{"id":{"repo_id":"javeriana","oai_identifier":"oai:repository.javeriana.edu.co:10554/65460"},"canonical_url":"https://search.dev.ndltd.org/etd/javeriana/oai:repository.javeriana.edu.co:10554/65460","repository":{"repo_id":"javeriana","name":"Pontificia Universidad Javeriana","base_url":"https://repository.javeriana.edu.co/oai/request"},"display":{"title":"Integración de modelos de optimización y predicción para sistemas de bicicletas compartidas","abstract":"Los sistemas de bicicletas compartidas se han vuelto cada vez más populares en los últimos años como modo de transporte sostenible y rentable. Sin embargo, la gestión eficiente de estos sistemas requiere una predicción precisa de la demanda, una ubicación óptima de las estaciones y estrategias de reequilibrio efectivas. Para abordar estos desafíos, proponemos un marco integral que integra optimización combinatoria y técnicas de aprendizaje automático. El marco consta de un circuito de retroalimentación compuesto de dos partes: un modelo de aprendizaje automático para predecir patrones de demanda y un modelo de optimización para determinar la ubicación de las estaciones con reequilibrio para reasignar bicicletas entre las estaciones, garantizando que los usuarios tengan acceso a ellas cuando y donde sea necesario. Para evaluar el marco, se llevaron a cabo extensos experimentos computacionales utilizando datos reales de Tembici, un sistema de bicicletas compartidas en Bogotá. Se crearon varias instancias y los resultados demuestran que el sistema propuesto mejora significativamente el rendimiento de los sistemas de bicicletas compartidas. Estas mejoras conducen a una reducción de los costos operativos, una mayor satisfacción del usuario y una mayor sostenibilidad, lo que supone una valiosa contribución al campo de la optimización del sistema de bicicletas compartidas y al análisis de la demanda. En general, el marco propuesto proporciona una herramienta poderosa y eficiente para gestionar sistemas de bicicletas compartidas, con aplicaciones prácticas para mejorar el rendimiento de dichos sistemas.","abstract_html":"Los sistemas de bicicletas compartidas se han vuelto cada vez más populares en los últimos años como modo de transporte sostenible y rentable. Sin embargo, la gestión eficiente de estos sistemas requiere una predicción precisa de la demanda, una ubicación óptima de las estaciones y estrategias de reequilibrio efectivas. Para abordar estos desafíos, proponemos un marco integral que integra optimización combinatoria y técnicas de aprendizaje automático. El marco consta de un circuito de retroalimentación compuesto de dos partes: un modelo de aprendizaje automático para predecir patrones de demanda y un modelo de optimización para determinar la ubicación de las estaciones con reequilibrio para reasignar bicicletas entre las estaciones, garantizando que los usuarios tengan acceso a ellas cuando y donde sea necesario. Para evaluar el marco, se llevaron a cabo extensos experimentos computacionales utilizando datos reales de Tembici, un sistema de bicicletas compartidas en Bogotá. Se crearon varias instancias y los resultados demuestran que el sistema propuesto mejora significativamente el rendimiento de los sistemas de bicicletas compartidas. Estas mejoras conducen a una reducción de los costos operativos, una mayor satisfacción del usuario y una mayor sostenibilidad, lo que supone una valiosa contribución al campo de la optimización del sistema de bicicletas compartidas y al análisis de la demanda. En general, el marco propuesto proporciona una herramienta poderosa y eficiente para gestionar sistemas de bicicletas compartidas, con aplicaciones prácticas para mejorar el rendimiento de dichos sistemas.","abstract_has_math":false,"creators":["De Mier Medellin, Juliana"],"institution":"Pontificia Universidad Javeriana","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Ortiz Astorquiza, Camilo","Contardo, Claudio"],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-08-21T22:21:56Z","subjects":["Optimizacion","Aprendizaje de maquina"],"languages":["spa"],"rights":[],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/10554/65460","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"source_record":{"url":"https://repository.javeriana.edu.co/oai/request?verb=GetRecord&metadataPrefix=dim&identifier=oai%3Arepository.javeriana.edu.co%3A10554%2F65460","prefix":"dim"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Ortiz Astorquiza, Camilo","Contardo, Claudio"]},{"key":"dc:creator","label":"Author","values":["De Mier