¿Cuánto falta? Modelos predictivos del tiempo de llegada de autobuses

Resumen

Predecir con precisión los tiempos de llegada de los autobuses es fundamental para mejorar la movilidad urbana y optimizar los servicios de transporte público. Las demoras y la incertidumbre en los horarios generan frustración en los pasajeros y dificultan la planificación eficiente de los viajes. En este contexto, contar con estimaciones confiables y en tiempo real sobre los tiempos de llegada puede ayudar a los usuarios a reducir la espera y tomar decisiones informadas. Este trabajo analiza distintos enfoques predictivos, incluyendo Regresión Lineal, ARIMA, redes LSTM (Long Short-Term Memory) y GRU (Gated Recurrent Units), para estimar los tiempos de llegada a partir de datos reales de GPS de autobuses en la ciudad de Tandil (Buenos Aires, Argentina). Los resultados experimentales mostraron que los modelos de aprendizaje profundo, en particular LSTM, superan significativamente a los enfoques tradicionales, lo que resalta su potencial para optimizar los sistemas de transporte público. Además del desarrollo y evaluación de los modelos predictivos, se diseño e implementó una aplicación móvil que integra estas predicciones y ofrece a los usuarios información en tiempo real sobre los horarios estimados de llegada y posibles demoras.