Las ciudades y el tráfico del futuro

IMAGE: B137 - CC BY SAUn 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.

IMAGE: Mike DelGaudio - CC BYEl 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.

 

 

 

This post is also available in English in my Medium page, “What will it be like to drive in the cities of the not-too-distant future?” 

 

7 comentarios

  • #001
    Gorki - 29 julio 2018 - 15:39

    Sigo sin entender el afán de complicarse la vida de los tecnólogos, ¿No están ya plagadas todas las calles de las ciudades de sensores de tráfico? Pues ¿qué sistema de predicción de tráfico va a ser mas preciso que leer los vehículos que en un determinado instante van circulando por las calles?.

    Ayer era un complejo sistema telematico para medir lo que andaban unos coches al año, cuando todos los coches tiene de serie cuentakilómetros, Hoy es un sistema que deduce cuando la gente ha utilizado el microondas, para predecir, que poco después van a salir en coche.

    Si le preguntas al control de tráfico del Ayuntamiento de Barcelona, de memoria y sin ver ninguna estadítica es capaz de contarte, (en catalán por supuesto), cuando va a empezar el jueves próximo el embotellamiento en el Nudo Trinidad y a qué hora va a acabar.

    Francamente ese invento es curioso, pero absolutamente inútil. Hay personas, que les pone algo, aunque sea una peineta, que tenga muchos transistores y se pirran sin pararse a reflexionar si los transistores eran necesarios. No digo nada si le añades IA y Machine Learning.

    ,

    Responder
    • Enrique Dans - 29 julio 2018 - 16:03

      Esa es la gran diferencia: los sensores de tráfico te dicen cuantos coches pasan por un sitio, el algoritmo te predice cuantos van a pasar. Eso es lo que tiene valor. El futuro son sistemas que se alimentan de todo tipo de datos, y que generan predicciones muchísimo mejores y más valiosas. No sé cómo de difícil será que lo veáis, pero tiene muchísima más relevancia de la que tú o el siguiente comentarista (pero en él, el desprecio a mí o a lo que escribo es mucho más habitual) le estáis dando…

      Responder
      • Jose Miguel - 29 julio 2018 - 17:55

        Realmente no veo la diferencia. El consumo eléctrico también se mide en tiempo real, como el tráfico. Es solo un dato más para la predicción, si, porque cuando dejas de consumir electricidad probablemente vayas a salir. Tal y como lo cuentas parece que dices que ya está esto resuelto. Yo creo que estamos sólo en los inicios, y muy en los inicios.

        Responder
      • Gorki - 29 julio 2018 - 19:01

        No me lo creo. Si los sensores me dicen cuantos coches pasan por un sitio a una hora determinada y en qué dirección, por lógica pueden predecir, con más exactitud que sabiendo la hora del desayuno del chófer, donde estarán digamos, 10 minutos después.

        Eso es un “avance” tecnológico, ¿Curioso? – Si, ¿Útil? – Posiblemente muy útil para otras cosas, por ejemplo predecir cuanta energía hay que generar en cada instante, o cundo haya electrodomésticos inteligentes, para arrancarlos o pararlos ¿Para controlar el tráfico?. Hay sistemas mas sencillos y eficaces,

        A la policía de tráfico se le escapan los imprevistos, como 1000 taxis dando vueltas a paso lento en el centro de una ciudad o una tormenta torrencial, Pero el día a día lo tienen perfectamente medido y previsto. Otra cosa es que no haya forma de eliminarlos, difernte a dar consejos por la radio, algo que ya hacen.

        Responder
  • #005
    Guillermo Hotel - 29 julio 2018 - 15:42

    Madrid 1978…

    Vaya tostón de verano, el calor, la tele con sus reposiciones. Hoy tenido un deja vù. ¿Como sería un blog de innovación si hubiera internet en los 70? Pues nos contaría que Iberduero está analizando el gasto de la luz…, en los 80 que Unión Fenosa utiliza sofisticados procesos de cálculo en us visicalc para saber como gastan electricidad en los 90, que Endesa tiene una estadistica en excel…. Cerca del 2020, que se usa la IA para saber que…. Bueno corto y cierro que me voy a echar una siesta…

    Que sopor de verano que si el FB pierde “enteros” , que si al twitter le hacen la cama, podrán pasar 40 años que todo siguel igual y ¿cuando reentierran a Franco?….

    Pues eso. Vaya mierda de innovación !!

    Responder
  • #006
    Perico - 29 julio 2018 - 18:51

    Muy interesante. He echado un vistazo al paper, y lo que más me llama la atención es que consiguen resultados pese a que los datos de consumo eléctrico cubren un número bastante reducido de hogares (300) y carecen de información geográfica. Por otro lado, el punto más flojo me parece la comparación entre el modelo basado en consumo eléctrico y el modelo de datos de tráfico: el modelo de tráfico, aunque técnicamente correcto, es bastante simplón. Tengo mis dudas sobre que, de haber dedicado el mismo esfuerzo a ambos modelos, el consumo eléctrico siguiera siendo el ganador.

    Dicho lo cual, la principal contribución que saco de la lectura es que el consumo eléctrico es útil no tanto para sustituir los datos de tráfico, sino para complementarlos: los propios investigadores incluyen un modelo mixto que combina ambas fuentes de datos para obtener los mejores resultados.

    Responder
  • #007
    Luis - 29 julio 2018 - 21:21

    [[Off topic]]
    Estaría muy bien que tu Enrique dieras voz a iniciativas y aplicaciones generadas fuera de la orbita norteamericana, por ejemplo Españolas. Al fin y al cabo hablamos de información y poder para “dominar el mundo”. Si no nos hacemos caso a nosotros mismos…….seguiremos acomplejados y fascinados por todo lo que viene de fuera.
    BTW no hablo del cine español.

    Responder

Dejar un Comentario

Los comentarios en esta página están moderados, no aparecerán inmediatamente en la página al ser enviados. Evita, por favor, las descalificaciones personales, los comentarios maleducados, los ataques directos o ridiculizaciones personales, o los calificativos insultantes de cualquier tipo, sean dirigidos al autor de la página o a cualquier otro comentarista. Estás en tu perfecto derecho de comentar anónimamente, pero por favor, no utilices el anonimato para decirles a las personas cosas que no les dirías en caso de tenerlas delante. Intenta mantener un ambiente agradable en el que las personas puedan comentar sin temor a sentirse insultados o descalificados. No comentes de manera repetitiva sobre un mismo tema, y mucho menos con varias identidades (astroturfing) o suplantando a otros comentaristas. Los comentarios que incumplan esas normas básicas serán eliminados.

 

XHTML: Puedes utilizar estas etiquetas: A ABBR ACRONYM B BLOCKQUOTE CITE CODE DEL EM I Q STRIKE STRONG IMG