Modelos predictivos para un problema de reparto modal

Abstract

[ES] Este trabajo se centra en el análisis del modelo de reparto modal, que se utiliza principalmente en el ámbito del transporte, a través de la teoría de la utilidad aleatoria. En particular, se explora el modelo logit multinomial (MNL) para comprender cómo los usuarios eligen los modos de transporte al desplazarse de un lugar a otro, y cuáles son los criterios que tienen en cuenta para tomar estas decisiones. Con el objetivo de lograr un mejor ajuste, se llevaron a cabo diversas pruebas y transformaciones en las variables explicativas de los modelos. Sin embargo, estas modificaciones permitieron identificar la combinación de criterios que mejor se ajusta a los comportamientos observados en la elección del modo de transporte. Además, para evaluar la capacidad predictiva del modelo Logit Multinomial, se compara con los modelos Random Forest y Redes Neuronales. La implementación de los modelos Logit se realizó utilizando el lenguaje de programación Python, en particular, se empleó la librería Biogeme, que proporciona las herramientas necesarias para conseguir la estimación de los parámetros de estos modelos. Además, se desarrolló una clase de Python llamada "Logit_model_pred", que permite obtener las predicciones generadas por los modelos logit, además de una serie de gráficos e informes de otras librerías y de elaboración propia, un gráfico comparativo que muestra el comportamiento predictivo de los diferentes modelos analizados. En base a los resultados obtenidos y al análisis comparativo, se llega a la conclusión de que el modelo Logit Multinomial presenta una capacidad predictiva significativamente menor en comparación con los modelos Random Forest y Redes Neuronales. Estos últimos modelos, al utilizar enfoques más complejos y flexibles, logran una mayor precisión en la predicción del modo de transporte elegido por los usuarios.

[EN] the modal split model, which is primarily used in the field of transportation, through the theory of random utility. In particular, we explore the Multinomial Logit (MNL) model to understand how users choose their mode of transportation when traveling from one place to another, and what criteria they consider in making these decisions. In order to achieve a better fit, several tests and transformations were performed on the explanatory variables of the models. However, these modifications allowed us to identify the combination of criteria that best aligns with the observed behaviors in mode choice. Additionally, to assess the predictive ability of the Multinomial Logit model, was compared with the Random Forest and Neural Network models. The implementation of the Logit models was done using the Python programming language, specifically utilizing the Biogeme library, which provides the necessary tools to estimate the parameters of theese models. Furthermore, a Python class called "Logit_model_pred" was developed to obtain the predictions generated by the models, along with a series of graphs and reports from other libraries as well as custom-made ones. Additionally, a comparative graph is included to showcase the predictive behavior of the different models analyzed. Based on the obtained results and comparative analysis, we conclude that the Multinomial Logit model exhibits a significantly lower predictive ability compared to the Random Forest and Neural Network models. The latter models, by employing more complex and flexible approaches, achieve higher precision in predicting the mode of transportation chosen by users.