Utilizando el Big Data generado por la API de una empresa de Car Sharing y algoritmos de Aprendizaje Automático, un investigador de Complexity Science Hub (Viena) propone un modelo matemático capaz de predecir el tráfico en las ciudades.
El nuevo modelo de aprendizaje automático presentado puede predecir la actividad del tráfico de la ciudad en diferentes zonas urbanas utilizando datos de una de las principales empresas de autos compartidos en Italia como indicador del tráfico total de la ciudad. Comprender cómo interactúan las diferentes zonas urbanas puede ayudar a evitar los atascos de tráfico, por ejemplo, y permitir respuestas específicas de los formuladores de políticas, como la expansión local del transporte público.
“A medida que las poblaciones crecen en las áreas urbanas, este conocimiento puede ayudar a los legisladores a diseñar e implementar políticas de transporte efectivas y planificación urbana inclusiva”, dice Simone Daniotti del Complexity Science Hub.
Analizar los trayectos y atar cabos entre ambos puntos
Por ejemplo, como explican en el artículo publicado en la web del Hub, si el modelo muestra que existe una conexión no trivial entre dos zonas, es decir, que las personas viajan de una zona a otra por ciertas razones, se podrían proporcionar servicios que compensen esta interacción. Si, por otro lado, el modelo muestra que hay poca actividad en un lugar en particular, los formuladores de políticas podrían usar ese conocimiento para invertir en estructuras para cambiar eso.
Para este estudio, una importante empresa de coches compartidos proporcionó los datos: la ubicación de todos los coches de su flota en cuatro ciudades italianas ( Roma, Turín, Milán y Florencia ) en 2017.
Los datos se obtuvieron consultando constantemente las API web del proveedor de servicios, registrando la ubicación de estacionamiento de cada automóvil, así como las marcas de tiempo de inicio y finalización. “Esta información nos permite identificar el origen y el destino de cada viaje”, explica Daniotti.
Daniotti usó eso como un proxy para todo el tráfico de la ciudad y creó un modelo que no solo permite un pronóstico espacio-temporal preciso en diferentes áreas urbanas, sino también una detección precisa de anomalías como huelgas y malas condiciones meteorológicas, ambas relacionadas con el tráfico.
El modelo también podría hacer predicciones sobre patrones de tráfico para otras ciudades como Viena. “Sin embargo, esto requeriría datos apropiados”, señala Daniotti.
Mejorando otros modelos de predicción del tráfico
Si bien ya existen muchos modelos diseñados para predecir el comportamiento del tráfico en las ciudades, “la gran mayoría de los modelos de predicción sobre datos agregados no son totalmente interpretables. Aunque alguna estructura del modelo conecta dos zonas, no pueden interpretarse como una interacción”, explica Daniotti. Esto limita la comprensión de los mecanismos subyacentes que gobiernan las rutinas diarias de los ciudadanos.
Dado que solo se considera un número mínimo de restricciones y todos los parámetros representan interacciones reales, el nuevo modelo es totalmente interpretable .
“Por supuesto que es importante hacer predicciones”, explica Daniotti, “pero puedes hacer predicciones muy precisas, y si no interpretas los resultados correctamente, a veces corres el riesgo de sacar conclusiones muy equivocadas”.
Sin saber la razón por la cual el modelo muestra un resultado particular, es difícil controlar los eventos en los que el modelo no mostró lo que esperaba. “Inspeccionar el modelo y comprenderlo nos ayuda, y también a los hacedores de políticas, a no sacar conclusiones equivocadas”, señala Daniotti.
El estudio “ Un enfoque de máxima entropía para el modelado de la dinámica de estacionamiento de automóviles compartidos ” ha sido publicado en Scientific Reports .
A maximum entropy approach for the modelling of car-sharing parking dynamics https://doi.org/10.1038/s41598-023-30134-9
Simone Daniotti, Bernardo Monechi & Enrico Ubaldi
Abstract: La ciencia de las ciudades es un tema relativamente nuevo e interdisciplinario destinado a estudiar y caracterizar los procesos colectivos que dan forma al crecimiento y la dinámica de las poblaciones urbanas. Entre otros problemas abiertos, el pronóstico de las tendencias de movilidad en los espacios urbanos es un tema de investigación vivo que tiene como objetivo ayudar al diseño e implementación de políticas de transporte eficientes y planificación urbana inclusiva. Con este fin, se han propuesto muchos modelos de aprendizaje automático para predecir patrones de movilidad. Sin embargo, la mayoría de ellos no son interpretables, ya que se basan en representaciones ocultas complejas de las configuraciones del sistema, o no permiten la inspección del modelo, lo que limita nuestra comprensión de los mecanismos subyacentes que impulsan las rutinas diarias de los ciudadanos.
En este estudio abordan el problema mediante la construcción de un modelo estadístico totalmente interpretable que, incorporando sólo el mínimo número de condicionantes, se pueden predecir diferentes fenómenos que se presentan en la ciudad.
Utilizando datos sobre los movimientos de vehículos de uso compartido de automóviles en varias ciudades italianas, inferimos un modelo utilizando el principio de máxima entropía (MaxEnt). El modelo permite una predicción espacio-temporal precisa de la presencia de vehículos de carsharing en diferentes áreas de la ciudad y, gracias a su formulación simple pero general, realizar con precisión la detección de anomalías (por ejemplo, detectar huelgas y malas condiciones climáticas a partir de datos de carsharing). Comparan las capacidades de pronóstico de su modelo con diferentes modelos de última generación creados explícitamente para el pronóstico de series temporales: modelos SARIMA y modelos de aprendizaje profundo. Encontraron que los modelos MaxEnt son altamente predictivos, superando a los SARIMA mientras tienen rendimientos similares a las redes neuronales profundas, pero con las ventajas de ser más interpretables, más flexibles (es decir, se pueden aplicar a diferentes tareas) y ser computacionalmente eficientes. Los resultados muestran que la inferencia estadística podría desempeñar un papel fundamental en la construcción de modelos robustos y generales que describan los fenómenos de los sistemas urbanos.
Fuente: Complexity Science Hub
En este vídeo del Observatorio Vodafone de la Empresa, Mark Saunders analiza el futuro de la ciudad a través de la tecnología con datos como este: Un coche de ‘car share’ permite reducir en hasta quince el número de automóviles en circulación.
Otras noticias sobre Movilidad Urbana y Navegación que podrían interesarte:
- Vehículos Autónomos y control humano de la conducción
- Las estaciones de tren serán claves en el futuro de las Smart Cities
- Algoritmo para mejorar el tráfico en las ciudades
- Pruebas de seguridad para vehículos altamente automatizados
- Flexibilidad de carga de los vehículos eléctricos automatizados compartidos
- Autopistas conectadas con pavimento inteligente
- Perspectivas de futuro ante las Smart Cities
- Apps y conducción ecológica
- Diseñando el transporte urbano con Big Data móvil
- La colaboración entre coches autónomos acelera el tráfico
- Tiempo de redefinir las normas de tráfico y las infraestructuras
- El tráfico autónomo dependerá de las matemáticas
- La red 4G podría evitar accidentes en tráfico