Los problemas de tráfico, la minimización de emisiones de efecto invernadero, la promoción de hábitos saludables (caminar) y, en general, el facilitar la movilidad cómoda y rápida de la ciudadanía, son temas de enorme relevancia para las ciudades del futuro que se pueden afrontar mejorando la oferta de transporte público.

Sin embargo, no es fácil evaluar hasta qué punto la red de transporte público existente en una ciudad o área metropolitana se adecúa a las necesidades de movilidad de la ciudadanía. Del mismo modo, no es fácil definir que nuevas líneas de bus, metro, etc. serían las que más mejorarían el servicio de transporte. Así, contar con herramientas tecnológicas que permitan explorar de los datos de movilidad y faciliten tomar decisiones de planificación de nuevas infraestructuras y servicios.

Con el objetivo de facilitar el pago de los billetes y obtener además datos reales sobre el uso del transporte público, se han ido implantado, en muchas ciudades y áreas metropolitanas, las tarjetas de transporte con las que poder acceder a la red global (desde cercanías a metro o bus). Gracias a esas tarjetas se puede conocer el uso real que tienen los diferentes medios, líneas paradas etc.

Pero la simple implantación de tarjetas de transporte, aunque informe de la “carga” de una línea o parada, no ayuda mejorar la planificación de los servicios, ni garantiza una mejor comprensión de las necesidades reales, ya que el uso del transporte depende no solo de la demanda de movilidad sino también de la propia oferta disponible.

Por ejemplo, una parada (arriba en la figura) o una línea (abajo) en la zona C puede ser muy usada, pero ese uso puede deberse a que no hay otra forma de viajar de una zona A hasta otra zona B sin pasar por allí, pero si hubiera una línea directa de A y B el uso de la parada o línea C disminuiría drásticamente.

Es decir, que la línea (o parada) C esté muy cargada de viajeros no debe llevar a reforzar esa línea (o parada). Sería una mejor decisión poner una línea de A a B. Pero no es sencillo hacer este tipo de análisis, ya que requieren, no solo tener muchos datos sobre el uso que hace la ciudadanía del transporte, sino tener además la capacidad de procesarlos de modo eficiente.

Para evitar esos errores simplistas que se producen cuando solo se tiene en cuenta la “carga” de una línea o parada, tradicionalmente, los responsables del transporte realizan encuestas a los viajeros para obtener datos reales sobre sus viajes y construir matrices Origen/Destino que son el instrumento base para

En este proyecto de investigación financiado por la AEI, los datos de las tarjetas de viajeros se van a procesar de modo inteligente para deducir de ellos, automáticamente, los viajes que realmente se hacen y obtener así las matrices Origen/Destino que tradicionalmente se obtienen mediante encuestas.

Esto nos enfrenta al reto de deducir las paradas de bajada, ya que en la mayoría de los casos solo tenemos la parada en la que la persona entra en un medio de transporte. Por otro lado, tenemos que ser capaces de agrupar las diferentes “etapas” que hace una persona en un mismo viaje total. Es decir, si tenemos primero una subida en una línea de autobús y 15 minutos después una subida en una estación de metro tenemos que deducir la parada en la que se bajó del autobús (aquella que quede cerca de la estación de metro) y saber que el viaje en bus y el viaje en metro constituyen dos etapas del mismo viaje. Para deducir la parada final del viaje en metro tendremos que desarrollar algoritmos más complejos capaces de deducir los patrones de viajes de cada persona. Por ejemplo, si todas las mañanas hace ese viaje (bus-metro descrito antes) y todas las tardes hace un viaje que se inicia en una parada de metro concreta y luego continua cogiendo un autobús que le lleva a la parada en la que inicia sus viajes por la mañana, podemos deducir que vive en el entorno de esa parada de bus y trabaja en el entorno de la parada de metro en la que se sube por las tardes, y podremos deducir que la estación de metro final del viaje de las mañanas es la estación de metro en la que inicia el viaje por las tardes.

El desarrollo de estos algoritmos, del que el anterior es un ejemplo sencillo, implica aproximaciones al problema basadas en Inteligencia Artificial y aprendizaje máquina que nos permitirán automatizar la extracción de los patrones de viaje.

Un segundo problema es almacenar la ingente cantidad de datos sobre viajes (más de 5 millones de viajes diarios en un área metropolitana como la de Madrid) para después poderlos explotar eficientemente de modo conjunto y extraer las necesidades de movilidad. Para ello usaremos estructuras de datos compactas diseñadas ad hoc para este proyecto que representarán los datos de modo comprimido, aportando además propiedades para su procesamiento eficiente.

Finalmente, los datos deben mostrarse sobre interfaces compuestas por mapas en donde se facilite explorar visualmente no solo la topología de las líneas, sino también cuánta gente viaja desde un cierto origen a un cierto destino en cierto intervalo temporal. La Figura 3 muestra una maqueta de la aplicación que desarrollaremos en este proyecto.

Por último, la información sobre viajes debe complementarse y enriquecerse con muchos otros datos disponibles para facilitar una mejor comprensión de todos los factores que inciden en la movilidad, desde los propios horarios de transporte, publicados como datos abiertos, hasta la meteorología de días concretos, pasando por el calendario de festivos locales y muchos otros datos relevantes como la ubicación de determinadas infraestructuras que sirven para explicar la movilidad (ubicación de hospitales, zonas de ocio, centros comerciales etc.)

En resumen, el objetivo final de este proyecto es desarrollar una aplicación orientada a los responsables del transporte para que puedan hacer una mejor planificación de infraestructuras y servicios basadas en datos y análisis rigurosos de las demandas de movilidad de la ciudadanía.