Detrás del telón
¿Cómo funciona?
DLPTime son tiempos de espera en directo y previsiones por IA para Disneyland Paris. Aquí, sin rodeos, cómo está hecho.
Hola, soy Benjamin
Soy el editor de DLPTime. En origen monté este sitio para mis propios días en Disneyland Paris: estaba harto de saltar entre cinco apps que muestran todas la misma cola sin decir si va a subir o a bajar.
DLPTime intenta responder a una pregunta sencilla: «¿es buen momento para ir o debería esperar?». Lo que sigue describe honestamente cómo lo hago.
De dónde vienen los datos
Todas las fuentes son públicas o abiertas. No se utiliza ningún dato personal para los modelos.
Tiempos de espera
recogidos en tiempo real a través de la API pública de queue-times.com, que agrega los flujos oficiales de Disneyland Paris.
Tiempo
a través de la API gratuita Open-Meteo (temperatura, precipitaciones, nubosidad, viento) en la posición del parque.
Calendarios escolares
vacaciones escolares francesas, británicas y belgas (los tres mercados visitantes principales), actualizadas a partir de las fuentes oficiales.
Premier Access
el precio dinámico del Premier Access es un indicador valioso: Disney lo ajusta según la afluencia prevista, lo que lo convierte en una señal adelantada del nivel de gente.
Eventos especiales
temporadas de Halloween y Navidad, aniversarios del parque, nuevas aperturas, cierres técnicos conocidos.
Los tiempos registrados se guardan en el histórico. A día de hoy la base contiene varios meses de histórico por atracción, lo que permite aprender los patrones recurrentes (días, horas, temporadas).
¿Por qué machine learning?
Una atracción no sigue una regla simple del tipo «por la mañana hay calma, por la tarde hay lleno». Los patrones dependen del día de la semana, las vacaciones, el tiempo, la novedad y la propia atracción. Demasiadas variables para reglas escritas a mano.
El machine learning brilla justo en este tipo de problemas: aprende solo qué señales importan y cuánto pesan. Mi trabajo consiste en alimentarlo con los datos correctos y vigilar que no se desvíe.
Una atracción no sigue una regla simple. Demasiadas variables para reglas escritas a mano: justo donde brilla el ML.
Las señales que se tienen en cuenta
Cada atracción tiene su propio comportamiento. Los modelos analizan en paralelo varias familias de señales:
Histórico reciente de la cola
01los últimos tiempos registrados, su tendencia y su volatilidad.
Temporalidad
02hora del día (codificada de forma cíclica), día de la semana, fin de semana o no.
Carga del parque
03la espera media en todo el parque en este momento, para situar la atracción en su contexto.
Tiempo local
04temperatura, precipitaciones, nubes, viento. La lluvia lo cambia todo, sobre todo para las outdoor rides.
Vacaciones escolares
05Francia, Reino Unido, Bélgica. Un día de clase y un martes de Todos los Santos no son el mismo parque.
Premier Access
06el precio actual del PA refleja la afluencia que anticipa Disney. Un indicador valioso.
Eventos y temporadas
07Halloween, Navidad, aniversarios, nuevas atracciones. Cada temporada tiene su huella.
El truco está menos en «qué señales» y más en «cómo interactúan y con qué peso según la atracción». Esa parte se queda en casa.
El corto plazo: 15 a 60 minutos
Para las predicciones a corto plazo (15 min, 30 min, 1 h) uso gradient boosting (LightGBM) entrenado por atracción y por horizonte. Es rápido, robusto y legible cuando un caso se tuerce.
El perfil de la jornada por venir
Para el perfil del día por venir, combino un modelo estadístico sobre los patrones históricos con TimesFM 1.3 (el foundation model de series temporales de Google) en modo shadow para comparar. La selección se hace según la calidad (MAE) medida día a día.
Los límites, porque hay que ser honesto
Las previsiones son orientativas. Una atracción puede averiarse, puede anunciarse un soft opening sin previo aviso, una jornada puede ser atípica por mil razones.
Cuanto más lejano es el horizonte, menos preciso. Las mejores predicciones son a 15-30 minutos; el perfil diario es más una silueta que un guion exacto.
Las atracciones recientes (con menos de 6 meses) tienen poco histórico. Los modelos aún están aprendiendo.
No predigo la experiencia humana, solo el tiempo de espera. Un día abarrotado puede ser estupendo, un día tranquilo puede ser lluvioso.
Un proyecto indie, sin publicidad
DLPTime es un proyecto personal, sin ninguna afiliación con The Walt Disney Company. Sin publicidad, sin tracking comercial más allá de la medición de audiencia anónima. El código corre en un VPS de OVH, los modelos se entrenan cada noche.
Cómo apoyar el proyecto
Si te resulta útil el sitio, la mejor forma de apoyarlo es compartirlo. Y contarme qué funciona o no, lo leo todo.
PARA IR MÁS ALLÁ
La guía atracción por atracción
Para cada atracción, la mejor franja, el pico de afluencia y la fiabilidad, actualizado cada noche.