Browsing by Subject "Long short-term memory (LSTM)"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Predicción dinámica del bus bunching en el componente troncal del sistema TransMilenio
    (Pontificia Universidad Javeriana Cali, 2026) Ríos Hernández, Cristian Yesid; Pabón Burbano, María Constanza
    Sistema de predicción anticipada de un fenómeno operativo recurrente en redes de servicio de alta frecuencia, formulado como un problema de clasificación binaria supervisada con horizonte múltiple. El trabajo se apoyó en una arquitectura de procesamiento de datos por capas que integró ~270 millones de registros provenientes de múltiples fuentes operativas, garantizando la ausencia de fuga de información mediante una partición temporal estricta y el cálculo exclusivo de parámetros de transformación sobre el conjunto de entrenamiento. A partir de esta base, se diseñaron 42 variables predictoras organizadas en cuatro familias funcionales: dinámica temporal local, demanda y operación del servicio, estado agregado de la red en el entorno inmediato y propagación espacio-temporal del fenómeno aguas arriba. El desbalance severo de clases (6% clase positiva) se abordó mediante estrategias específicas por modelo, y la evaluación se basó en métricas informativas bajo desbalance: PR-AUC y F1. Se compararon tres familias de modelos — métodos de kernel (LS-SVM), ensambles de árboles de gradiente (XGBoost) y redes recurrentes con mecanismo de atención (LSTM+Bahdanau) — bajo una estrategia de predicción directa multi-horizonte que evita la propagación de errores característica de la estrategia recursiva. La búsqueda de hiperparámetros se realizó mediante optimización bayesiana con presupuestos diferenciados por modelo según su costo computacional. El modelo seleccionado alcanzó PR-AUC = 0,671 y F1 = 0,593 en el horizonte inmediato (~5,7 minutos de anticipación), con degradación progresiva a horizontes mayores. El análisis de interpretabilidad mediante ganancia, valores SHAP y experimentos de eliminación reveló que las variables que describen el estado espacio-temporal del entorno inmediato concentran el mayor peso predictivo, resultado consistente entre los tres métodos de medición. El análisis de robustez identificó sensibilidad significativa ante perturbaciones en las mediciones de entrada superiores al 1% de su rango natural, lo que establece un requisito de precisión operativa para el despliegue efectivo del sistema.