Mostrar el registro sencillo del documento

dc.rights.licenseAtribución-NoComercial 4.0 Internacional
dc.contributor.advisorMangones Matos, Sonia Cecilia
dc.contributor.authorPeña Pedreros, Sergio Alejandro
dc.date.accessioned2020-11-04T23:25:55Z
dc.date.available2020-11-04T23:25:55Z
dc.date.issued2020-07-08
dc.identifier.citationPeña, S. A. (2020) Generación de matrices OD por motivo de viaje a través de minería de datos de información de sistemas automáticos de recaudo de tarifa en transporte público: Caso TransMilenio, Colombia
dc.identifier.urihttps://repositorio.unal.edu.co/handle/unal/78586
dc.description.abstractThe use of Intelligent Transport Systems has created a new possibility for obtaining large volumes of data that can modify its operation. In the case of public transport systems, the information from the Automatic Fare Collection Systems plays an important role, since it can obtain information on the use of smart cards, data on the place of entry, value paid and the user's own characteristics. However, there is information derived from the trip that cannot be obtained directly from the data from the use of smart cards, such as the reason for the trip, is that from the validation information of the SITP trunk system ( TransMilenio), data processing and mining is carried out, travel matrices are built from chaining and the application of heuristics for their inference, in order to develop multinomial logit-type models, which obtain the reason for the trip, which are compared with the origin of destination household survey in Bogotá, D.C.
dc.description.abstractEl uso de los Sistemas Inteligentes de Transporte ha generado una nueva posibilidad para la obtención de grandes volúmenes de datos que permiten describir su funcionamiento. En el caso de los sistemas de transporte público, los Sistemas Automáticos de Recaudo de la tarifa, permiten obtener información del uso de las tarjetas inteligentes y datos del lugar de entrada, valor pagado y características del usuario. Estos datos soportan la obtención de información relevante para la planeación y operación de los sistemas de transporte público. No obstante, hay información derivada al viaje que no se puede obtener de forma directa de los datos del uso de tarjetas inteligentes, como el motivo del viaje. A partir de la información de validaciones del sistema troncal del SITP (TransMilenio), se realiza el procesamiento y minería de datos para construir matrices de viajes a partir del encadenamiento del viaje y la aplicación de heurísticas. Posteriormente, se aplican modelos tipo logit multinomial, que permitan estimar el motivo del viaje, los cuales son comparados con los patrones de viajes obtenidos a partir de la encuesta origen destino en hogares de Bogotá, D.C.
dc.format.extent113
dc.format.mimetypeapplication/pdf
dc.language.isospa
dc.rightsDerechos reservados - Universidad Nacional de Colombia
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/
dc.subject.ddc380 - Comercio , comunicaciones, transporte::388 - Transporte
dc.titleGeneración de matrices OD por motivo de viaje a través de minería de datos de información de sistemas automáticos de recaudo de tarifa en transporte público: Caso TransMilenio, Colombia
dc.typeOtro
dc.rights.spaAcceso abierto
dc.description.additionalLínea de Investigación: Movilidad y desarrollo tecnológico
dc.type.driverinfo:eu-repo/semantics/other
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dc.publisher.programBogotá - Ingeniería - Maestría en Ingeniería - Transporte
dc.contributor.researchgroupLogística para el transporte sostenible y la seguridad - TRANSLOGYT
dc.description.degreelevelMaestría
dc.publisher.branchUniversidad Nacional de Colombia - Sede Bogotá
dc.relation.referencesAlcaldia Mayor de Bogotá (2013) Capitulo de la infraestructura para los escenarios del sistema integrado de transporte público - SITP. Bogotá, D.C.
