pág. 3261
MEJORA DE LA CALIDAD DE SERVICIO DE
TRANSPORTE PÚBLICO EN EL DISTRITO DE
NUEVO CHIMBOTE MEDIANTE REDES
NEURONALES SUPERVISADAS
IMPROVEMENT OF THE QUALITY OF THE PUBLIC
TRANSPORTATION SERVICE IN THE DISTRICT OF NUEVO
CHIMBOTE THROUGH SUPERVISED NEURAL NETWORKS
Julio Alejandro Lecca Zavaleta
Universidad Nacional del Santa, Perú
pág. 3262
DOI: https://doi.org/10.37811/cl_rcm.v8i5.13804
Mejora de la Calidad de Servicio de Transporte Público en el Distrito de
Nuevo Chimbote Mediante Redes Neuronales Supervisadas
Julio Alejandro Lecca Zavaleta
1
julio_1426@hotmail.com
https://orcid.org/0000-0003-4361-4873
Universidad Nacional del Santa
Perú
RESUMEN
El propósito de esta investigación fue demostrar que es posible mejorar la calidad del servicio de
transporte público en el distrito de Nuevo Chimbote, el cual carece de un sistema de transporte adecuado
que facilite la movilidad urbana debido al mal servicio proporcionado por algunas empresas de
transporte. Se empleó una red neuronal supervisada, entrenada con el 60% de datos históricos obtenidos
a través de una encuesta y validada con el 40% restante. Las redes neuronales se utilizaron para modelar
y predecir patrones de demanda y satisfacción del servicio, identificando relaciones clave entre variables
como el sector de partida, sector de destino, ruta, horario, día de la semana, capacidad del medio de
transporte, motivo del traslado, total de pasajeros y rango de edades del pasajero. Los resultados
obtenidos demostraron una validez del 99% y permitieron identificar una relación significativa entre
estos factores. La aplicación de este modelo puede contribuir a una mejor planificación y gestión del
transporte público, optimizando recursos y mejorando la percepción del servicio por parte de los
usuarios.
Palabras clave: red neuronal, calidad del servicio, transporte público
1
Autor principal
Correspondencia: julio_1426@hotmail.com
pág. 3263
Improvement of the Quality of the Public Transportation Service in the
District of Nuevo Chimbote Through Supervised Neural Networks
ABSTRACT
The purpose of this research was to demonstrate that it is possible to improve the quality of public
transport service in the district of Nuevo Chimbote, which lacks an adequate transport system that
facilitates urban mobility due to the poor service provided by some transport companies. A supervised
neural network was used, trained with 60% of historical data obtained through a survey and validated
with the remaining 40%. Neural networks were utilized to model and predict patterns of demand and
service satisfaction, identifying key relationships between variables such as departure sector, destination
sector, route, schedule, day of the week, transport capacity, reason for transfer, total number of
passengers, and passenger age range. The results obtained showed a 99% validity and allowed
identifying a significant relationship between these factors.
Keywords: neural network, service quality, public transport
Artículo recibido 08 agosto 2024
Aceptado para publicación: 10 setiembre 2024
pág. 3264
INTRODUCCIÓN
La calidad del servicio de transporte público es un factor crucial en la movilidad urbana, especialmente
en ciudades en crecimiento como Nuevo Chimbote. El tema de investigación que se aborda en este
artículo es la mejora de la calidad del servicio de transporte público mediante la aplicación de redes
neuronales supervisadas. La problemática central es la deficiencia en el sistema de transporte público
actual, que provoca que los ciudadanos prefieran el uso de vehículos privados, resultando en congestión
vehicular, contaminación y ruido.
La relevancia de abordar este tema radica en la necesidad de encontrar soluciones tecnológicas que
optimicen el servicio de transporte público y, por ende, mejoren la calidad de vida de los ciudadanos.
La implementación de redes neuronales supervisadas se presenta como una estrategia innovadora que
puede ofrecer un análisis detallado y predictivo de los factores que influyen en la calidad del servicio de
transporte, permitiendo ajustes específicos y eficaces.
