Paz Roa, Juan CamiloMendoza Bautista, Wendy DayannaAmaya Garzón, Andrea EstefaníaRiaño Sepúlveda, Milena Andrea2025-02-252025-02-252024http://hdl.handle.net/11522/4539Bogotá, con más de siete millones de habitantes, enfrenta importantes desafíos en la eficiencia de su sistema de servicios de emergencia. A pesar de contar con 873 ambulancias, la congestión vehicular y la alta demanda provocan tiempos de respuesta superiores a los estándares internacionales. Este trabajo aborda preguntas clave como la identificación de datos relevantes, la selección y evaluación de modelos predictivos, y la representación efectiva de los resultados con el fin de mejorar la asignación de recursos y optimizar la calidad del servicio. El proyecto propone el diseño de un modelo predictivo espaciotemporal para prever la demanda diaria de servicios de emergencias en Bogotá. Se exploran diversos algoritmos de aprendizaje automático y modelos estadísticos, incluidos XGBoost, Random Forest, Redes Neuronales, y modelos de distribución Binomial Negativa, para capturar las dinámicas espaciotemporales. Los resultados esperados incluyen una base de datos completa y validada, una evaluación comparativa de modelos, el desarrollo de un modelo de pronóstico que contribuya a la reducción significativa de los tiempos de respuesta, y un tablero de control interactivo que presente pronósticos detallados.70 p.application/pdfspaEmergencias médicasEspaciotemporalDemandaEstadísticaAprendizaje AutomáticoMedical emergenciesSpatiotemporalDemandStatisticsMachine Learninghttp://purl.org/coar/resource_type/c_bdcchttps://creativecommons.org/licenses/by-nc-sa/4.0/http://purl.org/coar/access_right/c_abf2