dc.relation.referencesAlsger, A. et al. (2016) ‘Validating and improving public transport origin-destination estimation algorithm using smart card fare data’, Transportation Research Part C: Emerging Technologies. Elsevier Ltd, 68, pp. 490–506. doi: 10.1016/j.trc.2016.05.004.
dc.relation.referencesAlsger, A. A. M. (2017) ‘Estimation of transit origin destination matrices using smart card fare data’, Ph. D. University of Queensland.
dc.relation.referencesBanco Interamericano de Desarrollo (2018) Disrupción exponencial en la economía digital. Washington, D.C. doi: 10.18235/0001068.
dc.relation.referencesBanco Mundial (2009) Una nueva geografía económica, Informe sobre el Desarrollo. Available at: http://siteresources.worldbank.org/INTWDR2009/Resources/WDR_OVERVIEW_ES_Web.pdf.
dc.relation.referencesBarry, J., Freimer, R. and Slavin, H. (2009) ‘Use of Entry-Only Automatic Fare Collection Data to Estimate Linked Transit Trips in New York City’, Transportation Research Record: Journal of the Transportation Research Board, 2112, pp. 53–61. doi: 10.3141/2112-07.
dc.relation.referencesChen, Z. and Fan, W. (2018) ‘Extracting bus transit boarding stop information using smart card transaction data’, Journal of Modern Transportation. Springer Berlin Heidelberg, 26(3), pp. 209–219. doi: 10.1007/s40534-018-0165-y.
dc.relation.referencesCONPES - 3167 (2002) ‘Política para mejorar el servicio de transporte público urbano de pasajeros’.
dc.relation.referencesDou, H.; Liu, H.; Yang, X. (2007) ‘OD Matrix Estimation Method of Public Transportation Flow Based on Passenger Boarding and Alighting. Comput. Commun.’, 25, 79–8.
dc.relation.referencesGreene, W. (2003) Econometric analysis. 5th edn. Edited by New Jersey: Prentice Hall. 2003.
dc.relation.referencesGuío Burgos, F. A. (2009) Caracterización y modelación de flujos peatonales en infraestructuras continuas - caso estudio Tunja - Colombia.
dc.relation.referencesGujarati, D. N. and Porter, D. C. (2010) Econometría. MCGRAW-HIL. Edited by MCGRAW-HILL. Available at: https://www.casadellibro.com/libro-econometria/9786071502940/1767935.
dc.relation.referencesJung, J. and Sohn, K. (2017) ‘Deep-learning architecture to forecast destinations of bus passengers from entry-only smart-card data’, IET Intelligent Transport Systems, 11(6), pp. 334–339. doi: 10.1049/iet-its.2016.0276.
dc.relation.referencesKumar Molugaram Rao, G. S. R. (2017) Statistical Techniques for Transportation Engineering. doi: 10.1016/S0925-4005(03)00443-X.
dc.relation.referencesLi, D. et al. (2011) ‘Estimating a Transit Passenger Trip Origin-Destination Matrix Using Automatic Fare Collection System’, in. Springer Berlin Heidelberg (Lecture Notes in Computer Science), pp. 502–513. doi: 10.1007/978-3-642-20244-5_48.
dc.relation.referencesLi, T. et al. (2018) ‘Smart card data mining of public transport destination: A literature review’, Information (Switzerland), 9(1), pp. 28–30. doi: 10.3390/info9010018.
dc.relation.referencesMicrosoft (2019) Conceptos de minería de datos. Available at: https://docs.microsoft.com/es-es/sql/analysis-services/data-mining/data-mining-concepts?view=sql-server-2017.
dc.relation.referencesMunizaga, M. A. and Palma, C. (2012) ‘Estimation of a disaggregate multimodal public transport Origin–Destination matrix from passive smartcard data from Santiago, Chile’, Transportation Research Part C: Emerging Technologies. Pergamon, 24, pp. 9–18. doi: 10.1016/J.TRC.2012.01.007.
dc.relation.referencesNassir, N. et al. (2011) ‘Transit Stop-Level Origin-Destination Estimation Through Use of Transit Schedule and Automated Data Collection System’, Transportation Research Record: Journal of the Transportation Research Board, 2263, pp. 140–150. doi: 10.3141/2263-16.
dc.relation.referencesNunes, A. A., Galvao Dias, T. and Falcao e Cunha, J. (2016) ‘Passenger Journey Destination Estimation From Automated Fare Collection System Data Using Spatial Validation’, IEEE Transactions on Intelligent Transportation Systems, 17(1), pp. 133–142. doi: 10.1109/TITS.2015.2464335.
