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.contributor.advisorMangones Matos, Sonia Ceciliaspa
dc.contributor.authorPeña Pedreros, Sergio Alejandrospa
dc.contributor.researchgroupLogística para el transporte sostenible y la seguridad - TRANSLOGYTspa
dc.date.accessioned2020-11-04T23:25:55Zspa
dc.date.available2020-11-04T23:25:55Zspa
dc.date.issued2020-07-08spa
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.spa
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.spa
dc.description.additionalLínea de Investigación: Movilidad y desarrollo tecnológicospa
dc.description.degreelevelMaestríaspa
dc.format.extent113spa
dc.format.mimetypeapplication/pdfspa
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, Colombiaspa
dc.identifier.urihttps://repositorio.unal.edu.co/handle/unal/78586
dc.language.isospaspa
dc.publisher.branchUniversidad Nacional de Colombia - Sede Bogotáspa
dc.publisher.programBogotá - Ingeniería - Maestría en Ingeniería - Transportespa
dc.relation.referencesAlcaldia Mayor de Bogotá (2013) Capitulo de la infraestructura para los escenarios del sistema integrado de transporte público - SITP. Bogotá, D.C.spa
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.spa
dc.relation.referencesAlsger, A. A. M. (2017) ‘Estimation of transit origin destination matrices using smart card fare data’, Ph. D. University of Queensland.spa
dc.relation.referencesBanco Interamericano de Desarrollo (2018) Disrupción exponencial en la economía digital. Washington, D.C. doi: 10.18235/0001068.spa
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.spa
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.spa
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.spa
dc.relation.referencesCONPES - 3167 (2002) ‘Política para mejorar el servicio de transporte público urbano de pasajeros’.spa
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.spa
dc.relation.referencesGreene, W. (2003) Econometric analysis. 5th edn. Edited by New Jersey: Prentice Hall. 2003.spa
dc.relation.referencesGuío Burgos, F. A. (2009) Caracterización y modelación de flujos peatonales en infraestructuras continuas - caso estudio Tunja - Colombia.spa
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.spa
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.spa
dc.relation.referencesKumar Molugaram Rao, G. S. R. (2017) Statistical Techniques for Transportation Engineering. doi: 10.1016/S0925-4005(03)00443-X.spa
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.spa
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.spa
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.spa
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.spa
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.spa
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.spa
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.spa
dc.relation.referencesRus, G. de, Campos, J. and Nombela, G. (2002) Economía del transporte. Edited by Antoni Bosch.spa
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.spa
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.spa
dc.relation.referencesTransMilenio S.A. (2018) TransMilenio en cifras - Agosto 2018, Web TransMilenio.spa
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/.spa
dc.relation.referencesTransMilenio S.A. (2019) Respuesta radicado Transmilenio S.A., No 2018ER37643.spa
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/.spa
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.spa
dc.relation.referencesWillumsen, L. G. (2014) Better traffic and revenue forecasting. doi: 978-0992843304.spa
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.spa
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.spa
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.spa
dc.rightsDerechos reservados - Universidad Nacional de Colombiaspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.licenseAtribución-NoComercial 4.0 Internacionalspa
dc.rights.spaAcceso abiertospa
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/spa
dc.subject.ddc380 - Comercio , comunicaciones, transporte::388 - Transportespa
dc.subject.proposalMotivo de viajespa
dc.subject.proposalOD matriceseng
dc.subject.proposalTransMilenioeng
dc.subject.proposalMatrices de viajespa
dc.subject.proposalTransMileniospa
dc.subject.proposalTravel chain methodeng
dc.subject.proposalIncome (validations)eng
dc.subject.proposalMétodo de encadenamiento de viajespa
dc.subject.proposalAutomatic Fare Collection system (AFC)eng
dc.subject.proposalSistemas automáticos de recaudospa
dc.subject.proposalSmart cardseng
dc.subject.proposalTransporte masivospa
dc.subject.proposalMassive transporteng
dc.subject.proposalTransporte urbanospa
dc.subject.proposalUrban transporteng
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, Colombiaspa
dc.typeTrabajo de grado - Maestríaspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdccspa
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/masterThesisspa
dc.type.versioninfo:eu-repo/semantics/acceptedVersionspa
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa

Archivos

Bloque original

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
1049618544.2020.pdf
Tamaño:
4.95 MB
Formato:
Adobe Portable Document Format

Bloque de licencias

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
license.txt
Tamaño:
3.8 KB
Formato:
Item-specific license agreed upon to submission
Descripción: