN), máquinas de vectores de soporte (SVM), regresión Ridge, regresión Lasso y técnicas de inferencia bayesiana (asimilación de datos). La comparación de los resultados obtenidos, luego de realizar la validación de cada uno de los métodos considerados, indicó que el modelo que considera técnicas de inferencia bayesiana tiene un mejor ajuste con respecto a los datos observados, y que además se puede implementar fácilmente en aplicaciones de predicción online, por su carácter dinámico y eficiencia computacional. Los resultados también sugieren que, para el contexto estudiado, la inclusión del tiempo para llegar a la parada como única variable en el modelo propuesto es suficiente para obtener predicciones precisas, evitando la necesidad de medir o inferir otras variables explicativas que influyen en la hora de llegada a los paraderos, las cuales son comúnmente consideradas.