Fecha: 03/07/2026
Autores: Patricio Salas ab, Patricio Sáez a, Lilian Barría a
aDepartment of Statistics, Universidad de Concepción, Concepción Chile
bCenter for Advanced Transportation, Logistics, and Economic Competitiveness (CATLEC), ANID/CIN 250061, Santiago, Chile
Revista científica / editorial: Transportation Research Record: Journal of the Transportation Research Board
Abstract o breve resumen: Modelar la elección del modo de transporte es esencial para diseñar sistemas de movilidad eficientes y sostenibles. Las encuestas de preferencias reveladas proporcionan información valiosa, pero se basan en datos autoinformados, que pueden estar sesgados y que, por lo general, no están disponibles para las alternativas no elegidas. Este estudio propone un proceso analítico integrado que combina datos de encuestas de preferencias reveladas, atributos a nivel de ruta derivados de un planificador digital de viajes, clasificadores de aprendizaje automático y métodos de inteligencia artificial explicable (XAI) para evaluar de manera conjunta el desempeño predictivo y la interpretación del comportamiento. Utilizando un conjunto de datos de 1,372 viajes recopilados en el contexto de los desplazamientos universitarios como aplicación ilustrativa, las respuestas de la encuesta se enriquecieron con tiempos de viaje específicos por modo de transporte y características geométricas de las rutas recomendadas por el planificador, obtenidas a partir de la interfaz de programación de aplicaciones (API) de Google Maps. Se evaluaron cuatro clasificadores basados en árboles en un marco de validación sin fugas, y el comportamiento del modelo se interpretó utilizando SHAP (SHapley Additive exPlanations) y LIME (Local Interpretable Model-agnostic Explanations) tanto a nivel global como local. Los resultados indican que, cuando se combinaron los atributos geométricos a nivel de ruta con los datos de la encuesta de preferencias reveladas, la precisión predictiva se mantuvo comparable, mientras que la interpretabilidad mejoró sustancialmente. Los análisis de XAI revelaron que características de la ruta como la rectitud, la sinuosidad y la desviación angular se destacaron como predictores significativos que modulaban el esfuerzo percibido durante el viaje, particularmente para caminar y el transporte público, a pesar de su impacto limitado en el desempeño agregado.
Enlace al documento o DOI: https://doi.org/10.1177/03611981261444331