Perfil de investigación
Título de la investigación
Modelo predictivo de congestión vehicular basado en aprendizaje automático para la optimización de tiempos de traslado en el tramo CA-5 Sur (Gasolinera Germania – Plaza Loarque), Tegucigalpa, Francisco Morazán, Honduras.
Información del proyecto
- Nombre del proyecto
- Desarrollo de un modelo predictivo de congestión vehicular basado en aprendizaje automático para la optimización de los tiempos de traslado en el tramo de la Carretera al Sur (CA-5 Sur), desde la Gasolinera Germania hasta la Plaza Loarque, Tegucigalpa, durante el año 2026.
- Ubicación
- Tramo Gasolinera Germania – Plaza Loarque de la Carretera al Sur (CA-5 Sur), Tegucigalpa, Francisco Morazán, Honduras.
- Duración
- 2 meses y 24 días (12 de mayo al 5 de agosto de 2026).
- Costo total
- L. 3,525
Descripción del proyecto
Descripción
Desarrolla un modelo predictivo de congestión vehicular basado en aprendizaje automático (Random Forest) para estimar los tiempos de traslado en el tramo CA-5 Sur. Se recolectan datos históricos de tráfico mediante consultas automatizadas a la API de Google Maps cada 5 minutos, que alimentan una base de datos de entrenamiento. El modelo se entrena con scikit-learn usando validación cruzada de 10 pliegues, y los resultados se despliegan en esta plataforma web interactiva con mapas y gráficos para facilitar la planificación de rutas.
Novedad
Es el primer modelo de predicción de congestión para el corredor sur de Tegucigalpa que no depende de sensores físicos instalados en la carretera. Combina una API geográfica de bajo costo con algoritmos de Machine Learning de código abierto, demostrando que es viable construir soluciones de transporte inteligente en el contexto hondureño sin inversión gubernamental en infraestructura.
Impacto
Beneficia a los miles de usuarios diarios de la CA-5 Sur, que actualmente pierden entre una y dos horas en cola, al darles información concreta para decidir a qué hora salir. También favorece al transporte de carga y comercial, reduce el consumo de combustible y el desgaste vehicular, y sirve de modelo replicable para otros corredores con el mismo problema.
Planteamiento del problema
La congestión vehicular en América Latina se agravó por décadas de crecimiento urbano sin planificación y una explosión del parque automotor que las carreteras nunca anticiparon. En Tegucigalpa, el corredor sur es uno de los ejemplos más claros: el tramo CA-5 Sur concentra el flujo de vehículos que entra y sale de la capital, con embotellamientos severos cuyo peor punto es la rotonda de Loarque. Ahí confluyen colonias de alta densidad, la reducción de carriles del puente Germania y camiones de carga pesada de la zona sur sin ruta alternativa; en hora pico, la cola supera el punto de inicio del tramo en la Gasolinera Germania. Las autoridades responden de forma reactiva —agentes de tránsito y señalización básica—, sin ninguna herramienta que anticipe el comportamiento del tráfico. Esa ausencia obliga a los miles de usuarios de la ruta a salir sin información útil y a lidiar con retrasos que podrían evitarse con mejor planificación.
Pregunta problema
¿Cómo puede un modelo predictivo basado en aprendizaje automático, alimentado con datos históricos de la API de Google Maps, estimar los tiempos de traslado en el tramo de la Carretera al Sur (desde la Gasolinera Germania hasta la Plaza Loarque, Tegucigalpa) durante el año 2026, para optimizar la planificación de rutas de los usuarios?
Objetivo general
Desarrollar un modelo predictivo de congestión vehicular basado en aprendizaje automático para la optimización de tiempos de traslado en el tramo CA-5 Sur (Gasolinera Germania – Plaza Loarque), Tegucigalpa, Francisco Morazán, Honduras.
Objetivos específicos
- 01
Recopilar datos históricos de tráfico
Consultas automatizadas a la API de Google Maps cada 5 minutos para consolidar una base de datos de entrenamiento estadísticamente representativa del tramo.
- 02
Evaluar algoritmos y entrenar el modelo predictivo
Comparar el rendimiento de Regresión Lineal y Bosques Aleatorios, evaluando con métricas de Machine Learning (MAE, RMSE, R²) para garantizar estimaciones fiables ante diferentes condiciones temporales en el año 2026.
- 03
Diseñar la interfaz gráfica
Prototipo que visualice de forma interactiva las predicciones del modelo para facilitar la toma de decisiones o la planificación de rutas de los usuarios de la Carretera al Sur.
Hipótesis
El modelo Random Forest clasifica los estados de congestión en el tramo CA-5 Sur usando como predictoras hora del día, día de la semana, distancia del tramo y tiempo libre de tráfico.
Cronograma de actividades
Recolección de datos
11/06 – 13/07Diseñar script de recolección, configurar la API de Google Maps, implementar recolección automatizada 24/7 y almacenar los datos.
Objetivo: Script Python, base de datos histórica.
Preprocesamiento y limpieza
14/07 – 20/07Limpieza de datos, imputación de valores faltantes, codificación de variables categóricas y normalización.
Objetivo: Dataset limpio, informe de preprocesamiento.
Entrenamiento y evaluación
21/07 – 03/08División entrenamiento/prueba, entrenar modelo Random Forest con scikit-learn, validación cruzada de 10 folds y métricas MAE, RMSE y R².
Objetivo: Modelo entrenado.
Plataforma web
04/08 – 17/08Diseñar la interfaz de usuario, implementar backend y frontend (mapas, gráficos), pruebas y despliegue.
Objetivo: Plataforma web.