Activity pattern generation using machine learning techniques for transport demand models

Abstract

La generación de patrones de actividad es un componente esencial en los sistemas de modelización de la demanda basados en la actividad, fundamentales para la planificación urbana y la gestión eficiente de los sistemas de transporte. Tradicionalmente, esta generación se ha realizado mediante técnicas convencionales; sin embargo, con el avance de la tecnología, las técnicas de aprendizaje automático se han utilizado cada vez más para tareas como la elección del medio de transporte y la predicción del flujo de tráfico. Este estudio se enfoca en la aplicación de técnicas de aprendizaje automático para la generación de patrones de actividad para modelos de demanda de transporte. Se realizarán cuatro tareas de clasificación: medio de transporte, motivo de desplazamiento, destino y hora de inicio del desplazamiento. Para dichas tareas, se cuenta con un dataset de la ciudad de Cuenca perteneciente a Ecuador de aproximadamente 3000 registros, el cual tuvo que ser preparado, filtrado y ajustado. Se utilizaron tres modelos de aprendizaje automático: Bosques Aleatorios, Arboles de Decisión y Redes Neuronales Artificiales, y se analizaron ´ sus resultados para escoger el mejor para cada tarea de clasificación. Los resultados muestran que el mejor modelo para las cuatro tareas de clasificación fue el Bosque Aleatorio, en conjunto con la técnica de ajuste de hiperparámetros Búsqueda en Cuadrícula con Validación Cruzada. Finalmente, para dar utilidad a los mejores modelos, se construyó un dataset para una simulación utilizando la herramienta MATSim, logrando resultados favorables.