Movilidad inteligente. Optimización 1, aglomeraciones 0

Abr 03 2020
Movilidad inteligente y cómo se gestiona

Por Francisco Calvo

Tenemos tecnología para ayudarnos a regular la movilidad, optimizar el uso de los recursos públicos y evitar las aglomeraciones con modelos de previsión inteligentes trabajando sobre grandes cantidades de datos (big data) de posicionamiento de cada individuo. En este artículo repasaremos las diversas piezas que se necesitan para construir un sistema de movilidad inteligente. 

  • Necesitamos datos de la localización en un momento determinado y cada vez que ésta cambie.

Esta información se la pedimos a los usuarios mediante una App en sus teléfonos inteligentes, o se la pedimos a los operadores de comunicaciones.

  • El propio sistema operativo y muchas de las Apps que usamos nos piden permiso para usar la localización, y a muchas se lo concedemos. Si lo unimos a una configuración de precisión media sería suficiente. La localización buena usa el servicio GPS y eso se comería la batería del móvil, tendría que ser un uso temporal. 
  • El operador la tiene porque la necesita para darnos servicio, pero no la puede usar salvo mandato legal, como el que ha dado el gobierno el pasado 23 de marzo.
  • Necesitamos saber traducir esa localización (latitud y longitud) no solo a una dirección sino a un sitio (parada, estación, …).

Este servicio que damos por sentado en las Apps de mapas y navegación tiene un precio si lo quieres utilizar profesionalmente, o lo tienes que construir tú a partir de servicios abiertos gratuitos (“open data” con baja calidad). La mayor dificultad no es conseguir un mapa, sino saber qué hay en el mapa en ese sitio: si hay un bar o un comercio, o lo que nos interesa a nosotros, si hay una estación de metro o de tren o una parada de autobús.

  • Necesitamos saber cómo se mueve la gente dentro de una estación grande o bajo tierra en el metro, donde los móviles pierden la localización.

La localización “indoor” es más complicada de conseguir ya que implica balizas (beacons) o mapear los espectros radioeléctricos de esos sitios, así que simplificaremos estos sitios en un sitio con un aforo, por encima de cierto número viajeros tenemos aglomeración, y inferiremos los trayectos subterráneos cuando el punto vuelva a aparecer.

  • Necesitamos resolver la seguridad y el cumplimiento legal para recoger y tratar esa información.

El tratamiento de los datos personales se rige desde hace pocos años por el Reglamento General de Protección de Datos (GDPR por sus siglas en inglés) europeo. Simplificando, el reglamento pide a las empresas que recogen y tratan estos datos protegidos (no sólo el nombre o el número de teléfono, también un identificador publicitario o un perfil se han proteger) que:

  • Obtengan, y gestionen, el consentimiento de la persona para una finalidad definida (por ejemplo, para alimentar este sistema de optimización de la movilidad).
  • Valoren los riesgos de acceso indebido a esa información, que es alto.
  • Definan e implementen las medidas de seguridad requeridas, dentro de un sistema auditable.

La alternativa que utilizaremos para simplificarlo es utilizar datos anónimos. Siempre que se consiga separar la información personal del identificador interno del sistema, el riesgo desaparece. Los datos pasan a ser tratados sólo como datos estadísticos, nunca individualmente. En este caso lo principal es garantizar que no son datos trazables al teléfono particular que los generó.

  • Necesitamos un sitio donde almacenar centenares de posiciones de cada teléfono cada día.

Cuando está quieto tenemos un punto y un tiempo de estancia, pero en movimiento tenemos que mandar los puntos cada cierto número de metros. Cada punto es un dato muy pequeño, ocupa unos pocos caracteres, pero queremos tener las localizaciones de millones de móviles y los sitios donde han estado, y los caminos y medios de transporte por los que se han movido. Día tras día, mes tras mes, cuantos más móviles nos den sus datos, menos error tendrá el sistema. Aquí es donde aparece la necesidad de contar con una infraestructura de comunicaciones, almacenamiento y procesamiento de esos miles de datos que recogeríamos por segundo. Esta es la plataforma “big data” y lo más recomendable para un proyecto de este tipo, con altos requisitos de seguridad y de escalabilidad, es utilizar infraestructura en la nube, que se puede hacer crecer con las necesidades.

