Incluso en un escenario futuro en el que los coches autónomos circulen solos y se gestionen de manera más eficiente, el problema de organizar la densidad del tráfico en las ciudades sigue siendo una de las principales preocupaciones de los regidores urbanos. La conversión en Smart City se basará en dos factores: la red de sensores conectados a Internet de las Cosas, y la Inteligencia Artificial que dará sentido a todos los datos recibidos de esa sensórica. O lo que es lo mismo, las ciudades y los servicios públicos estarán optimizados con algoritmos, como el que podría gestionar el tráfico y que vamos a conocer en este artículo.
Analizar los patrones de tráfico en la ciudad
Los modelos que predicen el volumen de tráfico para horas y lugares específicos se utilizan para informar de todo, desde los patrones de los semáforos hasta la aplicación de su teléfono que le dice cómo llegar del punto A al punto B. Investigadores de la Universidad Estatal de Carolina del Norte han demostrado ahora un método que reduce la complejidad computacional de estos modelos, haciéndolos operar de manera más eficiente.
«Usamos modelos para predecir cuánto tráfico habrá en un tramo de carretera dado en un momento específico», dice Ali Hajbabaie, coautor de un artículo sobre el trabajo y profesor asistente de ingeniería civil, de construcción y ambiental en el estado de Carolina del Norte.
Aunque estos modelos funcionan bien son con frecuencia demasiado complejos y añade, «las preguntas de pronóstico específicas pueden ser tan complejas desde el punto de vista computacional que son imposibles de resolver con recursos informáticos limitados o tardan tanto que la predicción solo está disponible cuando ya no es útil”.
El punto de partida de los investigadores para este trabajo fue un algoritmo diseñado para ayudar a simplificar los desafíos informáticos complejos, pero descubrieron que no se podía aplicar directamente a los problemas de tráfico, así que decidieron modificarlo.
“Entonces, modificamos ese algoritmo para ver si podíamos encontrar una manera de usarlo en modelos que predijeran cuánto tráfico habrá en un lugar y tiempo específicos”, dice Hajbabaie. “Y los resultados fueron gratificantes”.
Específicamente, los investigadores idearon una versión modificada del algoritmo que divide efectivamente el modelo de pronóstico de tráfico más grande en una colección de problemas más pequeños que luego pueden resolverse en paralelo entre sí.
Este proceso reduce significativamente el tiempo de ejecución del modelo de pronóstico. Sin embargo, el alcance de la eficiencia mejorada varía significativamente, dependiendo de cuán complejas sean las preguntas de pronóstico.
Cuanto más compleja es la pregunta, mayor es la eficiencia mejorada
El método modificado también mejora el tiempo de ejecución al permitir que el modelo reconozca cuándo ha llegado a una solución que es lo suficientemente buena; la solución no tiene que ser perfecta. Tradicionalmente, los modelos se ejecutarán hasta que encuentren una solución óptima, o una muy cercana a la óptima. Pero para la mayoría de los propósitos, un resultado que esté dentro del 5 %, o incluso del 10 %, de la solución óptima funcionará bien.
“Nuestro enfoque aquí esencialmente establece barras de error alrededor de la solución óptima y permite que el modelo deje de ejecutarse e informe un resultado cuando se acerca lo suficiente”, dice Hajbabaie.
Los investigadores probaron el algoritmo modificado contra un algoritmo de referencia utilizado en el software de consumo para abordar cuestiones relacionadas con la previsión del tráfico.
“Nuestro algoritmo modificado superó el punto de referencia de dos maneras”, dice Hajbabaie. “Primero, nuestro algoritmo usó mucha menos memoria de computadora. En segundo lugar, el tiempo de ejecución de nuestro algoritmo fue mucho más rápido.
“En este punto, estamos abiertos a trabajar con planificadores de tráfico e ingenieros que estén interesados en explorar cómo podemos usar este algoritmo modificado para abordar problemas del mundo real”.
El documento, “A Distributed Gradient Approach for System Optimal Dynamic Traffic Assignment» (Un enfoque de gradiente distribuido para la asignación de tráfico dinámico óptimo del sistema), aparece en IEEE Transactions on Intelligent Transportation Systems . El primer autor del artículo es Mehrzad Mehrabipour, Ph.D. estudiante en NC State. DOI: 10.1109/TITS.2022.3163369
Fuente: NC State University
La Revolución de las Smart City
Aunque el concepto no es nada nuevo, el despliegue definitivo de la red 5G va a permitir que las ciudades, y los entornos rurales, se digitalicen y se conviertan en ciudades inteligentes, en las que Internet of Everything logren una ordenación de los recursos y servicios capaces de mejorar la optimización y la sostenibilidad de los espacios públicos.
Como explica el Whitepaper Smart City Revolution elaborado por la APD y Vodafone Business, la digitalización de las ciudades es un objetivo prioritario, ya que «más allá de perseguir la sostenibilidad y la eficiencia, la digitalización de las ciudades también permite mejorar la calidad de vida de los ciudadanos, los servicios, la comunicación y la movilidad, así como proporcionar nuevas experiencias turísticas, fomentar la economía local o una mayor participación de los ciudadanos».
En dicho informe, que puedes descargar aquí en PDF, los expertos de Vodafone Business inciden en que el despliegue completo de redes 5G podría permitir que las Smart Cities sean hasta un 70% más eficientes en la gestión de la energía en distintas áreas como salud pública, seguridad, tránsito y gestión de servicios públicos, mejorando la calidad del aire, reduciendo las emisiones de carbono y optimizando la recogida de basuras, entre otros beneficios.

Descargar Whitepaper Smart City Revolution elaborado por APD y Vodafone Business