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

Abstract

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.