  • Necesitamos ser capaces de modelar la información para tratarla en el sistema.

No sólo hay que guardar las posiciones, a qué corresponden, sino también los trayectos. Y esos trayectos hay que cruzarlos con el modelado de la información de la red de transporte pública: líneas de autobuses, metro, cercanías, y sus paradas y estaciones, así como las frecuencias tiempos de paso.

Para cargar esa información contamos con la información que ya ofrecen en abierto todos los medios de transporte público que informan de dónde están sus autobuses y sus trenes ya que los tienen localizados, y la distancia/tiempo estimado a la siguiente parada.

También debemos decidir qué fuentes externas vamos a cargar. Inicialmente sería sólo el clima, dado que es el principal factor a tener en cuenta en la decisión de si se camina o se toma transporte público o se usa transporte privado.

  • Necesitamos decidir los métodos de trabajo para conseguir predecir el modelo de movilidad, identificar dónde se van a producir la demanda de servicio, las aglomeraciones y poder actuar preventivamente.

Aquí es donde necesitamos las técnicas de inteligencia artificial. En este punto y simplificando, tenemos dos líneas de actuación: el predictivo que se basa en la identificación de patrones de comportamiento y modelos de predicción, y el contingente, para actuar en tiempo real.

  • Para predecir lo que pasará mañana lo principal es buscar patrones de comportamiento y trabajar sobre ellos con modelos predictivos haciendo jugar las variables conocidas que alimentamos al modelo (cómo afecta que empeore el clima aumentando la demanda, que baje la oferta y se dé una frecuencia de paso menor, que cambie el aforo de una estación). Cuando los datos tienen calidad y están bien modelados es el momento de elegir los modelos matemáticos o algoritmos más convenientes para predecir lo que va a pasar. Normalmente se utilizan muchos y se comprueba cuáles son los que mejor funcionan, los que funcionan mejor se mantienen y se afinan, desechando el resto.
  • Actuación contingente. El sistema se alimenta en tiempo real y es capaz de inferir de dónde vienen los viajeros, en qué parada se van a subir, dónde se van  a bajar, o si van a realizar otro trayecto. Si hay un incidente el modelo no lo habrá podido prever, pero se puede montar un sistema de tiempo real que analice lo que va a pasar a continuación, y si identifica que se va a producir en breve una aglomeración en cierta parada o se va a superar el aforo del vehículo que se aproxima, podría lanzar alarmas y actuar en tiempo real en tres ámbitos para avisar y ofrecer alternativas: la red de transporte,  los usuarios del transporte, avisándoles a través de notificaciones que se acercan a un incidente, y las fuerzas de seguridad o emergencia.
  • Necesitamos es que esta información realimente a los gestores de la movilidad y autoridades

Pudiendo llegar a ajustar y optimizar la necesidad de vehículos en determinadas líneas en el modelo predictivo, o lanzar alarmas para actuar cuando se anticipe una situación de aglomeración donde se prevé imposible mantener la distancia social para evitar el contagio.

Montar un sistema como el descrito anteriormente no es fácil, pero es factible. Todas las piezas del puzle existen y se podrían ensamblar para ponerlo en marcha en poco tiempo contando con especialistas en cada paso, con el presupuesto y principalmente con la voluntad de las autoridades competentes. Este tipo de sistema es una pieza de las soluciones de Smart Cities, no sólo serviría en situaciones novedosas, o extremas, permitiría coordinar y optimizar la movilidad de una ciudad y su área metropolitana, permitiendo mejorar el servicio y ser muy eficiente en el uso de los recursos.

Francisco Calvo


Comparte este artículo

Utilizamos cookies propias y de terceros para ofrecerte una mejor experiencia y servicio, dentro de nuestra Web de acuerdo a tus hábitos de navegación. Si continúas navegando, consideramos que aceptas expresamente su utilización. Puedes obtener más información de cómo gestionar y configurar las cookies en nuestra Política de Cookies.

×

Preferencias de Cookies


Cookies esenciales
Cookies funcionales
Cookies de análisis
Cookies de marketing