Diseño y validación de un modelo predictivo para la estimación de la movilidad urbana en la localidad de Kennedy, Bogotá

Abstract

La movilidad urbana en Bogotá es actualmente uno de los problemas más desafiantes para la gran mayoría de los habitantes. La localidad de Kennedy, con su gran densidad poblacional y sus corredores viales con alto flujo vehicular, concentra una gran parte de los siniestros viales totales de la ciudad: desde el año 2020 hasta el 2022 se registraron entre 2.830 y 3.806 accidentes anuales en esta zona, esto es equivalente a aproximadamente el 13% de la accidentalidad total de la ciudad. Ante este escenario, en la investigación se propone el diseño y la validación de una aplicación inteligente de movilidad que integra tres fuentes importantes de información como: datos históricos de siniestralidad vial del Sistema SIGAT de la Secretaría Distrital de Movilidad (2020–2023), registros de hurtos de Bogotá y Cundinamarca, que en este caso fueron 157.601 registros, y un módulo de participación ciudadana para reportes en tiempo real. Teniendo en cuenta estos datos, se entrenaron tres algoritmos de aprendizaje automático: Random Forest, XGBoost y redes neuronales LSTM, con el propósito de poder estimar el nivel de gravedad de accidentes y las condiciones de congestión en Kennedy. XGBoost en este caso, obtuvo el mejor desempeño en general con un MAE de 0,40 y un R² de 0,25. Un hallazgo importante del proceso fue que los datos históricos disponibles presentan atraso temporal significativo y una diversidad estructural, esto limita la precisión de la predicción y motiva la propuesta de integración con las APIs de Google Maps para obtener una información actualizada. Este sistema además incluye un módulo de visualización de zonas de inseguridad por hurtos y también un componente colaborativo de reportes ciudadanos, el cual está orientado a mejorar continuamente la base de datos del modelo.

Urban mobility in Bogotá is currently one of the most challenging problems for most of its inhabitants. The Kennedy locality, with its high population density and road corridors with heavy vehicle flow, accounts for a large portion of the city's total traffic accidents: from 2020 to 2022, between 2,830 and 3,806 annual accidents were recorded in this area, which is equivalent to approximately 13% of the city's total accident rate. Given this scenario, the research proposes the design and validation of an intelligent mobility application that integrates three important sources of information: historical traffic accident data from the SIGAT System of the District Mobility Secretariat (2020–2023), theft records from Bogotá and Cundinamarca, which in this case amounted to 157,601 records, and a citizen participation module for real- time reporting. Taking these data into account, three machine learning algorithms were trained: Random Forest, XGBoost, and LSTM neural networks, with the purpose of estimating the severity level of accidents and congestion conditions on Kennedy. XGBoost, in this case, achieved the best overall performance with an MAE of 0.40 and an R² of 0.25. An important finding of the process was that the available historical data presents significant temporal lag and structural diversity, which limits the accuracy of the prediction and motivates the proposal for integration with Google Maps APIs to obtain updated information. This system also includes a module for visualizing areas of insecurity due to thefts and a collaborative component for citizen reports, which is aimed at continuously improving the model's database.