Big data aplicado al transporte

Ya hemos escrito alguna vez acerca de cómo el Big Data y las técnicas de Data Science pueden ayudar a optimizar el mundo de las operaciones logísticas. En esta ocasión me gustaría hablarte sobre algo más cotidiano que el transporte de mercancías para la mayoría de la gente, y es del transporte de personas, concretamente, sobre la movilidad urbana: lo que hacemos en nuestro día a día para acudir a trabajar, desplazarnos a hacer una gestión o a la consulta del médico, ir a ver a nuestra familia o salir a realizar otras actividades de ocio menos frecuentes. En definitiva, ¿cómo funciona el big data aplicado al transporte?

En cualquier gran ciudad, los desplazamientos suponen una importante inversión de tiempo y dinero para todos sus habitantes. Por lo tanto, lograr sistemas más eficientes de transporte es un reto constante, ya que cualquier mejora se traduce no solo en ahorros, sino en mejor calidad de vida e, idealmente, en un mayor respeto por el medio ambiente si se reducen las emisiones de gases como el Dióxido de Nitrógeno (NO2) u otros.

Entender bien la movilidad no es sencillo, ya que entran en juego muchos factores: infraestructuras, oferta de transporte público, parque de vehículos privados, necesidades y motivaciones de las personas, etc. Sin embargo, es necesario hacer el esfuerzo para poder tomar las decisiones adecuadas para mejorar. Existen expertos en la materia, como la empresa Tema Grupo Consultor, dedicados desde hace años a estas tareas mediante medios “tradicionales”, como las encuestas de movilidad, que recogen datos acerca de cómo usan los medios de transporte una muestra (relativamente pequeña) de los ciudadanos, y extrapolan lo mejor posible los resultados al resto de la población.

Durante los últimos meses, Tema GC y PiperLab, hemos trabajado de forma pionera para el CRTM (Consorcio Regional de Transporte de Madrid), en un estudio de mejora de las líneas de autobuses de la zona sur de Madrid y varios de los municipios cercanos a través de técnicas de Big Data. La novedad reside en combinar los métodos tradicionales con las nuevas capacidades que ofrece el Big Data, para llegar hasta el detalle que dichos métodos no alcanzan por limitaciones muestrales, entre otras cosas. Dentro de poco presentaremos los resultados y, aunque durante el estudio han surgido algunas dificultades propias de una primera experiencia, el panorama de cara al futuro es muy prometedor y el potencial de detectar puntos de mejora es amplio.

No puedo dejar de mencionar en este post el bot de Twitter que ha creado mi compañera María Medina: @datoxnitro_bot está constantemente conectado al Portal de Datos Abiertos del Ayuntamiento de Madrid , monitorizando los niveles de NO2 que recogen las estaciones de medición que hay repartidas por la ciudad. Cada hora muestra gráficos con dichos niveles, así como resúmenes de la evolución en los últimos días. Además, notifica automáticamente cuando se cumplen las condiciones de activación de los niveles del Protocolo para Episodios de Alta Contaminación, que afectan notablemente a la movilidad de la ciudad.

Próximamente vamos a trabajar en el desarrollo de modelos predictivos para anticiparnos a dichos episodios y ayudar a mejorar la gestión de los mismos, no solo desde el punto de vista de la Administración Pública sino trabajando también junto a otros actores relevantes del transporte de última milla. Para abordar estos trabajos, contamos con financiación del Ministerio de Economía, Industria y Competitividad en su Convocatoria de Ayudas de Apoyo a Agrupaciones Empresariales Innovadoras. Concretamente, para el proyecto “Predicción, tratamiento y comunicación de la información de la contaminación de la ciudad de Madrid para su uso en la mejora de la planificación agregada de recursos de fabricación, almacenamiento y transporte”, que hemos presentado y ganado PiperLab con CITET (Centro de Innovación para la Logística y el Transporte por Carretera), CEL (Centro Español de Logística) y UNO (Organización Empresarial de Logística y Transporte).

Como ves, el Big Data empieza a ocupar un lugar en el mundo del transporte y pienso que de cara al futuro irá tomando un papel cada vez más protagonista. De hecho, será necesaria su aplicación si realmente queremos integrar y explotar toda la información que se genera en estos ámbitos, que involucra no solamente muchos datos sino una importante diversidad de fuentes. A las ya mencionadas, se suman otras correspondientes a los nuevos actores que están surgiendo de la economía colaborativa: servicios de compartición de vehículos (eléctricos), servicios de reparto de última milla, etc. Un uso inteligente de estas capacidades nos permitirá afrontar con mayores garantías los grandes retos que se avecinan para lograr ciudades más sostenibles.

Anímate y déjanos un comentario con tu opinión sobre el uso del análisis de Big Data aplicado al transporte.

Deja tu comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Javier Di Deco

Autor: Javier Di Deco

Co-Fundador & Data Scientist en PiperLab