Inteligencia artificial: una nueva tecnología para optimizar la movilidad urbana en Valencia

La digitalización de los procesos, la conectividad entre la mayoría de los dispositivos que se lanzan al mercado, e incluso la interacción entre las personas generan una gran cantidad de información. Según el portal especialista en ciberseguridad DataProt, se estima que este volumen asciende a 2,5 quintillones (2,5 x 1030) de bytes de datos por todas las personas conectadas a Internet. Es más, en el mundo, cada segundo, se conectan 127 dispositivos a la red por primera vez.

Estos sets de grandes volúmenes de datos, a los que se le suele referir por Big Data, requieren de especialistas y profesionales cada vez más preparados para obtener resultados valiosos y potenciales líneas de negocio para las empresas. Los profesionales que desarrollan su carrera en este ámbito son los denominados especialistas en Data Science, y mediante el uso de herramientas de Machine Learning (ML) o Inteligencia Artificial (IA) son capaces de extraer tendencias o resultados que no son evidentes de una manera intuitiva. En este sentido, el denominado Analytics as a Service (AaaS) trata de obtener el máximo partido de esta información.

La generación y utilización de datos relevantes en el ámbito de la movilidad conectada y sostenible desempeña un papel fundamental en la creación de soluciones innovadoras que mejoren la eficiencia, seguridad y sostenibilidad para las Smart Cities del futuro. Esta amplia variedad de datos que provienen de muy diferentes y diversas fuentes permite generar una serie de aplicaciones, modelos y herramientas digitales para mejorar la vida diaria de las personas, optimizar procesos o tomar decisiones de una forma razonada, basada en información real. El Machine Learning o la Inteligencia Artificial representan algoritmos que dotan a los ordenadores de la capacidad de identificar patrones en estos sets de Big Data para realizar tareas de manera autónoma y poder realizar predicciones, que es lo que comúnmente se llama modelo predictivo. Entre los campos donde es posible obtener unos mayores retornos de este tipo de algoritmos, se encuentran la movilidad y el transporte.

Estos sectores son esenciales para el funcionamiento productivo de la economía y la capacidad de los individuos para acceder a los servicios básicos. Los servicios de transporte y movilidad son una parte importante de la economía, representando al menos el 5% del valor agregado total de la UE y empleando aproximadamente a 10,5 millones de personas. Además, uno de los objetivos estratégicos de la Unión Europea se centra en el desarrollo de un mercado de datos digitales abierto a todo el mundo para potenciar el crecimiento y desarrollo de la sociedad.

Estas herramientas tienen aplicaciones en diferentes sectores, entre ellos el transporte y la movilidad, cuyos principales desafíos se relacionan con la congestión del tráfico. Las consecuencias son amplias e incluyen un aumento en las tasas de accidentes, tiempos de viaje mayores, un consumo adicional de combustible, un incremento de la contaminación del aire y, por ende, un deterioro de la salud a nivel general. Según un informe del Instituto de Prospectiva Tecnológica (JRC-IPTS) de la Comisión Europea, en España se pierden más de 420 millones de horas en atascos, suponiendo un coste anual de unos 5.500 millones de euros.

Figura 1: Intensidad, velocidad y ocupación de una espira electromagnética para la medición del tráfico durante una semana. Fuente: elaboración propia.

Desde el centro tecnológico ITENE, especializado en el desarrollo de soluciones para la movilidad, el transporte y transformación digital, se ha desarrollado una herramienta capaz de estimar los niveles de congestión de la ciudad de Valencia para cada uno de sus barrios. Este modelo, en el marco del proyecto eMobConnect, financiado por el IVACE+i con fondos Feder, es capaz de predecir con una precisión de hasta el 90% la intensidad de tráfico esperada con diez días de antelación.

Para ello, se ha generado una base de datos de movilidad a partir de información de tráfico en tiempo real proporcionada por el Portal de Datos Abiertos del Ayuntamiento de Valencia y meteorológica procedente de las estaciones de AEMET, los calendarios laborales de la ciudad y municipios aledaños o las incidencias de la vía en los alrededores. Así, se ha capturado la información del tráfico de los últimos cinco años. De este modo, se ha logrado un algoritmo con capacidad de retroalimentarse de forma autónoma para mantener las predicciones actualizadas. En la Figura 1 se muestran los datos proporcionados por una de las espiras electromagnéticas analizadas. Estos dispositivos han sido instalados por el ayuntamiento en puntos clave de la ciudad y permiten realizar un monitoreo del estado del tráfico en tiempo real.

Respecto al tratamiento de las incidencias de la vía, se recogió el número total de actuaciones de cada uno de los distritos para baremar la cantidad de actuaciones y, finalmente, añadir una proporción fija en la baremación si los distritos colindantes contaban con alguna actuación activa en el momento de la predicción. De este modo, se obtiene un valor representativo del número de actuaciones a los que está expuesto un distrito.

A partir de la información almacenada en esta base de datos, y después de realizar las tareas propias de análisis y limpieza de datos, ha sido posible desarrollar una herramienta para dar soporte a la optimización de rutas vía la predicción de la congestión del tráfico. Para ello se probaron diferentes soluciones predictivas, entre las que se encontraban las Redes Neuronales, el Random Forest o el algoritmo Gradient Boosting Classifier. Los resultados mostraron que este último, el Gradient Boosting Classifier, fue el algoritmo que mejores resultados en términos de precisión ofrecía, logrando valores de hasta un 90% para alguno de los barrios analizados.

Conceptualmente, y de forma esquemática, se muestra en la Figura 2 el funcionamiento básico de este modelo, así como las relaciones entre los conceptos que forman dicho modelo. A partir de una base de datos se realizan una serie de entrenamientos, obteniendo resultados parciales denominados residuos. Tras realizar una cantidad de iteraciones determinada y obtener sus respectivos residuos, éstos se aglutinan y forman la predicción del modelo.

El desarrollo de este modelo permite a los usuarios individuales, a las empresas de logística o al propio ayuntamiento disponer de una herramienta inteligente para organizar y ordenar los movimientos o transportes. De este modo, es posible anticipar atascos o mayores retrasos durante la ruta habitual y modificar el trayecto para evitar en la medida de lo posible la congestión del tráfico.

Esto es especialmente relevante para las empresas de reparto de última milla, donde la selección de ruta adecuada y su optimización es un proceso clave que marca la línea entre obtener, o no, beneficios de su operativa. La aplicación cuenta con una API propia para, precisamente, facilitar la integración de estas predicciones con los sistemas de información de los usuarios finales.

Actualmente, en ITENE se trabaja en la mejora del algoritmo de predicción de esta herramienta. El objetivo es aplicar mejoras en la parametrización del modelo y en la calidad de la base de datos, para, de este modo, obtener resultados con mayor precisión y granularidad. Esto permitirá afinar las predicciones y lograr una predicción desglosada por calles.