Opitz, DanielaGuzmán Vargas, FelipeVigorena Cortés, Effry2024-02-272024-02-272023https://hdl.handle.net/11447/8431Proyecto de grado presentado a la Facultad de Ingeniería de la Universidad del Desarrollo para optar al grado académico de Magíster en Data ScienceEn este capstone se realizó un análisis del impacto de la densidad y variedad de servicios urbanos en la afluencia de pasajeros en la red de transporte público de la Región Metropolitana. El objetivo fue identificar si los servicios de infraestructura son un factor decisivo para los usuarios de transporte público en un paradero específico. Para ello, se utilizó una extracción y transformación de datos con herramientas de BigData para manejar grandes volúmenes de datos de manera eficiente. Se realizó un Análisis Exploratorio de Datos (EDA) que reveló patrones y tendencias clave, fundamentales para el modelado predictivo, como la distribución geográfica desigual y su relación con diferentes tipos de servicios urbanos. A través de la comparación de distintos modelos de machine learning, se identificó el tipo de modelo que tiene un mejor ajuste a las características asociadas al paradero, como la ubicación geográfica, el tiempo de viaje y otras variables que tienen un impacto decisivo en el número de pasajeros que utilizan un paradero específico. Esto refleja tanto la afluencia de pasajeros como el número de viajes que salen desde ese paradero (demanda). Estos resultados no solo confirman la utilidad de los modelos de machine learning en el análisis del transporte público, sino que también como estos pueden aportar conocimientos esenciales para mejorar la planificación en la gestión de sistemas de transporte urbano que pudiesen lograr una movilidad más eficiente y sostenible en las ciudades.47 p.es070037SParaderos de busesInfraestructura de servicioTransporte públicoMovilidadEficienciaThesis