🤖 machine learning

RIDE: An Open Dataset and Benchmark for Train Delay Prediction

El artículo presenta RIDE, un conjunto de datos abierto a gran escala y un benchmark estandarizado para la predicción de retrasos en trenes en la red ferroviaria belga, el cual facilita la primera evaluación comparativa exhaustiva que muestra que las redes neuronales de grafos superan a los modelos no basados en aprendizaje, al tiempo que permite un análisis detallado a través de varios regímenes de pronóstico.

Autores originales: Clément Elliker, Mathis Le Bail, Clément Mantoux, Jesse Read, Sonia Vanier

Publicado 2026-06-04

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Clément Elliker, Mathis Le Bail, Clément Mantoux, Jesse Read, Sonia Vanier

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina la red ferroviaria belga como un gigantesco e intrincado juego de "Sigue al Líder", donde miles de trenes se mueven, se detienen y esperan constantemente unos por otros. A veces, un solo tren se queda atascado, y ese retraso se propaga como una onda, causando un efecto dominó que hace que otros trenes también lleguen tarde.

El artículo presenta RIDE (TRaIn DElay Prediction Dataset and Benchmark), que es esencialmente un enorme "gimnasio de entrenamiento" de código abierto para que las computadoras aprendan cómo predecir estos retrasos antes de que ocurran.

Aquí hay un desglose de lo que hicieron los autores, utilizando analogías sencillas:

1. El Problema: Todos estaban jugando un juego diferente

Antes de este artículo, los investigadores que intentaban predecir los retrasos de los trenes eran como chefs tratando de comparar recetas, pero cada uno usaba ingredientes, hornos y cucharas de degustación diferentes. Algunos miraban una línea de tren, otros miraban todo el país; algunos predecían el retraso para la próxima parada, otros para la próxima hora. Debido a que las reglas eran tan diferentes, nadie podía saber qué programa de computadora era realmente el mejor chef.

2. La Solución: Un "Campamento de Entrenamiento" Estandarizado

Los autores construyeron RIDE, que actúa como un campamento de entrenamiento estandarizado con dos partes principales:

Los Ingredientes Crudos (El Conjunto de Datos): Reunieron una cantidad masiva de datos de 2023 a 2025. Imagina una biblioteca que contiene:
- 94.5 millones de registros de movimiento de trenes (cada vez que un tren llegaba, salía o pasaba por una estación).
- 3.6 millones de trayectos de tren completos.
- 35.7 millones de informes meteorológicos (porque la lluvia o la nieve pueden ralentizar las cosas).
- Lo organizaron en capas, como un sándwich:
  - Bronze (Bronce): Los datos crudos y desordenados directamente de la fuente.
  - Silver (Plata): Una versión limpia y organizada donde se completan las piezas faltantes y se reconstruye el mapa de las vías.
  - Gold (Oro): La comida final, lista para ser consumida, preparada específicamente para diferentes tipos de modelos de computadora.
Las Reglas del Juego (El Benchmark): Establecieron reglas estrictas para que cada modelo de computadora tenga que jugar exactamente el mismo juego.
- El Objetivo: Mirar la red en un momento específico (una "instantánea") y predecir qué tan tarde llegará un tren en sus próximas 15 paradas.
- La Prueba: Entrenaron los modelos con datos de 2023–2024 y los probaron con datos de 2025. Esto es como enseñarle a un estudiante los problemas de matemáticas del año pasado y evaluarlo con el examen de este año para ver si realmente puede aprender, no solo memorizar.

3. El Concurso: ¿Quién gana?

Los autores invitaron a diferentes tipos de "estudiantes" (modelos de computadora) a competir:

Los de la Vieja Escuela (Modelos No Basados en Aprendizaje): Estos son sistemas simples basados en reglas.
- El Traductor: Simplemente asume que el tren estará tan retrasado como lo está en este momento. (Como adivinar que llegarás tarde al trabajo porque ya vas tarde).
- El Graph-Event: Un sistema basado en reglas un poco más inteligente que simula cómo los trenes interactúan en las vías.
Los Estadísticos (Aprendizaje Estadístico): Modelos como XGBoost, que son buenos encontrando patrones en tablas de números.
Los Aprendices Profundos (Aprendizaje Profundo/Deep Learning): Redes neuronales complejas como MLP, LSTM (buena para secuencias), Transformer (buena para la atención) y GNN (Redes Neuronales de Grafos, que entienden cómo se conecta toda la red).