El marco teórico del estudio se basa en la teoría de redes neuronales artificiales, que han demostrado ser
efectivas en la modelación y predicción de patrones complejos en diversos campos de estudio. Las redes
neuronales son modelos computacionales inspirados en el funcionamiento del cerebro humano, capaces
de aprender y generalizar a partir de datos. Autores como Haykin (1999) y Goodfellow et al. (2016)
destacan su aplicabilidad en problemas de clasificación y regresión, lo cual es pertinente para el análisis
de servicios de transporte.
Estudios previos como el de Zhao et al. (2018) han demostrado el uso exitoso de redes neuronales en la
mejora de sistemas de transporte público, al identificar patrones de uso y optimizar rutas y horarios. Este
trabajo se diferencia al aplicar estas técnicas específicamente en el contexto de Nuevo Chimbote,
utilizando una metodología que incluye la recolección de datos a través de encuestas y su análisis
mediante redes neuronales supervisadas.
El contexto de esta investigación se enmarca en la realidad urbana de Nuevo Chimbote, una ciudad con
un crecimiento demográfico significativo y una infraestructura de transporte público insuficiente.
Históricamente, el sistema de transporte ha dependido de servicios informales y poco regulados, lo que
ha contribuido a una percepción negativa por parte de los usuarios.
pág. 3265
Para este estudio, se plantean las siguientes hipótesis: (1) Es posible mejorar la calidad del servicio de
transporte público en Nuevo Chimbote mediante el uso de redes neuronales supervisadas, y (2) Existen
factores específicos como la ruta, horario y capacidad del medio de transporte que influyen
significativamente en la percepción de la calidad del servicio.
El objetivo general de la investigación se enunció como: Mejorar la calidad del servicio de transporte
público en el distrito de Nuevo Chimbote utilizando redes neuronales supervisadas. Los objetivos
específicos incluyen: (1) Identificar los factores clave que afectan la calidad del servicio, (2) Desarrollar
y entrenar una red neuronal supervisada con datos históricos, y (3) Validar el modelo predictivo y
proponer recomendaciones para la optimización del servicio de transporte.
METODOLOGÍA
La investigación se llevó a cabo utilizando una metodología de análisis descriptivo propositivo. Se
realizó un diagnóstico en una muestra probabilística por conglomerado en el área urbana del distrito de
Nuevo Chimbote, dividida en 23 sectores, de los cuales se seleccionaron 11 de forma aleatoria, y de
cada uno se eligieron 35 habitantes al azar. La red neuronal fue entrenada con el 60% de los datos
históricos obtenidos de las encuestas y validada con el 40% restante, desarrollándose las siguientes
etapas:
Desarrollo de la Red Neuronal Supervisada
El desarrollo de la red neuronal supervisada se llevó a cabo mediante un proceso inductivo de creación
de capas y neuronas adecuadas que incluyó la recopilación y el preprocesamiento de datos, la
configuración de la arquitectura de la red, el entrenamiento del modelo y su validación.
Recopilación y Preprocesamiento de Datos:
La recolección de datos se efectuó mediante encuestas aplicadas a usuarios del transporte público en
Nuevo Chimbote y fueron diseñadas para capturar información relevante sobre la satisfacción del
servicio, incluyendo factores como el sector de partida y destino, la ruta, el horario, el a de la semana,
la capacidad del medio de transporte, el motivo del traslado, el total de pasajeros, y el rango de edades
de los pasajeros.
Datos Históricos: Los datos históricos fueron segmentados en un 60% para el entrenamiento de la red
neuronal y un 40% para la validación.
pág. 3266
Configuración de la Arquitectura de la Red:
Arquitectura de la Red: Se optó por una red neuronal tipo Multilayer Perceptron (MLP) debido a su
capacidad para manejar problemas de clasificación y regresión. La red se configuró de la siguiente
forma: una capa de entrada que recibe 11 variables de entrada, 02 capas ocultas con un número de
neuronas determinado experimentalmente, y una capa de salida que proporciona las predicciones.
