Resumen de Design, Analysis and Detection of Urban Mobility Patterns in Guayaquil through Supervised Learning Algorithms

Jefferson Eduardo Cabrera Amaiquema

• español

  Este trabajo explora la utilización de datos de trayectorias GPS (GitHub) y algoritmos de aprendizaje supervisado para analizar los patrones de movilidad en la ciudad de Guayaquil, Ecuador. El análisis revela que la identificación de patrones es crucial para mejorar la planificación urbana y optimizar el transporte público a partir de 2024. La metodología incluye la recolección de datos de diversas fuentes de acceso abierto, preprocesamiento de datos y el uso de un Random Forest Classifier para detectar patrones de movilidad. Los resultados indican una precisión del modelo del 50%, abriendo la posibilidad de que futuras investigaciones optimicen el modelo y recolecten más datos para mejorar su rendimiento y proponer nuevas startups para la ciudad. Los datos compilados apoyan la implementación de la tarjeta única para el transporte público (TUT), que moderniza y unifica el sistema de pago.Se concluye que la integración de datos de apps como Waze y Moovit es crucial para una planificación urbana eficiente y sostenible, y que el aprendizaje supervisado es una herramienta efectiva para el análisis de movilidad urbana, dejando abierta la posibilidad de explorar datos adicionales y otros algoritmos para mejorar la precisión de los modelos y la generación de nuevas rutas de movilidad.

• English

  This work explores the use of GPS trajectory data (Git Hub) and supervised learning algorithms to analyze mobility patterns in the city of Guayaquil-Ecuador. The analysis reveals that identifying mobility patterns is crucial to improve urban planning and optimize public transport in terms of its innovations from 2024. The methodology has included data collection from various open access sources, data preprocessing and the use of a Random Forest Classifier to detect mobility patterns. The results indicate a model accuracy of 50%, opening the possibilities for future specialized research to optimize the model and collect more data to improve its performance and propose new StartUPS for the city. The data compiled supports the implementation of the Single Card for Public Transport (TUT), which modernizes and unifies the payment system, facilitating the collection of essential data for analysis. The research concludes that the integration of data from applications such as Waze and Moovit is crucial for efficient and sustainable urban planning and that supervised learning algorithms are effective tools for urban mobility analysis and leaving open the possibility of exploring additional data and other algorithms to improve the accuracy of models and the generation of new mobility routes.

• português

  Este trabalho explora o uso de dados de trajetória GPS (GitHub) e algoritmos de aprendizado supervisionado para analisar padrões de mobilidade na cidade de Guayaquil, Equador. A análise revela que a identificação de padrões  é crucial para melhorar o planejamento urbano e otimizar o transporte público em termos de suas inovações a partir de 2024. A metodologia incluiu a coleta de dados de várias fontes de acesso aberto, o pré-processamento de dados e o uso de um classificador de floresta aleatória para detectar padrões de mobilidade. Os resultados indicam uma precisão do modelo de 50%, abrindo possibilidades para futuras pesquisas especializadas para otimizar o modelo, melhorando seu desempenho e propondo novas StartUPS para a cidade. Os dados compilados suportam a implementação do Cartão Único de Transporte Público (TUT), que moderniza e unifica o sistema de pagamentos. A pesquisa conclui que a integração de dados de aplicativos como Waze e Moovit é crucial para um planejamento urbano eficiente e sustentável, e que algoritmos de aprendizado supervisionado são ferramentas eficazes para análise de mobilidade urbana, deixando em aberto a possibilidade de explorar dados adicionais e outros algoritmos para melhorar a precisão dos modelos e a geração de novas rotas de mobilidade.