4. Los Resultados: Los Ganadores

Después de ejecutar la competencia, esto fue lo que pasó:

El Aprendizaje Vence a las Reglas: Los estudiantes de "Aprendizaje Profundo" y "Estadísticos" superaron claramente a los de la "Vieza Escuela". Los modelos complejos aprendieron patrones que las reglas simples pasaron por alto.
El Campeón: La Red Neuronal de Grafos (GNN) se llevó el primer puesto. Piensa en este modelo como un estudiante que entiende no solo el tren, sino todo el mapa de la red ferroviaria y cómo cada tren afecta a todos los demás trenes.
Los Subcampeones: Los modelos Transformer y LSTM estuvieron muy cerca de la GNN. Fueron casi tan buenos, lo que sugiere que diferentes formas de mirar los datos pueden llevar a un éxito similar.
La Sorpresa: Incluso el modelo "Traductor" más simple (que solo supone que el retraso actual continuará) fue sorprendentemente difícil de superar por un margen amplio. Es una base muy dura de vencer.

5. La Letra Pequeña: Depende de la Situación

El artículo también analizó cuándo los modelos funcionaron bien, no solo el puntaje promedio:

Corto Plazo vs. Largo Plazo: Si quieres saber qué pasará en los próximos 5 minutos, los modelos simples funcionan de maravilla. Si quieres saber qué pasará dentro de 40 minutos, el modelo complejo GNN es el mejor.
Retrasos Pequeños vs. Grandes: Si un tren llega solo un poco tarde, los modelos simples lo manejan bien. Pero si un tren se está retrasando mucho y el retraso se está acumulando (como un atasco de tráfico), los modelos que entienden cómo interactúan los trenes (como la GNN) son mucho mejores para predecir el caos.

Resumen

El artículo dice: "Construimos un patio de juegos gigante y justo (RIDE) con datos limpios y reglas estrictas. Dejamos que diferentes modelos de computadora jugaran. Aquellos que pueden entender la compleja red de conexiones entre trenes (Redes Neuronales de Grafos) son actualmente los mejores para predecir retrasos, pero la brecha entre los mejores modelos es pequeña. Esto nos da una base sólida para seguir mejorando la forma en que mantenemos los trenes a tiempo".

Resumen Técnico: RIDE – Un Conjunto de Datos Abierto y Benchmark para la Predicción de Retrasos en Trenes

Planteamiento del Problema
La predicción de retrasos en trenes es crítica para los operadores ferroviarios y los pasajeros con el fin de gestionar interrupciones, mejorar los sistemas de información y optimizar la gestión del tráfico. Sin embargo, el progreso en este campo se ha visto obstaculizado por una falta de estandarización. Las investigaciones existentes dependen de conjuntos de datos dispares, objetivos de predicción variables (por ejemplo, siguiente estación frente a intervalos de tiempo fijos) y protocolos de evaluación inconsistentes. Esta fragmentación dificulta la comparación de modelos entre estudios o la obtención de conclusiones generales sobre la eficacia relativa de diferentes enfoques de modelado, particularmente entre métodos no basados en aprendizaje, estadísticos y de aprendizaje profundo.

Metodología: El Marco RIDE
Para abordar estas brechas, los autores presentan RIDE (TRaIn DElay Prediction Dataset and Benchmark), un recurso integral abierto construido sobre la red ferroviaria nacional belga que cubre 2023–2025. El marco se estructura como un flujo de datos por capas y un protocolo de benchmark unificado.

