Suscríbete al newsletter The NewNow

Y te mantendremos al tanto de los últimos artículos y noticias

Los campos marcados con * son obligatorios

Diseñando el transporte urbano con Big Data móvil

En la última edición de las Actas de la Academia Nacional de Ciencias, los investigadores del MIT y Ford Motor Company describen un nuevo sistema computacional que utiliza los datos de localización del teléfono móvil para inferir patrones de movilidad urbana.

En la toma de decisiones sobre el desarrollo de infraestructuras y la asignación de recursos, los planificadores de una ciudad se basan en modelos de cómo la gente se mueve a través de sus ciudades, sea a pie, en automóvil o en transporte público. Estos modelos se basan en gran medida en las encuestas de hábitos de viaje de los residentes. Sin embargo, la realización de encuestas y el análisis de sus resultados es costoso y necesita mucho tiempo. A veces transcurre más de una década entre las encuestas y a veces cubrirá sólo una pequeña fracción de la población de una ciudad. Esto a la velocidad de desarrollo actual es de poca ayuda para los urbanistas y responsables municipales.

BIG DATA para una ciudad eficiente

Aplicando los datos recogidos de los teléfonos móviles de los residentes de la zona de Boston durante seis semanas, los investigadores fueron capaces de definir rápidamente el tipo de modelo de los patrones de movilidad urbana que normalmente llevaría años completar.

Además de ser más precisa la toma de datos, lo es también más rápido y puede llegar a utilizarse en tiempo real para saber cómo los usuarios utilizan el transporte público o cómo reaccionan a las incidencias, aplican alternativas, etc.

En los EE.UU., cada área metropolitana tiene una MPO, que es una organización de planificación metropolitana, y su tarea principal es utilizar las encuestas de viajes para derivar el modelo de la demanda de transporte, como línea de base para la predicción y la demanda de viajes y realizar los pronósticos para construir infraestructura. Este método y el modelo desarrollado por el MIT podría ser la próxima generación de herramientas para los planificadores que planifican la próxima generación de infraestructuras y creación de Smart Cities.

 

Ventajas del BIG DATA móvil frente a estudios analógicos

Para validar su nuevo sistema, los investigadores compararon el modelo que genera el sistema utilizado actualmente por la MPO de Boston. “La gran ventaja de nuestro marco es que se aprende características de movilidad de un gran número de usuarios, sin tener que pedir directamente detalles acerca de sus opciones de movilidad— explica Marta Gonzáles, profesora asociada de Ingeniería Cicil y Ambiental en el MIT y una de las autoras del estudio—En base a eso, creamos modelos individuales para calcular trayectorias diarias completas de la gran mayoría de usuarios de teléfonos móviles. Probablemente, con el tiempo, veremos que esto trae la ventaja comparativa de hacer la planificación del transporte urbano más rápido y más inteligente e incluso, permitirá comunicar directamente las recomendaciones a los dispositivos de los usuarios”.

Avanzar a la misma velocidad que la ciudad real

Las prácticas de la MPO Boston son bastante estándar en una ciudad de su nivel de importancia. Boston realizó una encuesta de movilidad urbana en 1994 y otra en 2010. Su modelo de movilidad actual, sin embargo, sigue utilizando los datos de 1994. Esto se debe a que ha dedicado los seis años en cuestión simplemente para ordenar el modelo a través de todos los datos recogidos en 2010. Sólo que ahora tiene el trabajo de organizar esos datos en un modelo predictivo ya iniciado.

La encuesta de 2010 pidió a cada uno de los 25.000 residentes de la zona de Boston que mantuviera un diario de viaje de un solo día.

A partir de esos diarios, combinados con los datos del censo y la información de los sensores de tráfico, la MPO intenta modelar los movimientos de los 3,5 millones de habitantes del área metropolitana de Boston.

Si bien los investigadores del MIT tenían acceso a muchos más datos y seis semanas de cada uno de 1,92 millones de habitantes, era menos completa. Los registros de teléfonos celulares informan sólo de los lugares en los que los usuarios realizan llamadas o acceden a Internet. Los investigadores tuvieron que descartar el 25 por ciento de la información, ya que era demasiado escasa.

Un algoritmo que sigue nuestros pasos

Del resto de datos útiles su algoritmo fue capaz de inferir patrones de actividad que se repiten a lo largo del período de seis semanas.

Para reconstruir una imagen del día de un usuario móvil, el algoritmo hace algunas suposiciones. Una de ellas es que la ubicación desde la que un usuario se aleja de la mañana y al que regresa por la noche es su casa.

Otra es que la ubicación de las estancias más largas recurrentes durante las horas del día de lunes a viernes indica el lugar de trabajo del usuario.
Por último, el algoritmo supone que las longitudes de días de trabajo de muchas personas concuerdan con los promedios nacionales. Por ejemplo, si un usuario determinado hace las llamadas telefónicas de trabajo sólo entre las 12 pm y las 2 pm, el sistema no lo interpreta como prueba de dos horas día de trabajo, a menos que la interpretación sea corroborada por otros datos, tales como llamadas regulares desde su casa a las 11:30 am y 2:30 pm. Las estimaciones de la duración de la jornada laboral son probabilísticas, sin embargo el modelo no asume que las personas llegan al trabajo exactamente a la misma hora todas las mañanas.

Cualquier lugar distinto del trabajo y el hogar son tratados por igual. A partir de los datos disponibles, el sistema construye un modelo de movilidad probabilística para cada usuario, empezando cada día de la semana en incrementos de 10 minutos. Por cada incremento, el modelo indica la probabilidad de un cambio de ubicación, posibles destinos, y la cantidad de tiempo que suele ser empleado en cada uno de esos destinos. Entonces, el sistema generaliza esas probabilidades en todas las comunidades, sobre la base de los datos del censo, y deduce el tráfico acumulado fluye desde el mapa de probabilidad resultante.

Este tipo de aprovechamiento de la huella digital, o Fingerprinting, que vamos dejando a nuestro paso por lugares públicos o privados tiene también como ya vimos en The New Now, una apliacación comercial.