Al hacer clic en "Aceptar", usted acepta que se almacenen cookies en su dispositivo para mejorar la navegación del sitio, analizar su uso y contribuir a nuestros esfuerzos de marketing. Consulte nuestra política de privacidad para más información.  pour plus d'informations.
Open Datasets
Parking Transactions Dataset
Texto

Parking Transactions Dataset

Conjunto masivo de datos transaccionales de sistemas de estacionamiento (terminales y aplicaciones móviles) de 2019 a 2024. Cada registro incluye la duración, el importe, la marca de tiempo, el método de pago y el identificador de zona. Ideal para el análisis urbano, las políticas de movilidad o el estudio de los pagos digitales.

Obtén el dataset
Tamaño

~78,2 millones de filas (CSV), datos estructurados en 9 columnas, que abarcan desde 2019 hasta 2024

Licencia

CC0: Dominio público

Descripción

Este conjunto de datos estructurado incluye más de 78 millones de transacciones de estacionamiento de diversas fuentes: terminales físicas, aplicaciones móviles y áreas urbanas. Cada línea, que abarca un período de 5 años (2019-2024), proporciona datos clave: el identificador de la transacción, el tiempo de estacionamiento, la hora de inicio y finalización, el importe pagado, el quiosco o la zona y el método de pago utilizado. Todo está organizado en formato CSV.

¿Para qué sirve este conjunto de datos?

  • Analice la demanda de estacionamiento por período, zona o método de pago
  • Modele el impacto de las políticas de regulación urbana o tarifaria
  • Estudiar la evolución de la adopción de los pagos digitales en los servicios públicos
  • Prediga la asistencia por zona o período mediante modelos estadísticos o de aprendizaje automático

¿Se puede enriquecer o mejorar?

Sí, este conjunto de datos se puede cruzar con datos externos (eventos, clima, tráfico) para identificar correlaciones. También podemos enriquecer las variables temporales (horas punta, días festivos) o mapear quioscos y áreas mediante conjuntos de datos geográficos. Esto hace que sea muy flexible para el trabajo de ciencia de datos urbanos.

🔎 En resumen

Criterio Evaluación
🧩 Facilidad de uso⭐⭐⭐⭐⭐ (Muy simple de cargar en CSV con columnas bien nombradas)
🧼 Necesidad de limpieza⭐⭐⭐✩✩ (Moderado – se recomienda verificar formatos temporales y valores atípicos)
🏷️ Riqueza de anotaciones⭐⭐⭐⭐⭐ (Excelente estructuración de variables transaccionales)
📜 Licencia comercial✅ Sí (CC0)
👨‍💻 Ideal para principiantes✅ Perfecto para exploración de datos y visualización
🔁 Reutilizable para fine-tuning✅ Sí, para entrenar modelos de predicción o segmentación
🌍 Diversidad cultural⚠️ Local pero aplicable a otros contextos urbanos

🧠 Recomendado para

  • Analistas de movilidad
  • Urbanistas
  • Científicos de datos en ciudades inteligentes
  • Estudiantes de ingeniería de datos

🔧 Herramientas compatibles

  • Python (pandas, seaborn, scikit-learn)
  • Tableau
  • Power BI
  • Apache Spark

💡 Consejo

Utilice variables derivadas (p. ej., hora del día, día de la semana, tipo de zona) para refinar los modelos de predicción o agrupamiento.

Preguntas frecuentes

¿Cuántas filas contiene exactamente este conjunto de datos?

Contiene aproximadamente 78,2 millones de registros individuales que abarcan un período de 5 años, lo que lo convierte en un corpus excelente para el análisis masivo.

¿Qué tipos de pagos se representan en los datos?

Las transacciones incluyen pagos a través de terminales físicos y aplicaciones móviles, lo que ofrece una visión completa de las preferencias del usuario.

¿Se puede utilizar este conjunto de datos en un contexto comercial o académico?

Sí, gracias a su licencia CC0, se puede usar libremente en cualquier tipo de proyecto, incluidas publicaciones comerciales o productos.

Otros datasets

Ver más
Category

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique.

Category

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique.

Category

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique.