El passat 22 d’abril, el diari el País, va publicar una notícia creada per dos responsables tècnics de projectes de l’inLab FIB, experts en Data Science i Big Data, Albert Obiols i Gonzalo Recio. La notícia recentment publicada, ens explica com a través de les dades històriques i les xarxes neuronals, podem crear models de predicció que permetin saber als usuaris de la xarxa d’autobusos, l’ocupació en temps real de l’autobús.
L’objectiu de saber-ne l’ocupació estimada, permetria a l’usuari poder escollir en quina parada i en quin autobús podrien pujar en funció de l’activitat de les expedicions, fet que podria evitar les aglomeracions que es produeixen diàriament al transport públic. Per poder dur a terme aquesta eina, durant el projecte caracterització i modelització de la demanda de passatgers als autobusos, el desenvolupament s’ha realitzat juntament amb l’empresa Ityneri.
Arran de la Covid-19, la possibilitat de poder evitar les aglomeracions i poder frenar els contagis va ser de cabdal importància per moltes empreses, ja que permetre que els usuaris habituals de la xarxa, poguessin saber l’ocupació amb què es trobaran en pujar a un autobús, seria un valor afegit respecte a moltes altres que oferien el mateix servei.
Per poder dur a terme la implementació al servei d’aquesta funcionalitat, els nostres experts van recórrer a tècniques actuals de la intel·ligència artificial basades en metodologies data-driven (guiades per les dades). Aquestes metodologies, gràcies a les dades històriques dels viatges de cada vehicle, permeten a través de l’aprenentatge supervisat, construir un model predictiu que permet detectar ocurrències de patrons temporals per elaborar en un futur les prediccions en el transport públic per carretera en un futur i poder modelar el comportament dels passatgers.
Al llarg de la notícia, l’Albert i en Gonzalo, expliquen en què consisteix entrenar una xarxa neuronal recurrent i com gràcies a les dades, el nostre model pot arribar a ser capaç de calcular l’ocupació dels busos a cadascuna de les parades per on passen donant-li com a dades: la informació de l’autobús, la parada, l’ocupació prèvia de les parades anteriors, el calendari,… per poder retornar una estimació del nombre de passatgers que hi haurà. Aquesta predicció de les línies, cal notar que es podria estendre a qualsevol de les línies i per qualsevol de les ciutats amb les seves respectives parades, ja que el model podria ser-ne igualment vàlid.
Les prediccions elaborades amb aquest tipus concret de xarxes neuronals, per aquest problema d’ocupació és molt important, perquè saber l’ocupació prèvia de les parades anteriors, ens resultarà una informació molt rellevant, pel fet que poder saber-la pot condicionar molt l’ocupació de la propera parada.
A la imatge que es mostra una mica més endavant es pot veure un exemple del que el model prediu per a diferents autobusos: l’eix de les x és l’eix temporal i el de les y representa l’ocupació del bus. Notem com l’ocupació dels vehicles comença a zero a l’inici del viatge, va pujant i torna a baixar a zero quan finalitzen el trajecte tal com s’aprecia pels “turons” que es formen al gràfic.
Exemple de prediccions d’ocupació futur. En blau, l’ocupació real (segons dades històriques). En taronja, la predicció a futur.
Podeu consultar la notícia completa a la secció de tecnologia del diari, o bé a través de l’enllaç:https://elpais.com/tecnologia/cronicas-del-intangible/2022-04-22/podemos-predecir-la-ocupacion-que-tendran-los-autobuses.html