Levante Ferries · Proyecto 02

Forecasting de demanda

Anticipa la demanda, detecta saturación o capacidad ociosa y prioriza las salidas que requieren una decisión.

Datos sintéticos · Portfolio

No se han podido cargar los datos o los gráficos. Recarga la página para volver a intentarlo.

Ajustar filtros ↓

Cargando previsión…

Horizonte
1–31 ene. 2026

Salidas previstas

—

en el periodo filtrado

Pasajeros previstos

—

demanda total estimada

Ocupación media

—

media por salida

Riesgo de saturación

—

rojo + ámbar

Capacidad ociosa

—

salidas por debajo del 60%

Demanda diaria y capacidad

Pasajeros previstos frente a plazas disponibles

Estado de las salidas

Distribución del semáforo de capacidad

Presión de capacidad por ruta

Ocupación media y umbrales de actuación

Salidas que requieren atención

Primero saturación, después capacidad ociosa

Ruta	Salida	Capacidad	Demanda	Ocupación	Estado	Acción propuesta

Evaluación fuera de muestra · 2.346 salidas

XGBoost mejora de forma consistente la referencia histórica

Periodo de prueba: 1 de julio a 31 de diciembre de 2025. Estas métricas proceden del proyecto publicado en GitHub.

WAPE · XGBoost9,52%Baseline: 12,93%

MAE · XGBoost66,50Baseline: 90,33 pasajeros

Mejora del error WAPE3,41 pp≈ 26,4% de mejora relativa

Demanda real frente a predicción

Agregación diaria del periodo de evaluación

Error por ruta

MAE del modelo en pasajeros

Precisión por ruta

WAPE: menor es mejor

Cómo interpretar el dashboard

Previsión: 372 salidas sintéticas de enero de 2026. La demanda prevista procede del modelo XGBoost entrenado en el proyecto; es una fotografía estática y no se actualiza en tiempo real.

Semáforo: ROJO indica ocupación prevista igual o superior al 92%; ÁMBAR, entre el 80% y el 92%; NORMAL, entre el 60% y el 80%; y VERDE, por debajo del 60%. En este proyecto, VERDE señala posible sobrecapacidad, por lo que también puede requerir ajustar el buque o la frecuencia.

Evaluación: WAPE divide la suma de los errores absolutos entre la demanda real total. MAE expresa el error absoluto medio en pasajeros por salida. El corte temporal evita que el modelo se evalúe con datos utilizados para entrenarlo.

Uso: las acciones son orientativas y sirven para demostrar cómo convertir una previsión en una decisión operativa. Levante Ferries y sus datos son ficticios.