{"id":17559833,"url":"https://github.com/aranzadata/taxidemandpredictor","last_synced_at":"2026-05-03T07:35:19.209Z","repository":{"id":258709268,"uuid":"874450214","full_name":"aranzadata/TaxiDemandPredictor","owner":"aranzadata","description":"Modelo de regresión de series temporales para predecir la demanda de taxis en un aeropuerto de gran afluencia, optimizando la asignación de la flota mediante la incorporación de características temporales y categóricas utilizando Scikit-learn","archived":false,"fork":false,"pushed_at":"2024-10-18T19:44:57.000Z","size":5792,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-03-29T10:14:51.980Z","etag":null,"topics":["forecasting","scipy","sckit-learn","seasonality","statsmodels","time-series-analysis"],"latest_commit_sha":null,"homepage":"","language":"Jupyter Notebook","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/aranzadata.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2024-10-17T21:07:47.000Z","updated_at":"2024-10-18T19:50:15.000Z","dependencies_parsed_at":"2024-10-20T08:36:43.736Z","dependency_job_id":null,"html_url":"https://github.com/aranzadata/TaxiDemandPredictor","commit_stats":null,"previous_names":["aranzadata/taxidemandpredictor"],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/aranzadata%2FTaxiDemandPredictor","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/aranzadata%2FTaxiDemandPredictor/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/aranzadata%2FTaxiDemandPredictor/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/aranzadata%2FTaxiDemandPredictor/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/aranzadata","download_url":"https://codeload.github.com/aranzadata/TaxiDemandPredictor/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":246168108,"owners_count":20734390,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["forecasting","scipy","sckit-learn","seasonality","statsmodels","time-series-analysis"],"created_at":"2024-10-21T11:07:28.631Z","updated_at":"2026-05-03T07:35:19.121Z","avatar_url":"https://github.com/aranzadata.png","language":"Jupyter Notebook","funding_links":[],"categories":[],"sub_categories":[],"readme":"# TaxiDemandPredictor\n\nLa compañía Sweet Lift Taxi ha recopilado datos históricos sobre pedidos de taxis en los aeropuertos. Para atraer a más conductores durante las horas pico, se contruye un modelo para predecir la cantidad de pedidos de taxis para la próxima hora.\n\nSe empieza por analizar las tendencias generales de los datos, para lo cual se calculan el número de órdenes por hora y por día. Para estas dos muestras se obtienen sus componetes de tendencia, estacionalidad y residuo y se grafican.\n\nPara el número de total de órdenes al día, se observa una tendencia creciente en el número de órdenes. El periodo de la componente estacional parece ser una semana. La amplitud de la componente residual es mayor a la componente estacional.\n\nPara el número de total de órdenes por hora, la componente de tendencia también es creciente, pero parece también tener oscilaciones. Por otro lado la componente estacional tiene una clara periodicidad de un día.\n\nEn base al análisis exploratorio se añaden las siguientes características:\n\nNúmero de mes, de 1 a 24\nDía del mes, de 1 a 31\nDía de la semana, de 0 a 6\nHora, de 0 a 23\nNúmero del día del año\n\nPara las primeras características se hace una codificación periódica, que consiste en hacer un mapeo a dos componentes: seno y coseno. Esto ayuda a suavizar el valor de las características a través del tiempo y a su vez ayuda a escalar los datos.\n\n\nPor otro lado, se añaden características de desfase:\n\nNúmero de órdenes de la n hora anterior, con n de 1 a 5.\nPromedio móvil de las 24 horas anteriores.\nDesviación estándar móvil de las 24 horas anteriores.\nDiferencia de número de órdenes entre las dos horas anteriores\nAdicionalmente se añadieron dos columnas con la media y desviación estándar móviles ponderadas exponencialmente. Estas dos funciones son similares a sus contrapartes 'rolling' pero el resultado se calcula ponderando los valores de acuerdo a qué tan recientes son.\n\nPromedio móvil ponderado exponencialmente.\nDesviación estándar móvil ponderado exponencialmente.\nSe realiza un mapa de calor de nivel de correlación entre características para entender cuáles de las características tienen mayor nivel de correlación con el objetivo.\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Faranzadata%2Ftaxidemandpredictor","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Faranzadata%2Ftaxidemandpredictor","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Faranzadata%2Ftaxidemandpredictor/lists"}