Modelo Híbrido de Segmentación y Predicción de Flujo Vehicular en la Avenida “Las Aguas” en Guayaquil - Ecuador, utilizando K-Means y Random Forest

Abstract

El enfoque de este proyecto es el análisis y predicción del tráfico vehicular, una necesidad que se puede notar en las urbes que se encuentran en constante crecimiento o cambio las cuales están en un proceso de mejorar en la gestión de la movilidad urbana de manera constante. El objetivo principal es desarrollar un modelo híbrido de segmentación que permita identificar los patrones de tráfico y ayude a predecir el flujo vehicular. La metodología propuesta se basa en la combinación de técnicas de agrupamiento y aprendizaje supervisado. Se utiliza el algoritmo K-Means para segmentar los datos de tráfico, identificando patrones; diferenciando estados como el flujo fluido como lento o congestionado. También, se incorpora un modelo de Random Forest para la predicción del flujo vehicular. La fortaleza de Random Forest para la predicción no lineal, lo hace una elección adecuada para el análisis de los datos de tráfico. Además, se integran factores contextuales como variables climáticas, las cuales han demostrado que influyen en el comportamiento del tráfico y ayudan tener un mejor modelo predictivo...The focus of this project is the analysis and prediction of vehicular traffic—an increasingly pressing need in urban areas undergoing constant growth or transformation. These cities are continuously striving to improve the management of urban mobility. The primary objective is to develop a hybrid segmentation and prediction model capable of identifying traffic patterns and forecasting traffic flow. The proposed methodology is based on the integration of clustering and supervised learning techniques. Specifically, the K-Means algorithm is employed to segment traffic data, enabling the identification of distinct traffic states such as free-flowing, slow-moving, or congested conditions. In parallel, a Random Forest model is incorporated to perform traffic flow prediction. Given its strength in handling non-linear relationships and complex interactions, Random Forest is a suitable choice for modeling traffic behavior.Additionally, the model integrates contextual factors such as weather variables, which have been shown to significantly influence traffic dynamics. Including these variables contributes to building a more accurate and robust predictive model...