Predicción de la demanda de pasajeros en el transporte terrestre mediante modelos de aprendizaje automático y series temporales aplicado al caso de estudio de cruceros del norte

Abstract

El presente estudio aborda la problemática de la predicción de demanda de pasajeros en el transporte terrestre de Argentina, con un enfoque específico en la empresa Cruceros del Norte. La alta volatilidad económica del país afecta la precisión en la planificación operativa, dificultando la optimización de rutas y la asignación eficiente de recursos. Para mitigar estos desafíos, se ha desarrollado un modelo predictivo basado en técnicas de machine learning y análisis de series de tiempo, incorporando modelos estadísticos tradicionales (SARIMA y SARIMAX) y redes neuronales recurrentes (LSTM y GRU). Además, se ha implementado un enfoque basado en modelos de ensamble, incluyendo XGBoost, Random Forest y Gradient Boosting, con el fin de capturar patrones complejos en los datos y mejorar la precisión de las predicciones. Se ha utilizado el Índice de Precios al Consumidor (IPC), segmentado en los sectores de transporte, restaurantes y hoteles, y salud, junto con clustering y análisis de correlación de variables, para enriquecer los modelos y evaluar la influencia de factores macroeconómicos en la demanda de pasajeros. Los resultados indican que la incorporación de variables macroeconómicas mejora significativamente la capacidad de los modelos para anticipar la demanda en escenarios de alta incertidumbre. Mientras que los modelos basados en redes neuronales (LSTM y GRU) destacan en la captura de relaciones no lineales, el modelo XGBoost mostró un desempeño robusto en términos de precisión y generalización, superando a enfoques tradicionales en varios escenarios. A partir de estos hallazgos, se presentan recomendaciones operativas para Cruceros del Norte, incluyendo estrategias para la planificación de rutas, ajuste dinámico de tarifas y optimización del uso de la flota en función de la demanda proyectada. Finalmente, se propone un esquema de actualización periódica del modelo para adaptarse a los cambios en la economía y en el comportamiento de los pasajeros.