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...
Guardado en:
Autor principal: | |
---|---|
Otros Autores: | |
Formato: | Tesis de maestría acceptedVersion |
Lenguaje: | Español |
Publicado: |
Universidad Torcuato Di Tella
2023
|
Materias: | |
Acceso en línea: | https://repositorio.utdt.edu/handle/20.500.13098/11781 |
Aporte de: |
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 |