Comparación de modelos de predicción para estimar la demanda de viajes en radio taxis
Barra lateral del artículo
Contenido principal del artículo
Resumen
El sector de servicios de radio taxi enfrenta constantemente el reto de gestionar la demanda variable de viajes, lo que subraya la importancia de utilizar modelos predictivos para optimizar recursos y mejorar la calidad del servicio. Este artículo se enfoca en realizar un análisis comparativo entre tres modelos: ARIMA, Prophet y Random Forest. Se emplean medidas de evaluación robustas para identificar el enfoque más adecuado para predecir con precisión la demanda de viajes en el servicio de Radio Taxi de la Cooperativa Rápido Nacional. Los resultados revelan que ARIMA supera significativamente a los otros modelos, exhibiendo un error absoluto medio (MAE) de 1.46, un error cuadrático medio (MSE) de 4.71 y una raíz del error cuadrático medio (RMSE) de 2.17. Esto demuestra una consistencia y precisión superiores en sus predicciones en comparación con los modelos Prophet (MAE: 2.83, MSE: 14.62, RMSE: 3.82) y Random Forest (MAE: 3.27, MSE: 17.03, RMSE: 4.12). Este análisis resalta la eficacia de ARIMA en la predicción de la demanda de viajes en servicios de radio taxi, proporcionando información valiosa para mejorar la planificación y la eficiencia operativa.
##plugins.themes.bootstrap3.displayStats.downloads##
Detalles del artículo
Sección
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores/as conservan los derechos de autor de sus trabajos y conceden a la revista IDEAS el derecho de primera publicación. Los artículos se publican bajo la licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0), que permite leer, descargar, copiar, distribuir y compartir el contenido con fines no comerciales, siempre que se reconozca la autoría y la publicación original en la revista, sin realizar modificaciones ni crear obras derivadas. La revista IDEAS no aplica cargos por envío, procesamiento ni publicación de manuscritos, y garantiza el acceso abierto a sus contenidos.
Cómo citar
Referencias
R. Arteaga-Sánchez, M. Belda-Ruiz, A. Ros-Galvez, and A. Rosa-Garcia, “Why continue sharing: Determinants of behavior in ridesharing services,” International Journal of Market Research, vol. 62, no. 6, pp. 725–742, 2020.
B. Roy and D. Rout, “Predicting taxi travel time using machine learning techniques considering weekend and holidays,” in Advances in Computing and Data Sciences, 2022, pp. 258–267.
G. S. Bauer, A. Phadke, J. B. Greenblatt, and D. Rajagopal, “Electrifying urban ridesourcing fleets at no added cost through efficient use of charging infrastructure,” Transportation Research Part C, vol. 105, pp. 385–404, 2019.
T. Lyu, P. Wang, Y. Gao, and Y. Wang, “Research on the big data of traditional taxi and online car-hailing: A systematic review,” Journal of Traffic and Transportation Engineering, vol. 8, no. 1, pp. 1–34, 2021.
V. Cuevas, M. Estrada, and J. M. Salanova, “Management of on-demand transport services in urban contexts. barcelona case study,” Transportation Research Procedia, vol. 13, pp. 155–165, 2016.
J. Aarhaug and K. Skollerud, “Taxi: Different solutions in different segments,” Transportation Research Procedia, vol. 1, no. 1, pp. 276–283, 2014.
R. Goyal, C. Reiche, C. Fernando, and A. Cohen, “Advanced air mobility: Demand analysis and market potential of the airport shuttle and air taxi markets,” Sustainability, vol. 13, no. 13, p. 7421, 2021.
A. Thakur and D. S. Monga, “Taxi demand forecasting utilizing neighbourhood influence based on ensemble learning,” International Journal for Research in Applied Science and Engineering Technology, vol. 10, no. 5, pp. 894–900, 2022.
K. Zhao, D. Khryashchev, and H. Vo, “Predicting taxi and uber demand in cities: Approaching the limit of predictability,” IEEE Transactions on Knowledge and Data Engineering, vol. 33, no. 6, pp. 2723–2736, 2021.
M. Odeh, “Taxi trips prediction and bus capacity coverage analysis,” 2020.
M. S. Jamil and S. Akbar, “Taxi passenger hotspot prediction using automatic arima model,” in ICSITech, 2017, pp. 23–28.
Z. Liu, H. Chen, X. Sun, and H. Chen, “Data-driven real-time online taxi-hailing demand forecasting based on machine learning method,” Applied Sciences, vol. 10, no. 19, p. 6681, 2020.
S. Rajendran, S. Srinivas, and T. Grimshaw, “Predicting demand for air taxi urban aviation services using machine learning algorithms,” Journal of Air Transport Management, vol. 92, p. 102043, 2021.
S.-H. Choi and M.-K. Han, “The empirical evaluation of models predicting bike sharing demand,” in ICTC, 2020, pp. 1560–1562.
B. R. P´erez-Guti´errez, “Comparación de técnicas de minería de datos para identificar indicios de deserción estudiantil,” Revista UIS Ingenierías, vol. 19, no. 1, pp. 193–204, 2020.
L. I. Pérez, P. C. Millán, V. I. L. de Sabando, and P. Casares, “Impacto de los shocks externos en el transporte aéreo,” Anales ASEPUMA, vol. 28, p. 6, 2020.
A. Maltas, H. Ozen, and A. Saracoglu, “Methodology to detect bus stop influence zones utilizing facebook prophet changepoint detection method,” KSCE Journal of Civil Engineering, vol. 27, no. 10, pp. 4472–4484, 2023.
S. Rashidibajgan and T. Hupperich, “Improving the performance of opportunistic networks using machine learning techniques,” Journal of Sensor and Actuator Networks, vol. 11, no. 4, p. 61, 2022.
J. López, “Análisis de series de tiempo pronóstico de demanda de uso de aeropuertos en argentina,” 2018.
M. e. a. Aghaabbasi, “Predicting the use frequency of ride-sourcing by off-campus university students,” Transportation Research Part A, vol. 136, pp. 262–281, 2020.
S. e. a. Salcedo-Sanz, “Analysis, characterization, prediction, and attribution of extreme atmospheric events,” Theoretical and Applied Climatology, 2023.
X. Li, H. Wang, P. Sun, and H. Zu, “Spatiotemporal features—extracted travel time prediction leveraging gcn,” Sustainability, vol. 13, no. 3, p. 1253, 2021.
J. e. a. Liu, “Short-term forecasting of emerging on-demand ride services,” in ICTIS, 2017, pp. 489–495.
M. M. Ibrahim and F. S. Mubarek, “Improving prediction for taxi demand by using machine learning,” in DeSE, 2023, pp. 451–456.
S. J. Taylor and B. Letham, “Business time series forecasting at scale,” PeerJ Preprints, 2017.
X. Yan, X. Liu, and X. Zhao, “Using machine learning for direct demand modeling of ridesourcing services in chicago,” Journal of Transport Geography, vol. 83, p. 102661, 2020.