El estudio creó una plataforma que permite identificar un punto de corte en las principales variables de satisfacción: tiempo de espera, tasa de ocupación del bus y la velocidad del mismo. La investigación corresponde a un proyecto del Master de Data Science de la Facultad de Ingeniería y Ciencias de la Universidad Adolfo Ibáñez.
La revista científica internacional de transporte «Transportation Research Part A: Policy and Practice» acaba de publicar los resultados de una investigación chilena, correspondiente al programa de Master en Data Science de la Facultad de Ingeniería y Ciencias de la Universidad Adolfo Ibáñez, que aplicó modelos de machine learning para predecir la satisfacción de los usuarios del transporte público en Transantiago.
El estudio corresponde a Elkin Ruiz, graduado del Master en Data Science de Ingeniería UAI; y los profesores Wilfredo Yushimito, Rolando de la Cruz y Luis Aburto, académicos de la Facultad de Ingeniería y Ciencias UAI. El estudio contó con la colaboración del Directorio de Transporte Público Metropolitano, Data Observatory y el proyecto Fondecyt 11220944.El estudio analizó los datos de calidad del servicio percibida para un operador del Transantiago, así como distintas variables operacionales de sus recorridos: velocidad, tiempos de espera, porcentaje de ocupación del bus, entre otras.
Luis Aburto, señaló: «comparamos distintos métodos para explicar la calidad de servicio, tanto tradicionales como MNL y Ordinal Logit y machine learning como Decision Trees, Neural Networks y Random Forest. Este último entregó los mejores desempeños concentrando la explicación del servicio en el tiempo de espera, velocidad y qué tan lleno iba el bus».
Al ver cómo cambia la probabilidad de pertenencia al mal servicio, se pueden ver cortes (thresholds) bastante marcados en el modelo (aspecto que no se aprecia con los modelos tradicionales logit). Por ejemplo, si el tiempo de espera es mayor a 8 minutos, o el bus está lleno sobre el 80%, la probabilidad de una mala calificación del servicio aumenta en cuatro veces.
Wilfredo Yushimito, explica que si bien existen proyectos previos sobre percepción de la calidad del transporte público, estos se basan principalmente en modelos estadísticos. “Los modelos estadísticos incluyen supuestos de los cuales los modelos de machine learning pueden prescindir. En otras palabras, captura relaciones no lineales, asumiendo que hay efectos no continuos y saltos que marcan una diferencia. Así, una espera de 0 a 5 minutos por un bus es evaluada como una buena experiencia, no así a los 10 minutos. Asimismo, si el bus tiene una tasa de ocupación de hasta un 75% es bien evaluada. Curiosamente, una velocidad alta no necesariamente es bien evaluada, ya que el usuario lo asocia a un riesgo para su seguridad”.
El estudio busca mejorar la toma de decisiones para la planificación de la flota de transporte público en función de la demanda. Este tipo de herramientas permiten monitorear los buses y capacitar a choferes, de modo de atender las necesidades de sus usuarios. La investigación no sólo identifica las zonas más complejas y los horarios de mayor tráfico, sino también variables valoradas como las condiciones de los paraderos.
Revisa el artículo en: https://www.sciencedirect.com/science/article/abs/pii/S0965856424000430
Equipo Prensa
Portal Innova
