¿Cuánto falta? Modelos predictivos del tiempo de llegada de autobuses

• Autores: Miccio Palermo, Nicolás; Armentano, Marcelo G.; Tommasel, Antonela
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ciencias Informáticas; Transporte público; Redes neuronales; Movilidad urbana; Public transportation; Deep learning; Urban mobility
• Institución: Universidad Nacional de La Plata

Predecir con precisión los tiempos de llegada de los autobuses es fundamental para mejorar la movilidad urbana y optimizar los servicios de transporte público. Las demoras y la incertidumbre en los horarios generan frustración en los pasajeros y dificultan la planificación eficiente de los viajes. En este contexto, contar con estimaciones confiables y en tiempo real sobre los tiempos de llegada puede ayudar a los usuarios a reducir la espera y tomar decisiones informadas. Este trabajo analiza distintos enfoques predictivos, incluyendo Regresión Lineal, ARIMA, redes LSTM (Long Short-Term Memory) y GRU (Gated Recurrent Units), para estimar los tiempos de llegada a partir de datos reales de GPS de autobuses en la ciudad de Tandil (Buenos Aires, Argentina). Los resultados experimentales mostraron que los modelos de aprendizaje profundo, en particular LSTM, superan significativamente a los enfoques tradicionales, lo que resalta su potencial para optimizar los sistemas de transporte público. Además del desarrollo y evaluación de los modelos predictivos, se diseño e implementó una aplicación móvil que integra estas predicciones y ofrece a los usuarios información en tiempo real sobre los horarios estimados de llegada y posibles demoras.
Predicting bus arrival times accurately is essential for improving urban mobility and enhancing public transportation services. Delays and uncertainty in bus schedules can lead to passenger frustration and inefficient travel planning. In this context, providing real-time, reliable arrival time estimates can help commuters reduce waiting times and make informed decisions. This work explores different predictive approaches, including Linear Regression, ARIMA, Long Short-Term Memory (LSTM), and gated recurrent units (GRU), to estimate bus arrival times based on real-world bus GPS data from the city of Tandil (Buenos Aires, Argentina). Experimental results demonstrate that deep learning models, particularly LSTM, can significantly outperform traditional approaches, highlighting their potential to optimize public transportation systems. In addition to developing predictive models, we provide a mobile application that integrates the prediction models, offering users real-time information on bus arrival times.
Sociedad Argentina de Informática e Investigación Operativa