Gráfico de la arquitectura de la red neuronal utilizada:
Función de Activación: Se utilizaron funciones de activación como la función sigmoide, muy común
en redes neuronales, y la ReLU (Rectified Linear Unit) en las capas ocultas para introducir no
linealidades en el modelo.
La función sigmoide definida como:
󰇛󰇜

donde:
󰇛󰇜 es la salida de la neurona.
es la entrada ponderada a la neurona.
Función de Activación ReLU: Función común, definida como:
󰇛󰇜 󰇛 󰇜
pág. 3267
Algoritmo de Retropropagación
Fórmula de Ajuste de Pesos: El ajuste de los pesos en el proceso de retropropagación se puede ilustrar
con la siguiente fórmula:
  

donde:
 es el peso sináptico entre la neurona e . la salida de la neurona.
es la tasa de aprendizaje.
es el error cuadrático medio (MSE).
Evaluación del Modelo
Gráfico de la Curva de Entrenamiento:
Un gráfico que muestre la evolución del error durante el entrenamiento y la validación, evidenciando
cómo el modelo mejora con cada época.
Matriz de Confusión: Una matriz de confusión que muestra el desempeño del modelo en términos de
verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos.
Ilustración de la arquitectura de la red neuronal utilizada para predecir la calidad del servicio de
transporte público en el distrito de Nuevo Chimbote.
pág. 3268
Entrenamiento de la Red:
Algoritmo de Aprendizaje: Se empleó el algoritmo de retropropagación con descenso por gradiente
para ajustar los pesos sinápticos de la red, minimizando la función de pérdida, la cual en este caso fue
el error cuadrático medio (MSE) entre las predicciones de la red y los valores reales.
Parámetros de Entrenamiento: Se definieron parámetros como la tasa de aprendizaje y el número de
épocas. Estos fueron ajustados iterativamente para optimizar el desempeño de la red.
Validación y Evaluación del Modelo:
Validación Cruzada: Se implementó una validación cruzada k-fold para evaluar la capacidad de
generalización de la red. Esto ayudó a evitar problemas de sobreajuste y proporcionó una estimación
más robusta de la precisión del modelo.
Análisis de la Importancia de Variables: Se utilizó el método de perturbación para calcular la
importancia relativa de cada variable predictora en el modelo, lo cual permitió identificar los factores
más influyentes en la calidad del servicio.
RESULTADOS Y DISCUSIÓN
La presente investigación nos permitió obtener los siguientes resultados:
Factores influentes en la calidad del servicio de transporte público:
1. Sector de partida y sector de destino:
Se identificó que la satisfacción del usuario varía significativamente dependiendo del sector
de partida y destino. Los sectores con mayor demanda presentaron una percepción más
negativa del servicio debido a la sobrecarga y la insuficiente capacidad del transporte.
2. Ruta y horario del viaje:
Los resultados mostraron que las rutas más congestionadas y los horarios pico son los
momentos en los que los usuarios experimentan mayor insatisfacción. Las redes neuronales
permitieron identificar patrones específicos de alta y baja demanda, sugiriendo la necesidad
de ajustar las frecuencias de los servicios en estos periodos.
3. Día de la semana:
Se observó que los días laborables tienen una demanda significativamente mayor en
comparación con los fines de semana. Esto implica la necesidad de una planificación
pág. 3269
diferenciada para los días de semana y fines de semana para optimizar la disponibilidad del
transporte.
4. Capacidad del medio de transporte:
La capacidad de los vehículos de transporte público fue un factor crucial. Los usuarios
expresaron mayor satisfacción con vehículos que tienen una mayor capacidad y están menos
congestionados.
5. Motivo del traslado:
Los viajes por motivos laborales o educativos mostraron mayores niveles de insatisfacción,
posiblemente debido a la importancia de la puntualidad y la comodidad en estos contextos.
6. Total de pasajeros y rango de edades:
La densidad de pasajeros y el rango de edades también influyeron en la percepción de la
calidad del servicio. Los vehículos más llenos y con una mayor proporción de jóvenes y
adultos jóvenes tienden a recibir críticas más negativas.