dc.relation.referencesOrtúzar, J. de D. (2015) Modelos de demanda de transporte. (c) Edicio, Alfaomega, Ediciones UC, Pontificia Universidad Católica de Chile. (c) Edicio. Available at: http://www.alfaomega.com.co/modelos-de-demanda-de-transporte-5714.html.
dc.relation.referencesRus, G. de, Campos, J. and Nombela, G. (2002) Economía del transporte. Edited by Antoni Bosch.
dc.relation.referencesSAPORITI, E. M. (2016) New Horizons for a Data-Driven Economy. Springer O, Revista de la Asociacion Medica Argentina. Springer O. Edited by J. M. Cavanillas, E. Curry, and W. Wahlster. Cham: Springer International Publishing. doi: 10.1007/978-3-319-21569-3.
dc.relation.referencesSecop II (2018) Realizar la Encuesta de Movilidad, que comprende la Encuesta Origen-Destino de Hogares (EODH) y la Encuesta Origen-Destino de Interceptación (EODI) para Bogotá y los municipios vecinos de su área de influencia, y la actualización del modelo de transporte.
dc.relation.referencesTransMilenio S.A. (2018) TransMilenio en cifras - Agosto 2018, Web TransMilenio.
dc.relation.referencesAvailable at: https://www.transmilenio.gov.co/publicaciones/151075/estadisticas-de-oferta-y-demanda-bimensual-del-sistema-integrado-de-transporte-publico---sitp---noviembre---diciembre---2018/.
dc.relation.referencesTransMilenio S.A. (2019) Respuesta radicado Transmilenio S.A., No 2018ER37643.
dc.relation.referencesUnidad Administrativa Especial de Catastro Distrital (2019) Infraestructura de Datos Espaciales para el Distrito Capital, https://www.ideca.gov.co/. Available at: https://www.ideca.gov.co/.
dc.relation.referencesWang, W., Attanucci, J. and Wilson, N. (2011) ‘Bus Passenger Origin-Destination Estimation and Related Analyses Using Automated Data Collection Systems’, Journal of Public Transportation, 14(4), pp. 131–150. doi: 10.5038/2375-0901.14.4.7.
dc.relation.referencesWillumsen, L. G. (2014) Better traffic and revenue forecasting. doi: 978-0992843304.
dc.relation.referencesYu, J. and Yang, X. (2006) ‘Estimating a Transit Route OD Matrix from On-Off Data through an Artificial Neural Network Method’, in Applications of Advanced Technology in Transportation. Reston, VA: American Society of Civil Engineers, pp. 467–472. doi: 10.1061/40799(213)74.
dc.relation.referencesZhang, M.; Guo, Y.; Ma, Y. A. (2014) ‘Probability Model of Transit OD Distribution Based on the Allure of Bus Station.’, J. Transp. Inf. Saf., 32, 57–6.
dc.relation.referencesZhao, J., Rahbee, A. and Wilson, N. H. M. (2007) ‘Estimating a rail passenger trip origin-destination matrix using automatic data collection systems’, Computer-Aided Civil and Infrastructure Engineering, 22(5), pp. 376–387. doi: 10.1111/j.1467-8667.2007.00494.x.
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.subject.proposalMotivo de viaje
dc.subject.proposalOD matrices
dc.subject.proposalTransMilenio
dc.subject.proposalMatrices de viaje
dc.subject.proposalTransMilenio
dc.subject.proposalTravel chain method
dc.subject.proposalIncome (validations)
dc.subject.proposalMétodo de encadenamiento de viaje
dc.subject.proposalAutomatic Fare Collection system (AFC)
dc.subject.proposalSistemas automáticos de recaudo
dc.subject.proposalSmart cards
dc.subject.proposalTransporte masivo
dc.subject.proposalMassive transport
dc.subject.proposalTransporte urbano
dc.subject.proposalUrban transport
dc.type.coarhttp://purl.org/coar/resource_type/c_1843
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2


Archivos en el documento

Thumbnail

Este documento aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del documento

Atribución-NoComercial 4.0 InternacionalEsta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial 4.0.Este documento ha sido depositado por parte de el(los) autor(es) bajo la siguiente constancia de depósito