Machine learning aplicado à escolha de modo quando viagens são penalizadas pelo tempo
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.
Machine learning aplicado à escolha de modo quando viagens são penalizadas pelo tempo
-
DOI: 10.22533/at.ed.3173182302065
-
Palavras-chave: Gestão de demanda, modelos de demanda de transporte, algoritmos de Machine Learning.
-
Keywords: Demand management, transport demand models, Machine Learning algorithms.
-
Abstract:
Transportation planning requires modeling travel mode choice to predict demand and understand causal variables. This modal choice depends on a large number of variables, which is why discrete choice models have often been used, where travel modes are mutually exclusive and joint alternatives within various frameworks. The Multinomial Logit (MNL) model is the most widely used discrete choice model. However, the MNL has several limitations when assuming that the probability of each alternative is independent of the characteristics of the rest of the alternatives. On the other hand, there is evidence that machine learning (ML) algorithms work optimally for statistical approaches used for travel mode choice modeling, because they do not make drastic assumptions about the data studied and learn to represent non-linear and, in general, complex relationships. On the other hand, the strategy of applying a rationalization of the road space available for private vehicles seeks that private car drivers choose other alternatives to access urban centers due to the time penalty they perceive. In order to identify the effect of the delay in travel time caused by the restriction of the road space available for private vehicles in the urban downtown of the city of Medellin-Colombia, a travel mode choice model has been developed through ML models, allowing demand to be established with great precision by applying a traffic management policy limiting road space to private vehicles. This approach demonstrates the great potential of ML models to predict modal choice, as an alternative to discrete choice models.
- Andrés Pava Restrepo
- Iván Reinaldo Sarmiento Ordosgoitia
- Juan Diego Pineda Jaramillo
