○ planned · proyecto
Otorga nivel a: Data Modeling · Model Selection
Usa: Time Series · Model Selection · Data Modeling · Econometrics · Linear Regression
Recorrido por 70 años de historia de la modelación de transporte, desde el modelo de las cuatro etapas nacido en Detroit y Chicago en los 50 hasta los modelos de elección discreta y basados en agentes. La tesis central: si no conocemos el contexto, la historia y el propósito detrás de los métodos que usamos, repetimos los mismos errores y malgastamos dinero público. Cierra con un caso real de Big Data en la región de Chapala donde ganó una licitación precisamente por cuestionar el método pedido.
Hallazgos clave
- El modelo tradicional de transporte (4 etapas) se inventó para responder una sola pregunta —“¿qué tan ancha tiene que ser la calle?”— y por eso ignora uso de suelo, transporte de carga, accesibilidad y diferencias socioeconómicas; todo lo que no respondía a esa pregunta se descartó como “no importante”.
- Los principios de Wardrop (1952) ya demostraban que el óptimo del sistema nunca es igual al equilibrio del usuario: los humanos toman decisiones individuales, por lo que intentar “diseñar la red perfecta” era una tontería que costó décadas de dinero malgastado.
- En la limpieza de Big Data de Chapala pasaron de 561,981 viajes / 100,000 dispositivos a ~240,000 viajes / 8,600 personas, y aún así superaron por 30x la muestra típica del 1% (282 personas); es preferible trabajar con datos limpios que con ruido que desvía promedios y estimaciones.
- Los proveedores de datos de movilidad (DatY/That’s Why) reanonimizan constantemente los códigos de dispositivo, lo que crea “dispositivos fantasma” (muchos con un solo viaje) y obliga a una limpieza de identidad antes de inferir origen/destino.
Módulos
- Historia y contexto de la modelación de transporte — del modelo de las 4 etapas, la posguerra y la motorización al modelo gravitacional, costo generalizado y valor del tiempo.
- Principios de Wardrop, paradoja de Braess y teoría del equilibrio — por qué el óptimo del sistema ≠ equilibrio del usuario y cómo esto condiciona el diseño de redes.
- Evolución de los modelos: logit y elección discreta — de McFadden y Kenneth Train a logit binomial, anidado, híbrido, de clase latente, profundos y basados en agentes (LUTI, emisiones).
- El ecosistema mexicano: actores, licitaciones y marco normativo — estudios de impacto vial, concesionarios, gobiernos y por qué Hacienda sigue financiando métodos anticuados.
- Big Data de movilidad: limpieza y procesamiento — agrupación de puntos, interrupción de GPS, reanonimización y crecimiento urbano (censos 2020 vs datos 2024).
- Caso Chapala: ligado a censo y deducción de hogar/trabajo — clasificación de usos de suelo, desanonimización parcial y comparación contra encuestas origen-destino tradicionales.
Fuente: https://www.youtube.com/watch?v=5OO31nD2AOo · Transcript local: data/cursos/datapub-modelar-con-intencion/modelar-con-intencion.srt
Enlaces
Otorga nivel a: Data Modeling · Model Selection Usa: Time Series · Model Selection · Data Modeling · Econometrics · Linear Regression