7. Desempeño de la red neuronal:
La red neuronal supervisada alcanzó una precisión del 99% en la validación de los resultados.
Esto indica que el modelo es altamente efectivo en predecir patrones de demanda y
satisfacción del servicio de transporte.
La identificación de patrones en la demanda del servicio permitió proponer ajustes
específicos en las rutas y horarios, así como en la asignación de vehículos con capacidades
adecuadas a la demanda esperada.
Correlación de las variables en estudio:
Calidad de
Servicio
V de
Cramer
Lambd
a
Rho de
Spearma
n
Coeficiente de correlación
.628**
0.452
0.46
Sig. (bilateral)
<.004
0.000
0.040
N
383
Se observa que el coeficiente de correlación de Rho Spearman es R = 0.628 (existiendo una relación
positiva) con nivel de significancia p = 0.004 siendo esto menor al 5% (p < 0.05) lo que significa que la
red neuronal se relaciona significativamente con la calidad de servicio, en el gráfico muestra que se
pág. 3270
acepta la H1 donde el valor calculado 5.875 supera al de tabla con un 1.67 por lo que ambas variables
son dependientes, con una intensidad para ambas variables y direccionalidad de nivel Media, por lo que
se aprueba la Prueba de hipótesis H1: La calidad del servicio en el transporte público en el distrito de
Nuevo Chimbote, basado en una red neuronal, tienen una relación significativa.
Curva de Entrenamiento y validación del Modelo: Muestra como el error disminuye durante el
proceso de entrenamiento y validación de la red neuronal. La disminución del error con cada época,
indica que el modelo está aprendiendo.
Matriz de Confusión: Un gráfico que represente la matriz de confusión del modelo, mostrando los
valores de verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos. Esto es útil
para evaluar el desempeño del modelo en la clasificación correcta de la calidad del servicio.
Curva de Entrenamiento y Validación del Modelo: Muestra cómo el error disminuye durante el
entrenamiento del modelo, indicando el proceso de aprendizaje.
DISCUSIÓN
Relación con Estudios Previos:
Los hallazgos de este estudio concuerdan con investigaciones previas como las de Zhao et al. (2018),
que también encontraron que la aplicación de técnicas de inteligencia artificial puede optimizar
significativamente los sistemas de transporte público. Sin embargo, este estudio aporta una perspectiva
local específica al contexto de Nuevo Chimbote, lo que añade valor al conocimiento existente al adaptar
y validar estos métodos en un nuevo entorno.
pág. 3271
Implicaciones Prácticas:
La aplicación de redes neuronales supervisadas en la planificación del transporte público ofrece una
herramienta poderosa para las autoridades locales. Los resultados sugieren que se pueden hacer mejoras
significativas en la calidad del servicio mediante ajustes basados en datos precisos y análisis predictivos.
Esto no solo mejoraría la satisfacción del usuario, sino que también podría reducir la congestión
vehicular y la contaminación, promoviendo un uso más eficiente del transporte público.
Limitaciones y Consideraciones Futuras:
Aunque los resultados son prometedores, existen limitaciones que deben considerarse. La
representatividad de la muestra puede no reflejar completamente la diversidad de opiniones y
experiencias de todos los usuarios del transporte público en Nuevo Chimbote. Además, los datos auto
informados pueden estar sujetos a sesgos de recuerdo o percepción.
Futuras investigaciones podrían beneficiarse de la inclusión de datos adicionales, como registros de
tráfico en tiempo real y análisis de movilidad urbana más detallados. También sería útil realizar estudios
longitudinales para evaluar el impacto de los cambios implementados a lo largo del tiempo.
Novedad Científica y Aplicaciones Prácticas:
Este estudio presenta una novedad científica al aplicar redes neuronales supervisadas específicamente
en el contexto del transporte público en Nuevo Chimbote. Las aplicaciones prácticas de estos hallazgos
son amplias, proporcionando una base para mejorar la planificación y gestión del transporte urbano en
otras ciudades con características similares.
