Análisis y estimación de tiempos de viaje de vehículos de emergencia en la Región Metropolitana

Abstract

El presente trabajo aborda la estimación precisa de los tiempos de desplazamiento de ambulancias en la Región Metropolitana de Chile, un factor crítico en la atención de emergencias. La investigación se enfoca en reemplazar el modelo actual, basado en la fórmula de Haversine, por enfoques avanzados de machine learning que consideran las complejidades de la red vial, el tráfico y la variabilidad horaria.

Para este propósito, se implementaron tres modelos: Regresión Ridge, Regresión Lasso y XGBoost, seleccionados por su capacidad para manejar datos de alta dimensionalidad y capturar relaciones no lineales. Se utilizaron grillas espaciales con resoluciones de 20x20 y 200x200, además de una grilla no uniforme adaptada a la demanda. Además, se generaron datos sintéticos para complementar la información histórica, garantizando robustez en el entrenamiento de los modelos.

Los resultados demuestran que XGBoost y Lasso superan ampliamente al modelo Ridge y a la fórmula de Haversine, con reducciones significativas en errores globales (MAE, RMSE y MAPE) y alta precisión operativa en umbrales críticos de 1 y 5 minutos. La implementación de un factor de corrección permitió ajustar las predicciones generadas por el grafo vial del ISCI, originalmente diseñado para tiempos de desplazamiento más rápidos.

Como conclusión, la integración del modelo XGBoost, entrenado sobre una grilla no uniforme con demanda generada por función de distancia, mejora significativamente la precisión de las estimaciones de tiempos de viaje. Esto permite optimizar la asignación de ambulancias, reduciendo los tiempos de respuesta y mejorando los resultados médicos para los trabajadores accidentados.

Finalmente, se recomienda desarrollar un grafo específico para ambulancias y utilizar tecnología GPS en tiempo real para capturar las condiciones dinámicas del tráfico, permitiendo actualizar y escalar el modelo a otros contextos operativos.