La gestión del tráfico, los coches autónomos y compartidos o las plazas de aparcamiento son áreas en las que big data y movilidad irán de la mano.
Fra Carnevale es uno de los pintores más misteriosos del Renacimiento. Apenas cuenta con nueve obras atribuidas, en las que la arquitectura es la protagonista. Su obra más conocida es “La ciudad ideal” (circa 1480) donde muestra un paisaje urbano metafísico, una utopía de orden y limpieza geométrica. En fechas similares, un arquitecto italiano apodado Il Filarete soñó la Sforzinda, otra ciudad utópica. De hecho, el mismísimo término “utopía” proviene del título de la obra de Tomás Moro sobre una sociedad y una arquitectura ideales. Por suerte, cinco siglos después, la imaginación cuenta con un aliado tecnológico para facilitar las cosas: el big data aplicado a la movilidad y el urbanismo.
El diseño de las ciudades y el movimiento de peatones y vehículos está íntimamente ligado. Tanto es así que el tipo de movilidad, desde los caballos y carruajes hasta los patinetes eléctricos, ha ido definiendo la configuración de las ciudades.
Si se tiene en cuenta esos dos factores, la movilidad puede gestionarse a medio y largo plazo por medio de la planificación urbana o bien modularse en la actividad diaria de la población, ya sea con la frecuencia de los medios de transporte públicos, la distribución de las flotas de vehículos compartidos o la información sobre atascos y accidentes. Así, en este artículo hablaremos de
El futuro, si hemos de seguir los indicadores de población y las previsiones de la ONU, es eminentemente urbano. Y dentro de ese crecimiento exponencial de infraestructuras, el big data está destinado a ser una herramienta clave de la smart city o ciudad inteligente.
Un análisis por medio de big data permite entender la carga de tráfico de distintas áreas y rutas, así como los picos de demanda del transporte público. De esta manera, por ejemplo, se generan los llamados mapas de calor que muestran las zonas con riesgo de aglomeraciones.
Sin embargo, el big data permite ir más allá incluso: el caudal de información disponible ofrece la posibilidad de cambiar la señalización de las calles o incluso racionalizar el crecimiento de una ciudad y sus conexiones.
Gran parte de esta planificación se simplifica por medio de la visualización de los datos masivos como en el proyecto CityScience Lab de la Universidad de Hamburgo.
La iniciativa, que ha contado con el apoyo del MIT Media Lab, aglutina datos abiertos del ayuntamiento de Hamburgo sobre tipologías de edificios y superficies. También se incorporan datos de infraestructuras de tráfico y calidad del aire o datos anonimizados de hogares inteligentes.
El software permite generar escenarios hipotéticos. Por ejemplo, el impacto que puede tener un aumento de población y la distribución de los residentes. En esa línea, CityScience Lab se utilizó para acomodar refugiados procedentes de Oriente Medio en 2016.
Dentro del proyecto destaca asimismo el uso de un modelo 3D de esta ciudad alemana. El concepto, conocido como “gemelo digital”, consiste en replicar todos los datos de una ciudad en tiempo real. De esta manera, cualquier cambio en el tráfico, el tendido eléctrico, la señalización o la construcción de nuevas vías urbanas se refleja en su versión digital.
Unas de las primeras ciudades en estrenar gemelo digital fue Singapur, con un proyecto que se explica aquí. Otros ejemplos significativos incluyen Wellington, en Nueva Zelanda, o Shanghái, esta última con una superficie superior a 2300 km2 virtuales.
La planificación urbana tiende a ser una estrategia del largo plazo, pero la gestión de la movilidad está ligada también al latido cotidiano de una urbe. En ese ecosistema vertiginoso, llegar al trabajo puede ser una aventura y encontrar aparcamiento puede convertirse rápidamente en una pesadilla. Además del tiempo invertido, una movilidad deficiente implica mayor polución aérea y acústica. Y aquí el big data también tiene algo que decir.
Una aplicación básica del big data en la movilidad urbana es la distribución de los espacios de aparcamiento. Algunos estudios indican que hasta el 30 % de los atascos están relacionados con vehículos en busca de aparcamiento.
Los sistemas que se están desarrollando en la actualidad trabajan con dispositivos IoT. De este modo, se pueden conjugar datos de parquímetros y vehículos que entran o salen de zonas determinadas para establecer los niveles de ocupación.
