Machine learning aplicado à escolha de modo quando viagens são penalizadas pelo tempo (Atena Editora)

Abstract

La planificación de transporte requiere modelar la elección del modo de viaje para predecir la demanda y comprender las variables causales. Esta elección modal depende de una gran cantidad de variables, por lo que frecuentemente se han utilizado modelos de elección discreta, donde los modos de viaje son alternativas mutuamente excluyentes y conjuntas dentro de diversos marcos. El modelo Logit Multinomial (MNL) es el modelo de elección discreta más utilizado. Sin embargo, el MNL tiene varias limitaciones al suponer que la probabilidad de cada alternativa es independiente de las características del resto de las alternativas. Por otro lado, hay evidencia de que los algoritmos de aprendizaje automático o Machine Learning (ML) funcionan óptimamente para los enfoques estadísticos utilizados para la modelación de elección de modo de viaje, debido a que estos no hacen suposiciones drásticas sobre los datos estudiados y aprenden a representar relaciones no lineales y, en general complejas. Por otro lado, la estrategia de aplicar una racionalización del espacio vial disponible para el vehículo privado busca que los conductores de auto privado elijan otras alternativas para acceder a los centros urbanos debido a la penalización en tiempo que estos perciben. Con el fin de identificar el efecto de la demora en el tiempo de viaje causado por la restricción del espacio vial disponible para el vehículo privado en el centro urbano de la ciudad de Medellín-Colombia, se ha desarrollado un modelo de elección de modo de viaje a través de modelos de ML, permitiendo establecer con gran precisión la demanda al aplicar una política de gestión de tráfico limitando el espacio vial para el vehículo privado. Este enfoque demuestra el gran potencial que tienen los modelos de ML para predecir la elección modal, como una alternativa a los modelos de elección discreta.