Pronóstico a Corto Plazo de Afluencia de Pasajeros Utilizando Técnicas de Data Mining: Metro S.A.

• Main Author: Garnica Pérez, Denisse Fabiola
• Other Authors: Weber Haas, Richard, Facultad de Ciencias Físicas y Matemáticas, Departamento de Ingeniería Industrial, L'Huillier Chaparro, Gastón, Medel García, Fabián, Altamirano Guzmán, Héctor
• Format: Thesis
• Language: Spanish
• Published: Universidad de Chile 2011
• Subjects: Gestión de Operaciones; Corto; Andenes
• Online Access: http://repositorio.uchile.cl/handle/2250/102546

La empresa Metro S.A. es parte fundamental del sistema de transporte público en la ciudad de Santiago, sin embargo, desde la puesta en marcha de Transantiago en Marzo del año 2007, la demanda de pasajeros creció explosivamente y es por esta razón, que no se contaba con información de calidad para poder tomar decisiones respecto de frecuencias de trenes, demanda de viajes, o la afluencia de pasajeros en las estaciones. Esta información es crucial para poder entender el tamaño de los andenes, trenes, cantidad de boleterías, incluso la densidad promedio en los vagones, etc. El objetivo de este trabajo es poder probar la factibilidad de pronosticar la fluencia de pasajeros con técnicas de Minería de Datos con un error aceptable (inferior al 10%). Para que metro pueda utilizar esta metodología en el futuro para obtener información útil respecto de la afluencia de pasajeros. Para este estudio se seleccionaron cuatro estaciones y para cada una de ellas, se consideró un pronóstico de su afluencia a muy corto plazo (diario) y otro a corto plazo (mensual). Posteriormente, se seleccionó un conjunto de ocho métodos para el estudio de series de tiempo. Regresiones (lineales, logísticas, etc.), Suavización Exponencial, Redes Neuronales y Support Vector Regression. Se aplicaron transformaciones para eliminar estacionalidades y el efecto de Transantiago. Para los pronósticos de afluencia de corto plazo todos los métodos seleccionados presentan errores inferiores al 10%. Sin embargo, el método de promedios móviles con horizonte de dos periodos presenta errores bajo el 3.3% en todas las estaciones estudiadas. Estos son excelentes resultados, por lo cual se recomienda ampliamente el uso de estas técnicas para este caso. Para el muy corto plazo, los modelos se comportan incluso mejor, con errores inferiores al 2%, por lo cual se puede decir que es posible utilizar estos métodos con gran confianza en ambos casos.