Predicción de horas de llegada de buses

CC5214 Proyecto de Ciencia de Datos

Descripción

Transapp es una aplicación que te permite consultar el tiempo de espera de los buses de transantiago y ver dónde vienen en el mapa. También te permite reportar cualquier problema que encuentres en el bus o paradero y ver lo que otros usuarios han reportado.

La métrica utilizada hoy en día para estimar horario de llegada es ofrecida como un servicio de www.sonda.com y les entrega un intervalo de tiempo en vez de una hora estimada. Esto dificulta la comparación entre buses.

Objetivo

Desarrollar una nueva métrica para estimar el tiempo de llegada de los buses a los paraderos o puntos específicos de la ruta.

Instalación

Requisitos

• cython==0.29.13
• matplotlib==3.3.1
• numpy==1.19.2
• pandas==1.1.2
• pytorch==1.7.0
• scipy==1.5.2
• seaborn==0.11.0

Modo de uso

Para lograr crear un modelo de predicción de tiempos de espera se debe proceder como sigue:

1. Ejecutar archivo visualizacion.ipynb (opcional): este archivo permite obtener una primera mirada a los datos con respecto a su contenido, además de información estadística básica.
2. Ejecutar archivo procesamiento.ipynb: este archivo utiliza el módulo de limpieza para preparar la base de datos y posteriormente crear nuevas columnas útiles para la predicción. En este paso se realiza la filtración por expedición y pareamiento de puntos, además de la creación de la columna objetivo diferencia de tiempo. Es importante notar que en el contexto del curso, este notebook recibe la base de datos previamente filtrada con los servicios de interés y ese paso no está incluido en el código.
3. Ejecutar archivo codificacion_servicios.ipynb: en este paso se realiza la codificación de los servicios para poder utilizarlos como feature en la regresión. Correr sólo en caso de utilizar otros servicios distintos a los considerados relevantes durante este proyecto.
4. Ejecutar notebooks regersion_lineal_polinomial.ipynb y random_forest.ipynb: en este último paso se entrenan, validan y testean los modelos, obteniendo errores MAE, MRS y R2 por intervalo de tiempo.
5. En la carpeta redes neuronales se encuentran notebooks donde se implementan arquitecturas con distintas variaciones, además están disponibles los checkpoints de las distintas pruebas.

Features disponibles

La siguiente lista contiene las features disponibles para el entrenamiento de los modelos:

• DistanciaInicio1 y DistanciaInicio2
• DistanciaRuta1 y DistanciaRuta2
• Latitud1 y Latitud2
• Longitud1 y Longitud2
• dia_habil1 y dia_habil2
• Servicio
• exp_id
• Diferencia

Las columnas que se repiten (1 y 2) se deben a que existen dos pulsos por fila (ya que previamente fueron pareados, ver punto 3 del modo de uso). Servicio, exp_id hay sólo una, pues sólo se parean entre sí puntos de una misma expedición y sólo pertenecen a la misma expedición puntos del mismo servicio.

Diferencia corresponde a la columna de diferencia de tiempo entre los dos pulsos pareados. Esta es la columna que se busca predecir.

Observaciones

1. La descripción detallada de la base de datos se encuentra en el archivo descripcion.txt
2. Para todos los modelos se elimina la columna exp_id antes de entrenar.
3. En la primera instancia, las regresiones y el random forest se entrenan sólo con la diferencia de la distancia inicio (DistanciaInicio2-DistanciaInicio1) de los puntos pareados, mientras que la red neuronal se entrena con todas las features disponibles.
4. Para entrenar el modelo sólo utilizando el servicio 401, los modelos de regresión y random forest se entrenan con todas las features disponibles excepto servicio, latitud y longitud, mientras que la red neuronal nuevamente se entrena con todo lo disponible.
5. En todos los casos la columna llamada 'Diferencia' es la columna que se utiliza de target (lo que queremos predecir)