Flujo de Datos (Lanzamiento por Capas):
- Raw & Bronze (Bruto y Bronce): Ingiere datos brutos de Infrabel (operaciones ferroviarias, infraestructura) y Open-Meteo (clima). La capa Bronze estandariza esquemas y realiza comprobaciones ligeras de integridad.
- Silver (Conjunto de Datos Relacional Intermedio): Un conjunto de datos relacional limpio y reutilizable que contiene 94,5 millones de eventos de tren, 3,6 millones de trayectos y 35,7 millones de registros climáticos. Reconstruye la topología de la red, infiere las rutas exactas de los trenes y alinea los datos climáticos con los puntos operativos. Esta capa permite a los usuarios construir conjuntos de datos personalizados sin repetir los pasos principales de limpieza.
- Gold (Conjuntos de Datos de Benchmark): Artefactos listos para modelos derivados de la capa Silver. Define un snapshot (instantánea) como la unidad fundamental: una vista de la red con una marca de tiempo que contiene los trenes activos, su historial y sus horarios futuros. El lanzamiento Gold ofrece dos escalas (Lite y Standard) y cuatro formatos de conjunto de datos específicos adaptados a diferentes familias de modelos: Tabular (para MLP/XGBoost/Transformer), Secuencial (para LSTM), Grafo (para GNN) y Grafo-Evento (para simulación basada en reglas).
Tarea de Predicción:
- Objetivo: Para cada tren activo en un snapshot, predecir el retraso (en segundos) en los próximos $n=15$ eventos programados (llegadas, salidas o pasos).
- Horizonte: Esto corresponde a un horizonte de predicción promedio de aproximadamente 40 minutos.
- Reparametrización: Los modelos predicen el retraso residual (retraso futuro menos el último retraso conocido) para mejorar el rendimiento, sumando el último retraso conocido durante la inferencia.
Protocolo de Evaluación:
- Métricas: Las métricas primarias son el Error Absoluto Medio (MAE) y la Raíz del Error Cuadrático Medio (RMSE).
- Desgloses: Para analizar el comportamiento de los modelos más allá de las puntuaciones agregadas, el protocolo incluye desgloses por horizonte de predicción (tiempo hasta el evento) y bins de delta de retraso (cambio en el retraso respecto al último estado conocido).
- Divisiones (Splits): Los datos de entrenamiento se extraen de 2023–2024, y los de prueba de 2025, asegurando una evaluación realista hacia el futuro. Una tabla de evaluación de prueba única y fija garantiza que todos los modelos sean evaluados en instancias idénticas.
Modelos Evaluados:
El benchmark compara tres familias de enfoques:
- No Basados en Aprendizaje: Una línea base de Traslación (prediciendo el último retraso conocido) y un modelo de Grafo-Evento (simulación determinista utilizando tiempos de viaje empíricos y restricciones de precedencia).
- Aprendizaje Estadístico: XGBoost (entrenado como regresores independientes para cada ranura de evento futuro).
- Aprendizaje Profundo: Perceptrón Multicapa (MLP), Memoria de Corto Plazo de Largo Alcance (LSTM), Transformer y Red Neuronal de Grafos (GNN).

Resultados Clave
Los experimentos realizados en el nivel Standard del benchmark revelan lo siguiente:

Aprendizaje vs. No Aprendizaje: Los métodos basados en aprendizaje superan claramente a los modelos no basados en aprendizaje. El modelo de Grafo-Evento (88,41 MAE) mejora significativamente respecto a la línea base de Traslación (96,65 MAE), pero se queda por detrás de todos los enfoques basados en aprendizaje.
Mejor Rendimiento: La Red Neuronal de Grafos (GNN) logró el mejor rendimiento medio con un MAE de 73,62 y un RMSE de 194,56.
Competitividad de las Arquitecturas: Los modelos de aprendizaje más fuertes (GNN, Transformer, LSTM, XGBoost) se mantienen relativamente cerca en rendimiento absoluto. El Transformer (74,54 MAE) y el LSTM (74,62 MAE) siguen de cerca a la GNN. XGBoost (76,58 MAE) superó al MLP (77,20 MAE).
Fortalezas Específicas de Régimen:
- Horizontes Cortos (0–5 min): XGBoost tiene el mejor desempeño, probablemente debido a su capacidad para manejar cambios de retraso pequeños y estables.
- Horizontes Medios (5–15 min): El LSTM muestra un fuerte desempeño, sugiriendo que el modelado secuencial captura la dinámica de los trenes que alcanzan los retrasos.
- Horizontes Largos (>15 min) y Grandes Retrasos: La GNN destaca en horizontes largos y escenarios con acumulación significativa de retrasos, indicando que el modelado explícito de las interacciones de la red es crucial para capturar los efectos de propagación.
- Recuperación de Retraso: El modelo de Grafo-Evento tiene el mejor desempeño en deltas de retraso negativos grandes (fuerte recuperación), consistente con su tendencia a predecir tiempos de viaje más rápidos de lo programado.

Significado y Reivindicaciones
El artículo afirma que RIDE es el primer recurso que proporciona tanto un conjunto de datos intermedio reutilizable como un benchmark estandarizado para la predicción de retrasos en trenes a escala nacional. Su importancia radica en:

Estandarización: Establecer un protocolo unificado para objetivos, divisiones temporales y métricas de evaluación, permitiendo la comparación directa entre diversas familias de modelos.
Línea Base Integral: Proporcionar la primera evaluación comparativa de modelos no basados en aprendizaje, estadísticos y de aprendizaje profundo en un conjunto de datos compartido y a gran escala.
Análisis Matizado: Ir más allá de la precisión agregada para revelar que las diferentes arquitecturas tienen distintas fortalezas dependiendo del régimen de pronóstico (por ejemplo, corto plazo frente a largo plazo, acumulación de retraso frente a recuperación).
Direcciones Futuras: Los autores sugieren que, si bien los cambios arquitectónicos por sí solos no generan ganancias dramáticas entre los mejores exponentes, el progreso futuro puede depender de un mejor diseño de características y elecciones de modelado específicas del problema. Postulan que RIDE sirve como base para la investigación futura sobre la propagación de retrasos y el aprendizaje en sistemas de transporte a gran escala.