DSpace logo

Please use this identifier to cite or link to this item: https://repositorio.uide.edu.ec/handle/37000/9881
Full metadata record
DC FieldValueLanguage
dc.contributor.authorOrtega Campues, Jhon Henry-
dc.contributor.authorRamos Mayorga, Oscar Andrés-
dc.contributor.authorTorres Chango, Christian Damian-
dc.contributor.authorVenegas Espinosa, Marcela Azucena (tutor)-
dc.contributor.authorVizcaino Imacaña, Fernanda Paulina (tutor)-
dc.date.accessioned2026-09-09T16:17:14Z-
dc.date.available2026-09-09T16:17:14Z-
dc.date.issued2026-
dc.identifier.citationOrtega Campues, Jhon Henry; Ramos Mayorga, Oscar Andrés; Torres Chango, Christian Damian. (2026). Comparación de modelos de aprendizaje automático para predecir el tiempo de llegada entre paradas en el sistema BRT Ecovía de Quito utilizando registros históricos de GPS. Maestría en inteligencia Artificial aplicada. UIDE. Quito. 119 p.es
dc.identifier.otherUIDE-Q-TMIAR-2026-06-
dc.identifier.urihttps://repositorio.uide.edu.ec/handle/37000/9881-
dc.description.abstractEl sistema Ecovía de Quito, como parte del transporte público urbano, enfrenta un problema cotidiano: los buses no siempre llegan a las paradas en los tiempos que indica el horario programado, lo que genera incertidumbre en los usuarios y complica la gestión operativa del corredor. Esta variabilidad responde a múltiples factores como el tráfico, las condiciones de la vía y la demanda de pasajeros en cada franja horaria. Para abordar este problema, el presente trabajo compara seis modelos de aprendizaje automático: promedio histórico, regresión lineal, HistGradientBoosting, XGBoost, LSTM y GRU, entrenados con registros históricos de GPS generados por las propias unidades del sistema...The Ecovía bus rapid transit system in Quito faces a persistent operational challenge: buses frequently deviate from their scheduled arrival times, generating uncertainty for passengers and complicating corridor management. This variability stems from multiple interacting factors, including traffic congestion, road conditions, and fluctuating passenger demand throughout the day.To address this challenge, this study compares six machine learning models—historical mean, linear regression, HistGradientBoosting, XGBoost, LSTM, and GRU—trained on historical GPS data collected by the system’s own fleet...es
dc.language.isoeses
dc.publisherQUITO/UIDE/2026es
dc.rightsopenAccesses
dc.subjectAPRENDIZAJE AUTOMÁTICOes
dc.subjectCOMPARACIÓN DE MODELOSes
dc.subjectPREDICCIÓN DEL TIEMPO DE LLEGADAes
dc.subjectTRANSPORTE BRTes
dc.titleComparación de modelos de aprendizaje automático para predecir el tiempo de llegada entre paradas en el sistema BRT Ecovía de Quito utilizando registros históricos de GPSes
dc.typeThesises
Appears in Collections:Tesis - Maestría - Inteligencia Artificial Aplicada

Files in This Item:
File Description SizeFormat 
UIDE-Q-TMIAR-2026-06.pdfTESIS A TEXTO COMPLETO1.68 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.