Del 18 al 20 de septiembre de 2019 tuvo lugar el Euro Working Gropu on Transportation (EWGT), un congreso organizado desde el Departamento de Estadística e Investigación Operativa de la UPC.
El chair del congreso era Esteve Codina, profesor colaborador del inLab FIB.
Durante los tres días que duro el congreso se presentaron diversos trabajos:
Improving Parking Availability Information Using Deep Learning Techniques
Jamie Arjona, Maria Paz Linares, Josep Casanovas-Garcia y Juan José Vázquez Giménez
Presentador: Jamie Arjona
Resumen: El tráfico urbano afecta actualmente la calidad de vida en las ciudades y las áreas metropolitanas a medida que el problema se agrava surgen cada vez más por problemas de estacionamiento: la congestión aumenta debido a que las personas buscan espacios para estacionar sus vehículos. Un enfoque de Internet de las cosas permite a los conductores conocer el estado del sistema de estacionamiento en tiempo real a través de redes inalámbricas de dispositivos sensores. Este trabajo se centra en estudiar los datos generados por los sistemas de estacionamiento para desarrollar modelos predictivos que generen información pronosticada. Esto puede ser útil para mejorar la gestión de las áreas de estacionamiento. Esta investigación comienza observando el estado del arte en métodos predictivos basados en el aprendizaje automático para series de tiempo. Luego, este documento presenta los métodos de redes neuronales recurrentes que se utilizaron en esta investigación, a saber, la memoria a corto plazo a largo plazo y la unidad recurrente cerrada, así como los modelos desarrollados de acuerdo con escenarios reales en diferentes ciudades. Para mejorar la calidad de los modelos, se tienen en cuenta variables exógenas como el clima por hora, los efectos del calendario y, los modelos de referencia se comparan con los modelos que utilizaron esta información. Finalmente, se describen los resultados preliminares alentadores, seguidos de sugerencias para el trabajo futuro correspondiente.
A Multi-Objective Programming Model for Timetables on Corridors Integrating Macroscopic and Microscopic Approaches
Ángel G. Marín y Esteve Codina
Presentador: Esteve Codina
Resumen: Se propone un marco integrado para el diseño de horarios que combina los requisitos de los planificadores de servicios, que generalmente adoptan un punto de vista puramente macroscópico de los requisitos de la demanda y los conflictos que estos horarios pueden surgir en las estaciones. Los planificadores de servicios pueden no tener en cuenta estos aspectos, ya que es necesario un análisis microscópico de la estructura de las estaciones considerando posibles conflictos en las plataformas. El modelo integrado propuesto garantiza horarios viables que equilibran los índices de rendimiento para los intereses del pasajero y del operador al tiempo que garantiza la viabilidad. Las diferencias entre los horarios óptimos para los planificadores de servicios y los que están operativos en las estaciones se mantienen dentro de los límites especificados. El problema resultante se ha modelado como un problema de Programación lineal de enteros mixtos de objetivos múltiples. El modelo puede resolverse de manera óptima en un tiempo de computación razonable como se muestra en las pruebas que utilizan la red ferroviaria de alta velocidad Madrid-Zaragoza-Barcelona. Para este caso, se realiza un análisis de frontera de Pareto que muestra que el problema está bien planteado. Además, según el modelo anterior, se desarrolla un procedimiento heurístico para obtener horarios que eviten en la mayor medida posible las concentraciones de llegadas/salidas a/en las estaciones, lo que permite una mejor capacidad de recuperación y solidez del horario en caso de interrupciones inesperadas.
Using GPS Tracking Data to Validate Route Choice in OD Trips Within Dense Urban Networks
Lídia Montero y Xavier Ros-Roca
Presentadora: Lídia Montero
Resumen: Hoy en día, hay varias compañías que proporcionan mediciones de sistema de posicionamiento global (GPS) procesadas o sin procesar de flotas de vehículos comerciales, aplicaciones de Internet o compañías de automóviles. El objetivo de este documento es profundizar la comprensión sobre la aplicabilidad de los datos GPS para fines de modelado de transporte al proporcionar información sistemática y cuantificada sobre la representatividad de los datos recopilados al describir la elección de ruta de las personas. Desafortunadamente, los datos reales a menudo contienen ruido, incertidumbre, errores, redundancias o incluso información irrelevante. Se obtendrán modelos inútiles cuando se construyan sobre datos incorrectos o incompletos. Es por eso que el preprocesamiento es uno de los pasos más críticos del análisis de datos en cualquiera de sus formas. Sin embargo, el preprocesamiento aún no se ha sistematizado adecuadamente, este documento se centra en los pasos de preprocesamiento requeridos en los datos de seguimiento GPS junto con una propuesta para sistematizarlos. Además, el nivel de agregación está en la ubicación del punto de referencia para posiciones GPS de baja latencia en la trayectoria de su viaje. La fiabilidad del tiempo de viaje en rutas OD se aborda entre otras características de ruta OD. La elección de ruta en redes urbanas densas enfrenta múltiples posibilidades y los datos de las nuevas tecnologías ofrecen la oportunidad de comprender el comportamiento de elección de ruta.
A Comparison of Deep Learning Methods for Urban Traffic Forecasting Using Floating Car Data
Juan José Vázquez Giménez, Jamie Arjona Martínez, Mari Paz Linares Herreros y Josep Casanovas Garcia
Presentadora: Mari Paz Linares
Resumen: Las ciudades de hoy deben abordar el desafío de la movilidad sostenible, y el pronóstico del estado del tráfico juega un papel clave en la mitigación de la congestión del tráfico en las zonas urbanas. Por ejemplo, predecir el tiempo de viaje de la ruta es un tema crucial en las aplicaciones de planificación de rutas y navegación. Además, la penetración penetrante de las tecnologías de información y comunicación hace que los datos flotantes de automóviles sean una fuente importante de datos en tiempo real para aplicaciones de sistemas de transporte inteligentes. Este documento aborda el problema de pronosticar el tráfico urbano cuando se dispone de datos de automóviles flotantes. Se presenta una comparación de cuatro métodos de aprendizaje profundo para demostrar las capacidades de los enfoques de redes neuronales (recurrentes y / o convolucionales) para resolver el problema del pronóstico del tráfico en un contexto urbano. Se proponen diferentes pruebas para no solo evaluar los modelos de aprendizaje profundo desarrollados, sino también para analizar cómo las tasas de penetración de los autos flotantes afectan la precisión de los pronósticos. Los experimentos presentados se diseñaron de acuerdo con un enfoque de simulación de tráfico microscópico para emular flotas de datos de automóviles flotantes, que proporcionan la posición y velocidad del vehículo, y para validar los resultados obtenidos. Finalmente, se presentan algunas conclusiones y más investigaciones.
