Proceso metodológico
Enfoque cuantitativo, alcance predictivo, diseño no experimental observacional longitudinal. Cada etapa del modelo desde la recolección hasta el despliegue.
Recolección de datos
Script automatizado que consulta la API de Google Maps cada 5 minutos, registrando fecha, hora, día de la semana, distancia, tiempo libre de tráfico, tiempo actual y retraso. Período activo: 11/06/2026 al 01/08/2026.
Preprocesamiento
Limpieza del dataset, eliminación de duplicados y outliers (>3σ), imputación de valores faltantes, codificación ordinal de variables categóricas y normalización con StandardScaler.
Entrenamiento del modelo
Random Forest con GridSearchCV sobre 162 combinaciones de hiperparámetros, validación cruzada estratificada de 10 folds. Mejores hiperparámetros: n_estimators=500, max_depth=15, min_samples_split=10, min_samples_leaf=4.
Evaluación
Métricas por clase: Libre 96.2% F1, Moderado 85.6% F1, Denso 69.1% F1, Colapsado 66.3% F1. Importancia: hora 76.3%, día de la semana 16.9%, tiempo base 6.2%, distancia 0.6%.
Plataforma web
Interfaz para consulta en tiempo real del modelo entrenado. Los usuarios seleccionan franja horaria, tipo de día, distancia y tiempo base para obtener la predicción del estado de congestión.