Sin embargo, el uso de big data en el área de movilidad permite también implantar sistemas predictivos. De esta manera, es posible ofrecer sugerencias acerca de las horas y zonas donde hay mayor probabilidad de encontrar una plaza libre sin necesidad de rastrear cada plaza individual.
Tal como hemos visto en el caso de los aparcamientos, el big data es un excelente recurso para evaluar la movilidad urbana, pero también para anticipar acontecimientos. Una de sus últimas aplicaciones ha salido de otro laboratorio del MIT y consiste, fundamentalmente, en predecir el riesgo de accidentes de tráfico.
El sistema, basado en modelos de aprendizaje profundo, es fruto de una colaboración entre el CSAIL del MIT y el Centro de Inteligencia Artificial de Qatar. Como base de datos, los investigadores combinaron datos históricos de accidentes, información de satélite, mapas de carreteras e información de GPS. En total, se procesaron cerca de 7500 km2 de áreas urbanas y 7,6 millones de kilómetros de rutas de GPS.
Una de las ventajas del modelo es que es aplicable en zonas sin registros previos de accidentes para determinar puntos problemáticos. Por ahora es un proyecto en curso, pero podría servir de apoyo en planificación urbana.
Los atascos son otro de los puntos donde los modelos predictivos basados en big data pueden contribuir a mejorar la movilidad. La Universidad Tecnológica de Swinburne en Australia ha trabajado codo con codo con la empresa Intelematics para crear un nuevo modelo capaz de predecir atascos con una precisión de hasta el 96 % y una anticipación de hasta sesenta minutos.
Si prever los accidentes de tráfico o anticipar las plazas de aparcamiento disponibles son aplicaciones aún en desarrollo, el uso de big data en el caso de los vehículos compartidos se encuentra en una fase mucho más avanzada.
Patinetes, motos y coches compartidos —en su mayoría, eléctricos— suponen un cambio de paradigma. Sin embargo, también ofrecen numerosos retos logísticos.
Cuestiones como la recarga de los vehículos, las averías o la disponibilidad dependen en gran medida de la disponibilidad de datos fiables y actualizados. Paralelamente, conocer (y predecir) los patrones de conducta de los usuarios también requiere obtener y procesar los datos con modelos de big data aplicados a la movilidad.
Uno de los ejemplos en ese sentido es el trabajo de ACCIONA en el campo de las motos eléctricas compartidas. La empresa gestiona el parque de motos y anticipa los picos y zonas de demanda recurriendo al big data. Su app de motosharing también calcula la cantidad de CO2 que se ahorra en cada trayecto y las posibilidades de combinar un trayecto en moto con un medio de transporte público o incluso con otros proveedores cercanos.
Existe un dicho jocoso sobre la fusión nuclear en vista de su tardanza en materializarse: “Es la energía del futuro y siempre lo seguirá siendo”. Algo así cabría decir de los coches autónomos, que parece que van a seguir siendo el futuro de transporte durante algún tiempo. Con un poco de suerte, sin embargo, no correrán la suerte de los coches voladores.
Lo único seguro es que el uso del big data en este campo será vital, ya que se calcula que los coches autónomos generarán hasta 40 terabytes de datos por hora. Tal como explican en Venture Beat, más que en sensores avanzados tipo radar o LiDAR, la clave residirá en los sistemas de aprendizaje profundo basados en una simple señal de vídeo. Hoy, Tesla está procesando datos de millones de vehículos en carretera para desarrollar sus modelos de conducción autónoma.
En resumen, el transporte y la movilidad urbana están destinados a experimentar la misma revolución que otros sectores como el comercio electrónico o las redes sociales con el advenimiento de la era del big data.
Y la aplicación de esta tecnología promete traducirse en una mayor sostenibilidad y eficiencia de los medios de transporte con los que nos movemos, ya sean patinetes, motos, coches o incluso sistemas de ingeniería bípeda.
Fuentes: Forbes, Universidad de Cambridge, MIT, https://www.dezeen.com/2021/07/09/digital-twins-develop-cities-digital-design-architecture/
Todos los campos son obligatorios.
Descubre cuáles son los temas de los que más se está hablando este momento
{{CommentsCount}} Comentarios
Actualmente nadie ha comentado la noticia.
Sé el primero en dejar un comentario.
{{firstLevelComment.Name}}
{{firstLevelComment.DaysAgo}} días atrás
{{firstLevelComment.Text}}
Responder{{secondLevelComment.Name}}
{{secondLevelComment.DaysAgo}} días atrás
{{secondLevelComment.Text}}