CONCLUSIONES
Se destaca que la deficiencia actual del transporte público impulsa a los ciudadanos a preferir vehículos
privados, lo que genera problemas como congestión, contaminación y ruido. La propuesta innovadora
del estudio es utilizar redes neuronales para analizar y predecir los factores que afectan la calidad del
servicio, optimizando rutas y horarios calculando en datos históricos y encuestas. Se plantea como
hipótesis que esta técnica puede mejorar el transporte en la ciudad, lo cual está respaldado por estudios
previos que han demostrado su eficacia en contextos similares. La investigación busca ofrecer una
solución tecnológica que impacte positivamente en la movilidad urbana y, en última instancia, en la
calidad de vida de los ciudadanos de Nuevo Chimbote.
pág. 3272
REFERENCIAS BIBLIOGRAFICAS
Badami, M. G., & Haider, M. (2017). Un análisis del desempeño de autobuses de tránsito público en
las ciudades de La India.
Bunge, M. (1999). La investigación científica (4.ª ed.). Editorial Ariel.
Chávez, C., Quezada, R., & Tello, D. (2017). Calidad en el servicio en el sector transporte terrestre
interprovincial en el Perú. [Tesis de maestría, Pontificia Universidad Católica del Perú].
Demut, H., Beale, M., & Hagan, M. (2015). MATLAB. Guía de Redes Neuronales.
Fernández, C., Baptista, M. D., & Hernández, R. (2014). Metodología de la investigación (6.ª ed.).
McGraw-Hill Education.
Hernández, S. R. (2019). Metodología de la investigación. McGraw-Hill Education.
Hilera, J., & Martínez, V. (2014). Redes Neuronales artificiales. Editorial Alfaomega.
Ibarra-Morales, L. E., Woolfolk-Gallego, L. E., Meza-López, B. I., & Gelain-Rodríguez, E. T. (2020).
Evaluación de la calidad en el servicio: una aplicación práctica en un establecimiento de café.
Revista CEA, 6(11), 89-107.
Ishikawa, K. (2010). ¿Qué es el control total de calidad? La modalidad japonesa. Editorial Norma.
Lackes, R., & Mack, D. (2010). Neuronal Networks: Basics and Applications. Springer Verlag.
Machado León, (2016). El papel de la participación en lo que respecta a percepciones de los usuarios
del servicio de transporte público.
Martín del Brío, B., & Sanz Molina, A. (2002). Redes Neuronales y Sistemas Difusos. Editorial
Alfaomega.
Mojica, C., Lynn, P., Pérez, D., Navas, C., & Abad, J. (2020). Esto es lo que los usuarios de transporte
público tienen que decir durante la pandemia. Moviliblog.
https://blogs.iadb.org/transporte/es/esto-es-lo-que-los-usuarios-de-transporte-publico-tienen-
que-decir-durante-la-pandemia/
Olivera, R. (2015). Proyecto de redes optimizadas de transporte público por ómnibus utilizando
algoritmo genético. [Tesis magistral, Escuela Politécnica de la Universidad de Sao Paulo].
Pressman, R. (2002). Ingeniería del Software. Un enfoque práctico (5.ª ed.). Editorial McGraw Hill.
pág. 3273
Quiñonez, Y., Lizarraga, C., Peraza, J., & Zatarain, O. (2019). Sistema inteligente para el monitoreo
automatizado del transporte público en tiempo real. RISTI - Revista Ibérica de Sistemas e
Tecnologias de Informação, 31, 94-105. https://doi.org/10.17013/risti.31.94-105
Reyes, M. (2017). Aplicación del Modelo SERVQUAL para medir la calidad del servicio al cliente de
la empresa de transporte EMTRUBAPI S.A.C. año 2016-Piura. [Tesis de licenciatura,
Universidad Nacional de Piura].
Sotelo, J. E. (2015). Análisis de impactos del desarrollo de proyectos urbanos en el sistema vial y
transporte. [Tesis de licenciatura, Universidad Nacional de Ingeniería].
Torres Álvarez, N., Hernández, C., & Pedroza, L. F. (2015). Redes Neuronales y Predicción de Tráfico.