Comparativa de modelos predictivos en la demanda de GNV en la región central de Colombia (2025)

Este estudio tiene como objetivo comparar la precisión de tres modelos de machine learning: regresión lineal, k-nearest neighbors (k-NN) y árboles de decisión, para predecir la demanda de Gas Natural Vehicular (GNV) en Bogotá, Cundinamarca y Boyacá en 2025. Utilizando la metodología SAMPLE (Selección, Análisis, Modelado, Prueba y Evaluación), se tomó los datos históricos de la demanda de GNV, incluyendo variables como número de estaciones activas por ciudad, el número de ventas por día en cada estación y la cantidad de volumen suministrado en las ventas por semana. Los datos fueron limpiados y preprocesados con Python en Google Colab para asegurar su calidad y consistencia. Los modelos fueron entrenados y posteriormente evaluados utilizando las métricas MAE, MSE, R² y la visualización de predicciones. Los resultados obtenidos permitieron identificar el modelo más adecuado para la predicción de la demanda de GNV, considerando la precisión de las predicciones y su implementación práctica.