data analytics

Estudio mide satisfacción de usuarios de Transantiago con machine learning



Dirección copiada

La investigación, parte de un Master de la Facultad de Ingeniería y Ciencias de la Universidad Adolfo Ibáñez (UAI), 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.

Publicado el 25 abr 2024



Crowded bus
Large group of people commuting by bus. The focus is on the brunette young woman holding the railing.

La revista científica internacional de transporte “Transportation Research Part A: Policy and Practice” publicó los resultados de una investigación 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, desarrollado por 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, 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.

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”, señaló Luis Aburto.

Al ver cómo cambia la probabilidad de pertenencia al mal servicio, se pueden apreciar cortes (thresholds) bastante marcados en el modelo (aspecto que no se aprecia con los modelos tradicionales logit). Por ejemplo, si el tiempo de espera supera los 8 minutos o el bus está lleno sobre el 80%, la probabilidad de una mala calificación del servicio se cuadriplica.

Wilfredo Yushimito, explica que los proyectos previos sobre percepción de la calidad del transporte público se basan principalmente en modelos estadísticos, los cuales “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”.

La finalidad de la investigación es optimizar 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. El estudio no sólo identifica zonas complejas y los horarios de mayor tráfico, sino también variables valoradas, como las condiciones de los paraderos.

Artículos relacionados

Artículo 1 de 3