Escuchar a la ciudad y al ciudadano, saber qué está ocurriendo en la ciudad y qué es importante para el ciudadano, ser capaces de, ante un evento, correlacionar causa y efecto. Vincular una queja concreta con un suceso…. Todo esto es posible, a día de hoy, con la disponibilidad de datos abiertos que existen en las grandes ciudades.

En PiperLab hemos hecho el ejercicio de identificar las fuentes de datos abiertos disponibles que podrían convertirse en este oráculo de la ciudad

En PiperLab hemos hecho el ejercicio de identificar las fuentes de datos abiertos disponibles que podrían convertirse en este oráculo de la ciudad, y lo hemos querido resumir en este post:

  • Twitter: un listado no extensivo de las temáticas interesantes a monitorizar en twitter con este fin: Administración, Agenda (eventos y actividades en la ciudad), Medioambiente, Movilidad, Queja ciudadana, Seguridad y emergencias.
  • Facebook: en general menos accesible y con menor actividad pero podría ser muy útil para analizar de eventos pasados y así predecir impactos de eventos futuros.
  • Datos abiertos del portal del Ayuntamiento de Madrid, donde encontramos data sets relevantes disponibles como:
  1. Datos de tráfico en la ciudad: tiempos de viaje, congestión por tramos, accidentes, ..
  2. Predicción meteorológica
  3. Agenda Cultural: eventos diarios, calendario mensual, agenda deportiva,.
  4. Fomento: obras en vía pública
  5. Limpieza: estado puntos críticos de limpieza
  6. Incidencias, quejas, sugerencias, consultas y agradecimientos ayuntamiento
  7. Incidentes gestionados por la policía local
  8. Contaminación y posibles restricciones de tráfico (a partir de los datos relativos a la contaminación, hemos llevado a cabo nuestro modelo predictivo de contaminación de Madrid)

 

 width=

Otro tipo de datos disponibles sobre las ciudades los encontramos en otros portales de datos interesantes como:

Pero, ¿qué métricas y tratamientos de datos serían interesantes aplicar a estos datos para entender qué está pasando? Especialmente las siguientes:

  • Detección de temas. Topic models. Detección de temáticas en textos.
  • Análisis de polaridad. Etiquetado de textos en positivos y negativos.
  • Alertas de viralidad. Con el fin de anticiparse a eventos de gran embergadura en la ciudad, por ejemplo.
  • Detección de eventos en la conversación
  • Detección de anomalías
  • Medición del impacto de eventos y anomalías
  • Detección de influencers y su impacto

 Y, por supuesto, relaciones causa – efecto en tiempo real en todas las métricas y tratamientos sobre los datos analizados.

La aplicación real de esta información generada sería de gran valor tanto para las administraciones locales como a disposición del ciudadano con el objetivo de favorecer y mejorar el día a día de la ciudad. Ejemplos prácticos reales:

  • Sugerencias de zonas de aparcamiento óptimas dependiendo de los eventos, obras y circunstancias de la ciudad
  • Recomendación de flujos de movilidad privada y pública
  • Ordenación de horarios y zonas de carga y descarga y transporte de última milla
  • Adecuación de oferta cultural y eventos
  • Previsión de colapsos

Todo sobre una base de sostenibilidad y medioambiente, cohesión social y planificación urbana, dentro de la apuesta por las ciudades inteligentes.

 

Categories: Open Data / Tags: , /