Los datos históricos y las redes neuronales facilitan la construcción de modelos de predicción para que los pasajeros puedan decidir en qué parada y en qué vehículo suben en función de la actividad que haya

Debido a la pandemia de la covid-19, muchas empresas de transporte han visto como un valor añadido la necesidad de informar a sus clientes de la ocupación con que se encontrarán al subirse a un autobús. Esta funcionalidad resulta de utilidad para frenar los contagios y para evitar aglomeraciones: si se informa con antelación a los pasajeros sobre cómo irán de llenos los vehículos, pueden optar por viajar en los que vayan más vacíos.

Dado que las empresas de autobuses suelen guardar datos e históricos de los viajes de cada vehículo, surge la posibilidad de abordar el problema con técnicas de inteligencia artificial basada en datos. En concreto, con el aprendizaje supervisado, en el que se construye un modelo predictivo al que se entrena con datos históricos que se etiquetan de alguna manera. A partir de dichos datos, el modelo detecta ocurrencias de patrones. Por ejemplo, que el autobús de las ocho y media suele ir lleno los días laborables. Así, va siendo capaz de hacer predicciones a futuro.

Al juntar datos históricos de ocupación y validaciones de los usuarios con la información de las líneas de autobús y del calendario, ya se dispondría de los datos necesarios para modelar el comportamiento de los pasajeros.