Este artículo presenta un marco interpretable para la detección de anomalías en sistemas de movilidad compartida, como las redes de bicicletas compartidas. Mediante la integración de diversas fuentes de datos, como los registros de alquiler de bicicletas, las condiciones meteorológicas y la disponibilidad de transporte público, se realiza la detección de anomalías basada en aprendizaje no supervisado mediante el algoritmo Bosque de Aislamiento. La interpretabilidad se mejora mediante el algoritmo DIFFI (Importancia de Características del Bosque de Aislamiento Basado en Profundidad). Mediante el análisis a nivel de estación, se destaca el impacto de factores externos, como el mal tiempo o las restricciones del transporte público, y los resultados muestran que contribuye a mejorar la toma de decisiones en la operación de movilidad compartida.