Medellin, Juliana"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2023-09-25T20:03:38Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2023-09-25T20:03:38Z"]},{"key":"dc:publisher","label":"Institution","values":["Pontificia Universidad Javeriana"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Optimizacion","Aprendizaje de maquina"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["spa"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/10554/65460"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Los sistemas de bicicletas compartidas se han vuelto cada vez más populares en los últimos años como modo de transporte sostenible y rentable. Sin embargo, la gestión eficiente de estos sistemas requiere una predicción precisa de la demanda, una ubicación óptima de las estaciones y estrategias de reequilibrio efectivas. Para abordar estos desafíos, proponemos un marco integral que integra optimización combinatoria y técnicas de aprendizaje automático. El marco consta de un circuito de retroalimentación compuesto de dos partes: un modelo de aprendizaje automático para predecir patrones de demanda y un modelo de optimización para determinar la ubicación de las estaciones con reequilibrio para reasignar bicicletas entre las estaciones, garantizando que los usuarios tengan acceso a ellas cuando y donde sea necesario. Para evaluar el marco, se llevaron a cabo extensos experimentos computacionales utilizando datos reales de Tembici, un sistema de bicicletas compartidas en Bogotá. Se crearon varias instancias y los resultados demuestran que el sistema propuesto mejora significativamente el rendimiento de los sistemas de bicicletas compartidas. Estas mejoras conducen a una reducción de los costos operativos, una mayor satisfacción del usuario y una mayor sostenibilidad, lo que supone una valiosa contribución al campo de la optimización del sistema de bicicletas compartidas y al análisis de la demanda. En general, el marco propuesto proporciona una herramienta poderosa y eficiente para gestionar sistemas de bicicletas compartidas, con aplicaciones prácticas para mejorar el rendimiento de dichos sistemas."]},{"key":"dc:format","label":"Dc Format","values":["PDF"]},{"key":"dc:format.mimetype","label":"Dc Format Mimetype","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Integración de modelos de optimización y predicción para sistemas de bicicletas compartidas"]}]}],"canonical_facts":{"dc:contributor.advisor":["Ortiz Astorquiza, Camilo","Contardo, Claudio"],"dc:creator":["De Mier Medellin, Juliana"],"dc:date.accessioned":["2023-09-25T20:03:38Z"],"dc:date.available":["2023-09-25T20:03:38Z"],"dc:description.abstract":["Los sistemas de bicicletas compartidas se han vuelto cada vez más populares en los últimos años como modo de transporte sostenible y rentable. Sin embargo, la gestión eficiente de estos sistemas requiere una predicción precisa de la demanda, una ubicación óptima de las estaciones y estrategias de reequilibrio efectivas. Para abordar estos desafíos, proponemos un marco integral que integra optimización combinatoria y técnicas de aprendizaje automático. El marco consta de un circuito de retroalimentación compuesto de dos partes: un modelo de aprendizaje automático para predecir patrones de demanda y un modelo de optimización para determinar la ubicación de las estaciones con reequilibrio para reasignar bicicletas entre las estaciones, garantizando que los usuarios tengan acceso a ellas cuando y donde sea necesario. Para evaluar el marco, se llevaron a cabo extensos experimentos computacionales utilizando datos reales de Tembici, un sistema de bicicletas compartidas en Bogotá. Se crearon varias instancias y los resultados demuestran que el sistema propuesto mejora significativamente el rendimiento de los sistemas de bicicletas compartidas. Estas mejoras conducen a una reducción de los costos operativos, una mayor satisfacción del usuario y una mayor sostenibilidad, lo que supone una valiosa contribución al campo de la optimización del sistema de bicicletas compartidas y al análisis de la demanda. En general, el marco propuesto proporciona una herramienta poderosa y eficiente para gestionar sistemas de bicicletas compartidas, con aplicaciones prácticas para mejorar el rendimiento de dichos sistemas."],"dc:format":["PDF"],"dc:format.mimetype":["application/pdf"],"dc:identifier.uri":["http://hdl.handle.net/10554/65460"],"dc:language.iso":["spa"],"dc:publisher":["Pontificia Universidad Javeriana"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"dc:subject":["Optimizacion","Aprendizaje de maquina"],"dc:title":["Integración de modelos de optimización y predicción para sistemas de bicicletas compartidas"]},"updated_at":"2026-08-21T22:21:56Z"}