Transporte público más ajustado a las necesidades de los usuarios gracias al 'big data' y la inteligencia artificial

Las nuevas guaguas de Titsa presentadas en septiembre frente al Auditorio de Tenerife Adán Martín

Adrián Suárez

Las Palmas de Gran Canaria —

0

Los sistemas de transporte público modernos generan una ingente cantidad de información que, gracias a los avances en la ciencia de datos y el big data, pueden ayudar a crear sistemas más eficientes y adecuados a las necesidades de la sociedad.

"Cada día se está generando muchísima información. Tenemos en torno a 160.000 usuarios diarios generando datos, pero estos datos por sí solos no valen nada", dice Ginés León, responsable del departamento de data science y big data de Titsa, la empresa de Transporte Interurbano de Tenerife.

El trabajo del departamento liderado por León en la creación de una matriz de origen y destino le ha valido el reconocimiento a Mejor Iniciativa Empresarial o de Administración Pública Big Data en la 4ª edición de los Data Science Awards, que organiza anualmente LUCA, la unidad de datos e Inteligencia Artificial de Telefónica.

¿Cómo se usa el big data en el transporte público? big data

La matriz de origen y destino es un sistema para comprender mejor cómo los viajeros usan la red de transporte público, señalando dónde se sube y dónde se baja cada usuario. Este proceso no es sencillo, ya que muchas veces se puede conocer en que lugar un viajero entra a la guagua, pero no su destino. Para completar su base de datos, el equipo de León ha trabajado en tres fases, usando diferentes fuentes de datos en conjunto con las herramientas del big data y la inteligencia artificial.

La primera es la recopilación de los datos de subida y bajada de la guagua directamente en las validadoras a bordo. Los usuarios que usan una tarjeta de saldo pagan dependiendo del trayecto y, por lo tanto, tienen que validar su tarjeta. Si no hacen esto cuando llegan a su destino, se les cobra el viaje entero. Estos son los datos más sencillos de recopilar, pero solo suponen un 25% del total de usuarios.

La segunda es la deducción del comportamiento de cada usuario en base a los datos que ya tiene la empresa, de cómo se suele mover. León explica este sistema de obtención de datos con el ejemplo de los trasbordos: "Si alguien sale de La Laguna y va hacia el sur de la isla tiene que coger dos vehículos. ¿Dónde se ha bajado del primer vehículo? Pues en aquella parada más cercana de dónde cogió el segundo para ir hacia el sur". Este sistema deductivo también se puede aplicar en el caso de un viaje regular de ida y vuelta como los trayectos al trabajo o al colegio. Si un usuario toma la misma línea de ida y vuelta cada día y sabemos dónde se sube a la tarde, se puede deducir dónde se baja a la mañana.

La tercera conlleva el uso de algoritmos predictivos e inteligencia artificial para predecir, en base a los datos generados por las dos fases anteriores, el comportamiento de cada usuario. El sistema de Titsa se alimenta de los datos generados constantemente para estimar, con creciente precisión, dónde se baja cada uno de los usuarios. Las predicciones que genera este sistema de inteligencia artificial luego se validan contrastándolas con los datos de la matriz de origen y destino basada en datos móviles que tiene el Cabildo de Tenerife.

León asegura que la aplicación de la ciencia de datos al transporte público es efectiva porque "las personas tenemos una rutina y unos movimientos bastante metódicos. Si calcamos una semana con otra, los comportamientos se parecen mucho".

¿Cómo puede ayudar el 'big data' a mejorar el sistema de transporte público?  

Con los datos de cómo los viajeros usan la red de transporte, el equipo de gestión de datos de Titsa está creando ahora el modelo de una red utópica que representa la manera más adecuada de satisfacer las necesidades de los viajeros. Solapando esta red con la actual, pueden ver en qué puntos se pueden proponer cambios para adecuar el servicio a la realidad del uso.

Si los cambios propuestos son pequeños, como añadir una expedición o una parada en un punto habilitado a una línea existente, se pueden implementar rápidamente. Sin embargo, los cambios de calado necesitan de un trabajo de planificación, coordinación y comunicación.

Además, los datos de la matriz origen y destino permiten a Titsa planificar su reacción en casos condiciones adversas. "La gestión de datos nos permite no solo tener una red más eficiente, sino también una red más ágil para responder a escenarios desfavorables", explica León. Por ejemplo, simulando casos como el corte de una carretera o la falta de guaguas o conductores, el sistema puede proponer una reacción de la red para que la situación afecte al mínimo número de usuarios.

El trabajo del equipo de León no se acaba con la creación de la matriz de origen y destino. Los científicos de datos continúan buscando bases de datos con los que afinar sus modelos. Los factores geográficos, socioeconómicos o meteorológicos alteran el uso diario del transporte público. Además, tienen que actualizarlos constantemente para adaptarse a cualquier cambio y que sus propuestas se adecúen el máximo posible a las necesidades reales de los viajeros.

Etiquetas

Descubre nuestras apps

stats