La predicción precisa del uso del transporte público es crucial para optimizar la planificación y gestión del tránsito en áreas urbanas que están en continuo crecimiento. A medida que aumenta inesperadamente el número de pasajeros, los vehículos pueden sobrecargarse, se alargan los tiempos de abordaje y las interrupciones del servicio se hacen más frecuentes. Tradicionalmente, se han utilizado los modelos de series temporales como ARIMA y SARIMA para llevar a cabo estas predicciones, las cuales son efectivas a largo plazo pero presentan ciertas limitaciones en el corto plazo. Estas restricciones se deben principalmente a su incapacidad para integrar características espaciales y temporales al mismo tiempo y porque no abordan adecuadamente los cambios dinámicos en los patrones de pasajeros en las ciudades canadienses en crecimiento.
Los modelos de aprendizaje profundo (DL) emergen como una alternativa prometedora, mostrando un rendimiento superior en predicciones a corto plazo al capturar eficazmente características espaciales y temporales. Uno de los avances recientes en este ámbito es el modelo híbrido denominado DST-TransitNet, diseñado para la predicción a nivel de estación dentro de todo un sistema de tránsito. Este innovador modelo combina redes neuronales de gráficos (GNN) y redes neuronales recurrentes (RNN) para integrar dinámicamente las correlaciones temporales y espaciales en las estaciones, logrando una precisión notable gracias a su estructura adaptable que puede descifrar patrones complejos en el flujo de pasajeros. Además, se ha optimizado con un marco de descomposición de series temporales que mejora tanto la precisión como la interpretabilidad del modelo.
Las pruebas realizadas en el sistema BRT de Bogotá, bajo tres escenarios sociales distintos, han demostrado que DST-TransitNet supera en precisión, eficiencia y robustez a los modelos más avanzados existentes. También mantiene una estabilidad destacable durante amplios intervalos de predicción, lo cual subraya su valor y aplicabilidad práctica a largo plazo. Así, se posiciona como una herramienta clave para las agencias de tránsito al permitirles optimizar la asignación de recursos, ajustar el despliegue de vehículos y programar frecuencias para satisfacer mejor los niveles esperados de pasajeros.
En resumen, DST-TransitNet no solo representa un avance significativo sobre los anteriores métodos de predicción, sino que además ofrece un enfoque diferenciado que permite manejar efectivamente las complejidades del tránsito moderno. Este enfoque sin duda representa una gran oportunidad para mejorar la eficiencia del transporte público, adaptándose a las necesidades cambiantes de las ciudades en constante crecimiento.