Modelado predictivo del flujo de pasajeros en el aeropuerto el dorado usando sarima, arima y lstm (1996–2024)

Abstract

El Aeropuerto Internacional El Dorado, ubicado en Bogotá, es uno de los más importantes de América Latina y destaca por su alta eficiencia operativa y conectividad aérea. Su creciente volumen de pasajeros a más de 38 millones en 2023, plantea retos significativos para la planificación y gestión de recursos. Esta tesis se enfoca en el desarrollo e implementación de modelos predictivos para estimar el flujo mensual de pasajeros nacionales e internacionales en el aeropuerto, utilizando datos históricos desde 1996 hasta 2024 proporcionados por la Unidad Administrativa Especial de Aeronáutica Civil de Colombia. Se aplican tres modelos avanzados de series temporales: ARIMA, SARIMA y LSTM. El modelo SARIMA se destaca por su capacidad para capturar patrones estacionales y tendencias recurrentes en los datos, lo que resulta en una mejor precisión en la predicción comparado con ARIMA y LSTM. La evaluación se realiza mediante validación cruzada específica para series temporales (TimeSeriesSplit), y se utilizan métricas objetivas como RMSE (Root Mean Squared Error) y MAE (Mean Absolute Error) para medir la desviación entre los valores predichos y los reales. El estudio sigue la metodología CRISP-DM, que comprende la comprensión del negocio y los datos, la preparación rigurosa del conjunto de datos (incluyendo limpieza, normalización y suavización), el modelado, la evaluación y finalmente el despliegue de los resultados. La depuración de los datos fue clave, dado que la información histórica presentaba inconsistencias y valores faltantes. Los resultados muestran que SARIMA es el modelo más adecuado para la predicción del flujo de pasajeros en El Dorado debido a su manejo eficiente de la estacionalidad inherente al tráfico aéreo. Aunque LSTM es un modelo poderoso para secuencias complejas, su desempeño fue inferior en este contexto, posiblemente debido a limitaciones en la cantidad y calidad de datos, así como a la necesidad de un ajuste más fino de hiperparámetros. Como propuesta final, se sugiere el despliegue de las predicciones en herramientas interactivas, como dashboards y chatbots, para facilitar el acceso a información en tiempo real. Esto apoyaría la toma de decisiones estratégicas, optimizando la asignación de recursos, mejorando la experiencia del pasajero y fortaleciendo la gestión operativa del aeropuerto. Esta investigación no solo contribuye al conocimiento del comportamiento del flujo de pasajeros en un aeropuerto de alta demanda, sino que también abre la puerta a futuras investigaciones en aeropuertos y sistemas de transporte similares. Se recomienda explorar modelos híbridos que combinen métodos estadísticos y aprendizaje profundo para mejorar la robustez y adaptabilidad de las predicciones.