Análisis y Modelado Predictivo de Comparendos Electrónicos en la Ciudad de Barranquilla

Descripción

Este proyecto desarrolla un análisis integral y un sistema de modelado predictivo para el estudio de los comparendos electrónicos registrados en la ciudad de Barranquilla, Colombia, utilizando técnicas de análisis exploratorio de datos, georreferenciación, series temporales y aprendizaje automático.

La investigación aborda el fenómeno de las infracciones de tránsito captadas por sistemas de fotodetección, con el objetivo de identificar patrones espaciales y temporales, comparar modelos predictivos y generar pronósticos para el año 2026.

El proyecto fue desarrollado durante el curso de Seminario Investigativo de la Universidad del Norte.

Colaboradores

• David Ricardo Marquez Luna (https://github.com/DAVIDML2005)
• Cristian Camilo Linero Cantillo (https://github.com/cristianclc)

Objetivos

Objetivo General

Desarrollar un análisis integral y modelos predictivos para anticipar el comportamiento de las infracciones de tránsito registradas mediante sistemas de fotodetección en Barranquilla.

Objetivos Específicos

• Caracterizar la distribución espacial y temporal de las infracciones
• Analizar tendencias y patrones estacionales en las series temporales
• Implementar modelos estadísticos clásicos y modelos de Machine Learning
• Comparar sistemáticamente el desempeño predictivo de los modelos
• Seleccionar el modelo óptimo para cada tipo de infracción
• Generar pronósticos para el año 2026

Dataset

Fuente de Datos

Los datos fueron obtenidos desde el portal de Datos Abiertos del Gobierno de Colombia, correspondientes a los registros de comparendos electrónicos emitidos en Barranquilla entre 2018 y 2025.

• Dataset Principal : https://www.datos.gov.co/Transporte/Comparendos-Electr-nicos-Control-y-Regulaci-n-Barr/ps7z-yks5/about_data

• Dataset Secundario : https://www.datos.gov.co/Transporte/Fotodetecci-n-en-Barranquilla/cpp6-je64/about_data

Características del Dataset

• Más de 340,000 registros

• Aproximadamente 50 cámaras de fotodetección

• Información temporal y geográfica detallada

• Variables relacionadas con:

  • Fecha
  • Ubicación geográfica
  • Tipo de infracción
  • Clase de vehículo
  • Servicio de vehículo

Infracciones Analizadas

El estudio se centra en las cinco infracciones más representativas:

Código	Descripción
C29	Exceso de velocidad
C02	Estacionamiento en sitios prohibidos
C03	Bloquear calzada o intersección
D04	No detenerse ante semáforo en rojo o amarillo
C32	No respetar el paso de peatones

Metodología

El proyecto se desarrolla en múltiples fases metodológicas:

Análisis Exploratorio de Datos (EDA)

• Análisis univariado
• Análisis bivariado
• Estadísticos descriptivos
• Distribuciones y frecuencias
• Identificación de patrones

Georreferenciación y Análisis Espacial

Se utilizaron archivos Shapefile de Barranquilla para:

• Ubicar geográficamente las cámaras
• Visualizar la distribución espacial
• Detectar zonas críticas
• Analizar cobertura territorial

Descomposición Temporal

Se aplicaron técnicas como:

• STL (Seasonal-Trend decomposition using Loess)
• MSTL (Multiple Seasonal-Trend decomposition)

Modelos Implementados

Modelos Estadísticos Clásicos

• Holt-Winters
• ARIMA
• SARIMA
• Dynamic Optimized Theta (DOT)

Modelos de Regresión Regularizada

• Ridge Regression
• Lasso Regression

Modelos de Machine Learning

• Random Forest
• XGBoost
• LightGBM
• K-Nearest Neighbors (KNN)

Transformación de Series Temporales

Los modelos de Machine Learning fueron adaptados al problema de series temporales mediante:

• Ventanas deslizantes
• Variables rezagadas (lags)
• Variables de tendencia
• Variables estacionales

Esto permitió convertir la serie temporal en un problema de aprendizaje supervisado.

Métricas de Evaluación

Los modelos fueron evaluados utilizando:

• MSE (Mean Squared Error)
• RMSE (Root Mean Squared Error)
• MAE (Mean Absolute Error)
• MAPE (Mean Absolute Percentage Error)
• SMAPE (Symmetric Mean Absolute Percentage Error)

Pronósticos para 2026

Una vez seleccionados los mejores modelos para cada infracción, se generaron pronósticos para el año 2026 con el objetivo de:

• Anticipar tendencias futuras
• Identificar períodos críticos
• Apoyar decisiones en movilidad urbana
• Optimizar estrategias de control vial

Impacto del Proyecto

Este proyecto busca contribuir a:

• Mejorar la seguridad vial
• Optimizar recursos públicos
• Fortalecer políticas de movilidad urbana
• Apoyar decisiones basadas en evidencia
• Aplicar ciencia de datos al contexto urbano colombiano

Contribución Académica

La investigación aborda una brecha existente en la literatura nacional relacionada con:

• Predicción de comparendos electrónicos en Colombia
• Comparación sistemática de múltiples modelos predictivos
• Aplicación de Machine Learning a movilidad urbana en Barranquilla