Prediciendo la demanda horaria del Capital Bike Share System: aplicaciones del Modelo de los K Vecinos Más Cercanos y de técnicas complejas de Machine Learning

El presente trabajo se propone entrenar y aplicar un Modelo de los K Vecinos Más Cercanos para estimar la cantidad de bicicletas alquiladas por hora utilizando los datos publicados por Kaggle y extraídos del sistema Capital Bike Share perteneciente a la ciudad de Washington DC. Asimismo, se pretende...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Echeverría Cantú, María Azul
Otros Autores: González Rozada, Martín
Formato: Tesis de maestría acceptedVersion
Lenguaje:Español
Publicado: Universidad Torcuato Di Tella 2023
Materias:
Demanda
Comportamiento del Consumidor
Bicicleta
Medios de Transporte
Alquiler de bicicletas
Machine Learning
Bike Share System
Acceso en línea:https://repositorio.utdt.edu/handle/20.500.13098/11781
Aporte de:
Repositorio Digital Universidad Torcuato Di Tella de Universidad Torcuato Di Tella
id I57-R163-20.500.13098-11781
record_format dspace
spelling I57-R163-20.500.13098-117812023-05-04T07:00:29Z Prediciendo la demanda horaria del Capital Bike Share System: aplicaciones del Modelo de los K Vecinos Más Cercanos y de técnicas complejas de Machine Learning Echeverría Cantú, María Azul González Rozada, Martín Demanda Comportamiento del Consumidor Bicicleta Medios de Transporte Alquiler de bicicletas Machine Learning Bike Share System El presente trabajo se propone entrenar y aplicar un Modelo de los K Vecinos Más Cercanos para estimar la cantidad de bicicletas alquiladas por hora utilizando los datos publicados por Kaggle y extraídos del sistema Capital Bike Share perteneciente a la ciudad de Washington DC. Asimismo, se pretende comparar dicho método con otros algoritmos paramétricos y no paramétricos implementando los mismos sobre una muestra de test previamente apartada y seleccionada de manera aleatoria. De ésta manera, diferentes medidas que cuantifiquen el error de predicción son empleadas. En función de lo comentado, el presente trabajo se estructura de la siguiente manera. La Sección 2 presenta información sobre parte de la literatura existente hasta el presente, en la Sección 3 se comenta la estructura de la base de datos y el tratamiento sobre los mismos, así como también en entrenamiento de los modelos propuestos, la Sección 4 expone los resultados obtenidos y la Sección 5 enuncia las principales conclusiones obtenidas a partir del experimento llevado a cabo. Por motivos relacionados con los derechos de autor este documento solo puede ser consultado en la Biblioteca Di Tella. Para reservar una cita, o si sos el autor y querés autorizar su publicación, podés ponerte en contacto con repositorio@utdt.edu. 2023-05-03T20:08:06Z 2023-05-03T20:08:06Z 2022 info:eu-repo/semantics/masterThesis info:ar-repo/semantics/tesis de maestría info:eu-repo/semantics/acceptedVersion https://repositorio.utdt.edu/handle/20.500.13098/11781 spa info:eu-repo/semantics/restrictedAccess https://creativecommons.org/licenses/by-sa/2.5/ar/ 30 p. application/pdf application/pdf Universidad Torcuato Di Tella
institution Universidad Torcuato Di Tella
institution_str I-57
repository_str R-163
collection Repositorio Digital Universidad Torcuato Di Tella
language Español
orig_language_str_mv spa
topic Demanda
Comportamiento del Consumidor
Bicicleta
Medios de Transporte
Alquiler de bicicletas
Machine Learning
Bike Share System
spellingShingle Demanda
Comportamiento del Consumidor
Bicicleta
Medios de Transporte
Alquiler de bicicletas
Machine Learning
Bike Share System
Echeverría Cantú, María Azul
Prediciendo la demanda horaria del Capital Bike Share System: aplicaciones del Modelo de los K Vecinos Más Cercanos y de técnicas complejas de Machine Learning
topic_facet Demanda
Comportamiento del Consumidor
Bicicleta
Medios de Transporte
Alquiler de bicicletas
Machine Learning
Bike Share System
description El presente trabajo se propone entrenar y aplicar un Modelo de los K Vecinos Más Cercanos para estimar la cantidad de bicicletas alquiladas por hora utilizando los datos publicados por Kaggle y extraídos del sistema Capital Bike Share perteneciente a la ciudad de Washington DC. Asimismo, se pretende comparar dicho método con otros algoritmos paramétricos y no paramétricos implementando los mismos sobre una muestra de test previamente apartada y seleccionada de manera aleatoria. De ésta manera, diferentes medidas que cuantifiquen el error de predicción son empleadas. En función de lo comentado, el presente trabajo se estructura de la siguiente manera. La Sección 2 presenta información sobre parte de la literatura existente hasta el presente, en la Sección 3 se comenta la estructura de la base de datos y el tratamiento sobre los mismos, así como también en entrenamiento de los modelos propuestos, la Sección 4 expone los resultados obtenidos y la Sección 5 enuncia las principales conclusiones obtenidas a partir del experimento llevado a cabo.
author2 González Rozada, Martín
author_facet González Rozada, Martín
Echeverría Cantú, María Azul
format Tesis de maestría
Tesis de maestría
acceptedVersion
author Echeverría Cantú, María Azul
author_sort Echeverría Cantú, María Azul
title Prediciendo la demanda horaria del Capital Bike Share System: aplicaciones del Modelo de los K Vecinos Más Cercanos y de técnicas complejas de Machine Learning
title_short Prediciendo la demanda horaria del Capital Bike Share System: aplicaciones del Modelo de los K Vecinos Más Cercanos y de técnicas complejas de Machine Learning
title_full Prediciendo la demanda horaria del Capital Bike Share System: aplicaciones del Modelo de los K Vecinos Más Cercanos y de técnicas complejas de Machine Learning
title_fullStr Prediciendo la demanda horaria del Capital Bike Share System: aplicaciones del Modelo de los K Vecinos Más Cercanos y de técnicas complejas de Machine Learning
title_full_unstemmed Prediciendo la demanda horaria del Capital Bike Share System: aplicaciones del Modelo de los K Vecinos Más Cercanos y de técnicas complejas de Machine Learning
title_sort prediciendo la demanda horaria del capital bike share system: aplicaciones del modelo de los k vecinos más cercanos y de técnicas complejas de machine learning
publisher Universidad Torcuato Di Tella
publishDate 2023
url https://repositorio.utdt.edu/handle/20.500.13098/11781
work_keys_str_mv AT echeverriacantumariaazul prediciendolademandahorariadelcapitalbikesharesystemaplicacionesdelmodelodeloskvecinosmascercanosydetecnicascomplejasdemachinelearning
_version_ 1765699921044832256

Ejemplares similares