Los modelos de distribución de viajes

1. Objetivos Específicos

1. Diseñar y entrenar un modelo de aprendizaje automático capaz de generar y distribuir viajes en el área metropolitana, utilizando como características datos demográficos, socio económicos, de infraestructura y de movilidad de la población obtenido de encuestas.

1. Metodología

1.  Identificación de alternativas

1. Determinación de algoritmos

Los modelos de distribución de viajes son herramientas utilizadas en la planificación del transporte y la movilidad urbana para predecir y entender cómo se distribuyen los viajes entre diferentes orígenes y destinos en una región determinada. Dentro de estos algoritmos pueden estar:

 Supervisado:

• Regresión Logística: Útil para modelar la probabilidad de que ocurra un evento (por ejemplo, la elección de un modo de transporte) en función de variables predictoras.
• Árboles de Decisión: Pueden ser útiles para modelar decisiones complejas basadas en múltiples criterios.
• Máquinas de Vectores de Soporte (SVM): Buenas para problemas de clasificación binaria o multiclase, donde los datos pueden no ser linealmente separables.

No Supervisado:

• K-Means: Puede ser utilizado para agrupar viajes similares en función de características compartidas, como la distancia o el tiempo de viaje.

• Análisis de Componentes Principales (PCA): Útil para reducir la dimensionalidad de los datos y encontrar patrones subyacentes en conjuntos de datos de viajes.

Semi-Supervisado:

• Métodos de Propagación de Etiquetas: Pueden ser útiles cuando solo una fracción de los datos está etiquetada, permitiendo la propagación de información entre datos etiquetados y no etiquetados.
• Aprendizaje Semi-Supervisado basado en Grafos: Aprovecha la estructura de los datos y las relaciones entre ellos para mejorar la clasificación con etiquetas limitadas.

1. Modelación

1. Selección de herramientas de entrenamiento

Python es un lenguaje de programación ampliamente utilizado en el campo del aprendizaje automático debido a su flexibilidad, facilidad de uso y la disponibilidad de una amplia gama de librerías especializadas. Algunas de las librerías más populares para el aprendizaje automático en Python son:

• scikit-learn: Es una librería de aprendizaje automático de código abierto que proporciona herramientas simples y eficientes para el análisis predictivo y la minería de datos. Contiene una variedad de algoritmos de clasificación, regresión, clustering, entre otros, así como utilidades para preprocesamiento de datos y evaluación de modelos.
• TensorFlow y Keras: TensorFlow es una plataforma de código abierto para el aprendizaje automático desarrollada por Google, mientras que Keras es una interfaz de alto nivel que permite construir y entrenar redes neuronales de manera más sencilla. Estas herramientas son especialmente útiles si se desea implementar modelos de redes neuronales.
• Pandas y NumPy: Pandas proporciona estructuras de datos y herramientas de análisis de datos fácil de usar para trabajar con datos tabulares, mientras que NumPy ofrece soporte para arreglos multidimensionales y operaciones matemáticas, lo que resulta fundamental para el preprocesamiento de datos.
• Matplotlib y Seaborn: Estas librerías son útiles para la visualización de datos, lo que es importante para comprender la distribución y relaciones entre las características, así como para presentar los resultados del modelo de forma efectiva.

1. Diseño de estructura de interpretación y proceso modelo con el 75%

1. Métricas de Evaluación:

• Precisión: Se evaluará la precisión del modelo en sus predicciones.
• Cobertura: Se garantizará que el modelo pueda representar una amplia variedad de escenarios de distribución de viajes.
• Tiempo de Ejecución: Se buscará que el modelo genere y distribuya los viajes en un tiempo razonable para su aplicación.
• Escalabilidad: Se verificará que el modelo pueda manejar conjuntos de datos de mayor tamaño o cambios en la complejidad del problema.

2. Flexibilidad y Adaptabilidad:

• Generalización: Se buscará que el modelo pueda realizar predicciones precisas sobre datos no vistos durante el entrenamiento.
• Adaptabilidad: Se evaluará la capacidad del modelo para adaptarse a cambios en las condiciones demográficas, socioeconómicas o de infraestructura.

3. Interpretabilidad:

• Explicabilidad: Se buscará entender y explicar las decisiones y predicciones del modelo.
• Interpretación de Características: Se analizará cómo las características utilizadas por el modelo afectan sus predicciones.

4. Robustez y Fiabilidad:

• Sensibilidad al Ruido: Se verificará que el modelo mantenga su rendimiento frente a datos ruidosos o inexactos.
• Estabilidad Temporal: Se asegurará que el modelo mantenga su precisión a lo largo del tiempo.

5. Costos y Recursos:

• Costo Computacional: Se evaluará la cantidad de recursos computacionales necesarios para entrenar y ejecutar el modelo.
• Costo de Implementación: Se estimará el costo asociado con la implementación y mantenimiento del modelo.

1. Diferenciado de la red neuronal entregada

Se describe el enfoque para diferenciar la red neuronal entregada y adaptarla a los requisitos específicos del proyecto de distribución de viajes en el área metropolitana.

1. Evaluación de la Red Neuronal Entregada:

• Analizar el rendimiento de la red neuronal proporcionada.

1. Identificación de Deficiencias y Requisitos Adicionales:

• Determinar las limitaciones y requisitos específicos del proyecto para mejorar la red neuronal.

1. Adaptación de la Red Neuronal:

• Ajustar hiperparámetros y reentrenar la red neuronal con datos específicos del proyecto.

1. Validación y Evaluación del Modelo Adaptado:

• Validar el modelo adaptado utilizando técnicas de validación cruzada y pruebas de rendimiento.

1. Documentación y Comunicación de Resultados:

• Documentar el proceso de adaptación y presentar los resultados destacando las mejoras obtenidas.

1. Análisis de Alternativas

1. Testeo de la red artificial

• Implementación y evaluación de otros modelos de aprendizaje automático, como árboles de decisión o regresión logística.
• Identificar fortalezas y debilidades de la red neuronal entregada en términos de precisión y eficiencia.
• Determinar si la red neuronal es la mejor opción para el proyecto en comparación con otros modelos.

2.4.2 Selección de algoritmo

• Implementar y evaluar varios algoritmos utilizando los mismos conjuntos de datos de prueba.
• Comparar la precisión, eficiencia y otros criterios relevantes entre los diferentes algoritmos.
• Elegir el algoritmo que mejor se ajuste a los criterios establecidos y que sea más adecuado para las necesidades del proyecto de distribución de viajes.

Técnicas de validación cruzada:

1. K-Fold: Divide el conjunto de entrenamiento en K folds, entrena el modelo K veces usando K-1 folds para entrenar y el fold restante para validar. Promedia el error de las K iteraciones.

...