Del 18 al 20 de setembre va tenir lloc l’Euro Working Group on Transportation (EWGT), un congrés organitzat des del Departament d’Estadística i Investigació Operativa de la UPC.
El chair del congrés era Esteve Codina, professor col·laborador de l’inLab FIB.
Durant els tres dies de congrés es van presentar diversos treballs:
Improving Parking Availability Information Using Deep Learning Techniques
Jamie Arjona, Maria Paz Linares, Josep Casanovas-Garcia i Juan José Vázquez Giménez
Presentador: Jamie Arjona
Resum: El trànsit urbà afecta actualment la qualitat de vida a les ciutat i les àrees metropolitanes i cada vegada el problema es va fent més gran degut a problemes d’estacionament que causen un augment de la congestió ja que les persones estàn buscant lloc on aparcar els seus vehicles. Un enfocament d’IoT permet als conductors conèixer l’estat del sistema d’aparcament en temps real mitjançant xarxes sense fils de dispositius de sensors.
Aquest treball es centra en estudiar les dades generades pels sistemes d’aparcament per tal de desenvolupar models predictius que generin informació prèvia. Això pot ser útil per millorar la gestió de les zones d’aparcament.
Aquesta investigació comença estudiant l’estat de l’art en mètodes predictius basats en Deep Learning per a sèries de temps. A continuació, aquest treball introdueix els mètodes de xarxa neuronal recurrents que es van utilitzar en aquesta investigació, que són, Long Short-Term Memory, Gated Recurrent i models desenvolupats segons escenaris reals de diferents ciutats. Per millorar la qualitat dels models, es tenen en compte variables exògenes com els efectes del calendari i els horaris, i es comparen els models de referència amb els models que han utilitzat aquesta informació. Finalment, es descriuen els resultats precoços encoratjadors, seguits de suggeriments per a futurs treballs corresponents.
A Multi-Objective Programming Model for Timetables on Corridors Integrating Macroscopic and Microscopic Approaches
Ángel G. Marín i Esteve Codina
Presentador: Esteve Codina
Resum: Es proposa un marc integrat per al disseny d’horaris que combini els requisits dels planificadors de serveis, que generalment adopten un punt de vista purament macroscòpic dels requisits de demanda i els conflictes que aquests horaris poden sorgir a les estacions. Aquests planificadors de serveis no poden ser considerats per aquests aspectes, ja que és necessària una anàlisi microscòpica de l’estructura de les estacions tenint en compte possibles conflictes a les plataformes. El model integrat proposat garanteix horaris factibles equilibrant índexs de rendiment dels interessos del passatger i l’operador, alhora que garanteix la viabilitat. Les diferències entre els horaris òptims dels planificadors del servei i els que estiguin operatius a les estacions es mantenen dins dels límits especificats. El problema resultant s’ha dissenyat com un problema de programació lineal mixta amb diversos objectius. El model es pot resoldre amb optimitat en temps de computació raonable, tal com es mostra a les proves mitjançant la xarxa ferroviària d’alta velocitat Madrid-Saragossa-Barcelona. Per a aquest cas, es fa una anàlisi fronterera de Pareto que demostra que el problema està ben plantejat. A més, a partir del model anterior, es desenvolupa un procediment heurístic per obtenir horaris que eviten el màxim de possibles concentracions d’arribades/sortides cap a/des de les estacions, permetent així una millor recuperació i robustesa de l’horari en cas d’interrupcions inesperades.
Using GPS Tracking Data to Validate Route Choice in OD Trips Within Dense Urban Networks
Lídia Montero i Xavier Ros-Roca
Presentadora: Lídia Montero
Resum: Actualment, hi ha diverses empreses que proporcionen mesures de sistema de posicionament global (GPS) a flotes de vehicles comercials, aplicacions d’internet o empreses d’automòbils. L’objectiu d’aquest treball és aprofundir en la comprensió sobre l’aplicabilitat de les dades GPS per a motius de modelatge del transport proporcionant informació sistemàtica i quantificada sobre la representativitat de les dades recollides en la descripció de la tria de la ruta de les persones. Malauradament, les dades reals sovint contenen soroll, incertesa, errors, redundàncies o fins i tot informació irrellevant. Els models inútils s’obtindran quan es creen sobre dades incorrectes o incompletes. És per això que el pre-processament és un dels passos més crítics de l’anàlisi de dades en qualsevol de les seves formes. Tot i això, encara no s’ha sistematitzat correctament el pre-processament, aquest treball es centra en els passos de pre-processament necessaris en les dades de seguiment GPS juntament amb una proposta per sistematitzar-la. A més, el nivell d’agregació es troba en un punt de partida per a les posicions GPS de baixa latència en la trajectòria del viatge. La fiabilitat del temps de viatge als camins OD s’adreça entre altres característiques del camí OD. L’elecció de la ruta a les xarxes urbanes denses té múltiples possibilitats i les dades de les noves tecnologies ofereixen l’oportunitat d’entendre el comportament de l’elecció de la 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 i Josep Casanovas Garcia
Presentadora: Mari Paz Linares
Resum: Les ciutats actuals han d’afrontar el repte de la mobilitat sostenible i la previsió de l’estat del trànsit té un paper clau per mitigar la congestió de trànsit a les zones urbanes. Per exemple, predir el temps del viatge per ruta és un problema crucial en les aplicacions de navegació i planificació de rutes. A més, la penetració de les tecnologies de la informació i la comunicació fa que les dades de cotxes flotants siguin una font important de dades en temps real per a aplicacions de sistemes de transport intel·ligents. Aquest article tracta el problema de preveure el trànsit urbà quan hi ha disponibles dades de cotxes flotants. Es presenta una comparació de quatre mètodes d’aprenentatge profund per demostrar les capacitats dels enfocaments de les xarxes neuronals (recurrents i / o convolutives) en la resolució del problema de previsió del trànsit en un context urbà. Es proposen diferents proves per no només avaluar els models d’aprenentatge profund desenvolupats, sinó també per analitzar com les taxes de penetració dels cotxes flotants afecten la precisió de la previsió. Els experiments presentats es van dissenyar segons un enfocament de simulació de trànsit microscòpic per tal d’emular flotes de dades de vehicles flotants, que proporcionen la posició i la velocitat del vehicle, i per validar els resultats obtinguts. Finalment, es presenten algunes conclusions i més investigacions.
