El pasado 22 de abril, el diario El País, publicó una noticia creada por dos responsables técnicos de proyectos del inLab FIB, expertos en Data Science y Big Data, Albert Obiols y Gonzalo Recio. La noticia recientemente publicada, nos explica cómo a través de los datos históricos y las redes neuronales, podemos crear modelos de predicción que permitan saber a los usuarios de la red de autobuses, la ocupación en tiempo real del autobús.
El objetivo de saber la ocupación estimada, permitiría al usuario poder escoger en qué parada y en qué autobús podrían subir en función de la actividad de las expediciones, lo que podría evitar las aglomeraciones que se producen diariamente en el transporte público. Para poder llevar a cabo esta herramienta, durante el proyecto caracterización y modelización de la demanda de pasajeros en los autobuses, el desarrollo se ha realizado juntamente con la empresa Ityneri.
A raíz de la Covid-19, la posibilidad de poder evitar las aglomeraciones y poder frenar los contagios fue de primordial importancia para muchas empresas, ya que permitir que los usuarios habituales de la red, pudieran saber la ocupación con el que se encontrarán al subir en un autobús, sería un valor añadido respecto a otras muchas que ofrecían el mismo servicio.
Para poder realizar la implementación al servicio de esta funcionalidad, nuestros expertos recurrieron a técnicas actuales de la inteligencia artificial basadas en metodologías data-driven (guiadas por los datos). Estas metodologías, gracias a los datos históricos de los viajes de cada vehículo, permiten a través del aprendizaje supervisado, construir un modelo predictivo que permite detectar ocurrencias de patrones temporales para elaborar en un futuro las predicciones en el transporte público por carretera en un futuro y poder moldear el comportamiento de los pasajeros.
A lo largo de la noticia, Albert y Gonzalo, explican en qué consiste entrenar una red neuronal recurrente y cómo gracias a los datos, nuestro modelo puede llegar a ser capaz de calcular la ocupación de los buses en cada una de las paradas por donde pasan dándole como datos: la información del autobús, el puesto, la ocupación previa de los puestos anteriores, el calendario,… para poder devolver una estimación del número de pasajeros que habrá. Esta predicción de las líneas, cabe notar que podría extenderse a cualquiera de las líneas y por cualquiera de las ciudades con sus respectivas paradas, ya que el modelo podría ser igualmente válido.
Las predicciones elaboradas con este tipo concreto de redes neuronales, por este problema de ocupación es muy importante, porque saber la ocupación previa de las paradas anteriores, nos resultará una información muy relevante, debido a que poder saberla puede condicionar mucho ocupación de la próxima parada.
En la imagen que se muestra un poco más adelante puede verse un ejemplo de lo que el modelo predice para diferentes autobuses: el eje de las x es el eje temporal y el de las y representa la ocupación del bus. Notemos cómo la ocupación de los vehículos comienza a cero al inicio del viaje, va subiendo y vuelve a bajar a cero cuando finalizan el trayecto tal y como se aprecia por las «colinas» que se forman en el gráfico.
Ejemplo de predicciones de empleo futuro. azul, el empleo real (según datos históricos). En naranja, la predicción en futuro.
Puede consultar la noticia completa en la sección de tecnología del diario, o bien a través del enlace: