Las ciudades y el tráfico del futuro

La idea muestra las posibilidades de la monitorización de datos de consumo y el papel del machine learning en la regulación de los ecosistemas humanos

06-08-2018

blog-post-image

Un profesor de Carnegie Mellon, Sean Qian, y su estudiante doctoral, Pinchao Zhang, han llevado a cabo una investigación sobre el consumo eléctrico de 322 hogares anónimos a lo largo de 79 días en la ciudad de Austin (Texas), y han sido capaces de alimentar con esos datos un algoritmo capaz de predecir los patrones del tráfico matutino, el momento y lugar de los atascos, de una manera mucho más precisa que analizando los datos de tráfico en tiempo real.

La idea muestra las posibilidades de la monitorización de datos de consumo y el papel del machine learning en la regulación de los ecosistemas humanos: para la detección, no es preciso conocer el tipo de consumo, el electrodoméstico utilizado o ningún tipo de dato personal de los usuarios: simplemente se trata de monitorizar patrones de consumo genéricos, de caracterizar los hábitos de los usuarios convenientemente anonimizados, y de desarrollar y alimentar con ellos un modelo predictivo. Los datos de tráfico en tiempo real resultan mucho menos útiles a la hora de predecir el tráfico y generan entornos en los que las posibilidades de gestión son mucho más bajas que los obtenidos mediante este tipo de análisis, lo que podría permitir el desarrollo de diversas acciones correctoras, consejos a los usuarios, etc.

El uso de patrones de consumo eléctrico ofrece una gran variedad de posibilidades, y puede dar lugar a analíticas cada vez más interesantes que mejoren el uso de los ecosistemas urbanos. A medida que la progresiva electrificación de los hogares y el uso de contadores inteligentes permite obtener patrones cada vez más precisos, así como caracterizar, por ejemplo, elementos del consumo característicos, como los vehículos eléctricos. Un entorno así, combinado con elementos sociales como los comentarios en redes o el uso de aplicaciones como Waze ofrecen un potencial de datos de una gran riqueza que, de hecho, están ya siendo utilizados como canales de comunicación para tratar de gestionar determinadas situaciones y circunstancias del tráfico.

El caso de Waze es especialmente interesante: la app creada por la compañía israelí, adquirida por Google en 2013, supone un patrón de uso dramáticamente diferente del existente en la gran mayoría de las apps de GPS: la mayoría de sus usuarios no la utilizan cuando quieren averiguar cómo llegar a un sitio específico, sino de manera habitual cuando conducen para ir, por ejemplo, a su casa o a su trabajo, lugares que conocen perfectamente, con el fin precisamente de monitorizar los patrones del tráfico o enterarse de posibles circunstancias que puedan afectar su evolución. Esa idea de “el GPS que utilizo todo el tiempo” permite que, por ejemplo, las agencias gubernamentales lo utilicen para, por ejemplo, alertar sobre el uso de un carril reversible o de la localización de un accidente, uniéndose a muchos otros usuarios que envían esos detalles también a través de la app, al tiempo que permiten el uso de sus datos de geolocalización y velocidad en cada vía y en cada momento. Google integra datos de Waze para introducir en Google Maps los detalles del tráfico, pero la app sigue, además, funcionando de manera independiente.

Otras apps diseñadas para el transporte urbano, como Citymapper, que utilizan datos en tiempo real sobre el transporte público e incorporan cada vez más medios de transporte alternativos como bicicletas o patinetes, son también susceptibles de generar también patrones de uso continuo, en los que un usuario las lleva activadas en todo momento para seguir las circunstancias de su ruta, obtener un tiempo estimado de llegada y estar al tanto de las posibles incidencias a lo largo del proceso, y podrían servir igualmente tanto como fuente de datos del sistema o como medio de comunicación personalizado con los usuarios. Otras, como las utilizadas por gestores de flota como Uber, permiten elementos que van mucho más allá, y que llegan al control de las circunstancias de la conducción para detectar patrones como frenadas bruscas, velocidad excesiva o curvas tomadas de manera que puedan generar incomodidad al pasajero.

La posibilidad de combinar ese tipo de datos junto con los de consumo eléctrico podría dar lugar a sistemas de control mucho más eficientes que los actuales, capaces de generar de manera mucho más precisa un estimado del tiempo de transporte en función de las circunstancias del tráfico, junto con consejos individualizados para cada uno de los usuarios. Un sistema de elevada complejidad – no todos los usuarios participan en él, y la participación no implica necesariamente que la recomendación de la app sea seguida – pero que tiene todos los elementos para poder ser adecuadamente gestionado mediante un algoritmo de machine learning.

Moverse por las ciudades del futuro no va a tener nada que ver con lo que es ahora, y no solo por los más que previstos cambios en los medios de comunicación o el paso del automóvil desde su estatus actual de producto al de servicio… va a ser un sistema de incorporación continua de datos de todo tipo de fuentes, de apps y flotas que proporcionan esos datos anonimizados a los ayuntamientos como parte de su contrato de licencia para operar en las ciudades, analizados en tiempo real por los correspondientes algoritmos de machine learning. Que los gestores municipales vayan pensando en cómo ponerse las pilas de cara a ese nuevo entorno.

 

Fuente: https://www.enriquedans.com/2018/07/las-ciudades-y-el-trafico-del-futuro.html?amp=1

Volver