Evaluación de la Viabilidad de una Alternativa de Movilidad, Mediante el Entrenamiento de Datos para la Predicción de la Toma de Decisiones. Caso de Estudio: Universidad EIA (Envigado, Antioquia)

Abstract

RESUMEN: A medida que la población de una comunidad aumenta, aparecen nuevas problemáticas que dificultan garantizar el transporte a cada uno de sus individuos, debido a que las necesidades son cada vez mayores y más complejas de resolver o mitigar. La Universidad EIA no ha estado exenta de dicha problemática, en consecuencia del crecimiento de la población universitaria, se trasladó la sede principal de la Universidad a Las Palmas, Envigado, zona en el que el transporte público escasea, los tiempos de viaje se incrementan y hay un peaje que sube significativamente el costo de viaje para los usuarios que vienen desde el oriente antioqueño en vehículo particular, y si bien la Universidad cuenta con rutas de transporte estas no satisfacen por completo las necesidades de la comunidad. Ahora, para plantear soluciones aptas se deben de considerar los patrones de decisión de los usuarios, ya que estos determinarán la posible elección de un usuario por optar por un modo de transporte u otro. En dicho proceso de toma de decisiones el usuario contempla factores como la frecuencia de llegada del transporte, el tiempo de viaje, el costo por trayecto y la comodidad que ofrece el medio de transporte, decisiones que estarán en función de sus necesidades y recursos; con la llegada de los algoritmos de inteligencia artificial se ha mejorado la predicción de la toma de decisiones de un usuario, esto se traduce en ajustar mejor los análisis de viabilidad de los proyectos. Una de las herramientas implementadas para la predicción ha sido el entrenamiento de datos, la cual ha de ser el eje del desarrollo de este proyecto, esta se fundamenta en nutrir los modelos de “machine learning”, los cuales se han de programar en Python, con una base de datos robusta que ha sido depurada y filtrada previamente, este banco de datos se ha conformado mediante la realización de encuestas que contienen características socioeconómicas y técnicas, claves para definir los patrones de decisión de cada uno de los usuarios, de manera que en el modelo se van a presentar diversos escenarios y, con base en los patrones de decisión, el modelo ha de seleccionar la potencial alternativa que escogería cada usuario, los modelos se han de correr varias veces para ajustar la precisión de estos y poder seleccionar la alternativa que mejor se acerque a la realidad. En esta tesis de pregrado lo que se busca es proponer una alternativa de movilidad para la Universidad EIA que permita mitigar la problemática de movilidad que actualmente se presenta, evaluando la viabilidad de esta con ayuda de modelos de entrenamiento de datos, que permiten establecer la potencial población que hará uso de dicho modo de transporte, además de compararla con las otras alternativas de transporte ya existentes en la universidad, en factores técnicos, económicos y sociales. Un aspecto diferenciador de este proyecto de investigación es su metodología, pues le permitirá a la Universidad evaluar periódicamente la viabilidad de los modos de transporte existentes con solo actualizar la base de datos que nutre los modelos para posteriormente analizar el resultado que estos arrojen.

ABSTRACT: As the population of a community increases, new problems appear that make it difficult to guarantee transportation to each of its individuals, because the needs are greater and more complex to solve or mitigate. The EIA University has not been exempt from this problem, as a result of the growth of the university population, the main headquarters of the University was moved to Las Palmas, Envigado, an area in which public transport is scarce, travel times are increased and There is a toll that significantly increases the cost of travel for users who come from eastern Antioquia in a private vehicle, and although the University has transportation routes, they do not fully meet the needs of the community. Now, to propose suitable solutions, the decision patterns of users must be considered, since these will determine the possible choice of a user to opt for one mode of transport or another. In this decision-making process, the user considers factors such as the frequency of arrival of the transport, the travel time, the cost per trip and the comfort offered by the means of transport, decisions that will be based on their needs and resources; With the arrival of artificial intelligence algorithms, the prediction of a user's decision making has been improved, this translates into better adjusting the feasibility analysis of projects. One of the tools implemented for the prediction has been data training, which must be the axis of the development of this project, this is based on nurturing the "machine learning" models, which must be programmed in Python, With a robust database that has been previously cleaned and filtered, this database has been formed by carrying out surveys that contain socioeconomic and technical characteristics, key to defining the decision patterns of each of the users, so that various scenarios are going to be presented in the model and, based on the decision patterns, the model has to select the potential alternative that each user would choose, the models have to be run several times to adjust their precision and to be able to select the alternative that best approximates reality. In this undergraduate thesis, what is sought is to propose a mobility alternative for the EIA University that allows mitigating the mobility problem that is currently presented, evaluating its viability with the help of data training models, which allow establishing the potential population that will make use of said mode of transport, in addition to comparing it with the other transport alternatives already existing in the university, in technical, economic and social factors. A differentiating aspect of this research project is its methodology, since it will allow the University to periodically evaluate the viability of existing modes of transport by simply updating the database that feeds the models to subsequently analyze the result they yield.