Comunicación presentada al II Congreso Ciudades Inteligentes:
Autores
- Juan José Vinagre Díaz, Cofundador, simplicity
- Ana Belén Rodríguez González, Cofundadora, simplicity
- Mark Wilby, Cofundador, simplicity
- Vicente Domínguez Cubo, CEO, simplicity
Resumen
Las ciudades inteligentes gozan de grandes infraestructuras de monitorización, pero aún hay un camino por andar para extraer información realmente relevante, es decir, para pasar de big data a big information (bigin). La información de tráfico no es ajena a este reto: aunque ya existen sistemas de identificación de vehículos basados en Bluetooth, que generan información rica a un coste bajo, es necesario desarrollar funcionalidades que efectivamente ayuden a gestoras de movilidad en su cometido. Desde simplicity hemos creado bigin Traffic, un catálogo de herramientas de business analytics que proveen información significativa sobre el impacto de las congestiones sobre una ciudad, los niveles de servicio registrados, las prestaciones globales de su red viaria, su evolución temporal y su comparación con municipios vecinos, y la detección temprana de incidencias. De esta forma, los responsables de movilidad tienen en su mano recursos novedosos, útiles y rigurosos para conseguir una reducción real del tiempo perdido por los ciudadanos, el consumo de combustible y la emisión de gases de efecto invernadero.
El tráfico y la calidad de vida en las ciudades
Las cifras son concluyentes: en Estados Unidos cada conductor malgasta una media de 38 horas anuales debido a la congestión, lo que se traduce en unas pérdidas económicas que superan los 88 000 M€ (Texas Transportation Institute, 2012). Estos datos, trasladados al conjunto de la ciudad de Madrid son igualmente impactantes: 85 millones de horas y 839 M€ perdidos anualmente (Calvo, 2010). Es evidente que la congestión del tráfico es un problema acuciante que, además, provoca un altísimo nivel de emisión de partículas contaminantes y gases de efecto invernadero (GHG), con gran impacto en la contaminación urbana y la salud de los ciudadanos (Yanguas et al., 2015). Este factor ambiental está al mismo tiempo ligado al consumo de combustible, clave para importantes sectores de actividad económica, balance de importaciones, etc.
Ante esta situación límite, las administraciones públicas, desde el nivel local al europeo, están decididas a luchar contra la congestión y sus efectos. Esta iniciativa necesita irrenunciablemente de información precisa acerca del estado del tráfico.
¿Cómo se monitoriza el tráfico?
Hasta la fecha, esta información se provee fundamentalmente a través de un sistema de espiras magnéticas instaladas bajo el asfalto, capaces de detectar los vehículos que transitan por encima de ellas. Aun siendo la tecnología mayoritariamente adoptada, presenta dos problemas que restringen sus prestaciones: (i) en situaciones de congestión sus medidas son altamente imprecisas; y (ii) presenta un coste muy elevado, tanto de despliegue como de operación y mantenimiento.
Por este motivo, se han desarrollado soluciones que coexisten con las espiras magnéticas. Entre ellas, son destacables los sistemas de identificación automática de vehículos (AVI), como los lectores de matrículas, que utilizan cámaras de vídeo y un complejo procesado de imagen para reconocer al mismo vehículo en distintos puntos de la red viaria. A diferencia de las espiras magnéticas, los lectores de matrículas permiten la identificación, pero sus prestaciones se degradan en situaciones de baja visibilidad (lluvia, niebla, noche) y frente a tráfico congestionado, precisamente cuando más necesaria es su exactitud.
La utilización masiva de dispositivos móviles ha abierto la puerta a otras aproximaciones para los sistemas AVI. Entre ellas, la más destacable es la basada en la detección de dispositivos Bluetooth (Haghani et al., 2010). Estos sistemas ofrecen capacidades de identificación, por un coste inferior al 90%. Esta siempre innegable ventaja del coste, añade además la posibilidad de escalar la solución, permitiendo el despliegue de redes extensas que proporcionen información detallada sobre el estado del tráfico en una ciudad o carretera.
Más allá de Google Maps
Los datos provistos por este tipo de sistemas podrían dar lugar a una información muy rica, si se procesan con las herramientas y el enfoque correcto. Por el momento, tanto fabricantes de sistemas AVI basados en Bluetooth como empresas de información más generalistas como Google, se limitan a ofrecer visualizaciones mínimamente elaboradas de los datos recogidos.
Así, los responsables de la gestión del tráfico y la movilidad en ciudades, no encuentran una herramienta con la suficiente funcionalidad como para que sirva óptimamente a sus propósitos. Por una parte, la información en muchos casos carece del rigor necesario para la criticidad de este tipo de aplicaciones; aproximaciones basadas en redes sociales, por ejemplo, no son aceptadas por la Administración como una entrada fiable para la gestión de los semáforos. Asimismo, no existen herramientas automáticas de alerta temprana ante incidentes ocasionales. Y finalmente, la visualización de la información no destaca las variables o aspectos clave para los profesionales responsables. Este conjunto de inconvenientes disminuye claramente el potencial de estas soluciones para la reducción efectiva del impacto negativo del tráfico en la economía, el medio ambiente y el confort de los ciudadanos.
En simplicity, empresa creada desde los desarrollos científicos y el conocimiento experto del grupo de investigación i3-UPM de la Escuela de Ingenieros de Telecomunicación de la Universidad Politécnica de Madrid, pretendemos dar respuesta a esta necesidad actual, generando bigin Traffic, un sistema de información de tráfico avanzado, basado en los últimos desarrollos en el campo de los Sistemas de Tráfico Inteligente y las herramientas de business analytics.
Solución en operación real en ciudades inteligentes
El principio de funcionamiento de la tecnología
El núcleo de bigin Traffic está formado por un sistema completo de información de tiempos de recorrido que comprende la identificación anónima de dispositivos Bluetooth a través de un detector hardware de diseño propio, el procesado de la información para calcular tiempos de recorrido y la visualización y el análisis de la serie histórica a través de una plataforma web.
La identificación del dispositivo Bluetooth de los vehículos se lleva a cabo mediante el envío de una trama de descubrimiento que es respondida por aquéllos situados en el área de cobertura del detector. El sistema bigin Traffic guarda entonces el identificador del dispositivo detectado junto con el instante de detección. Todos los detectores bigin Traffic están perfectamente sincronizados utilizando el reloj de red. Estos datos son encapsulados y enviados vía 3G a un servidor central donde se recogen y se entregan a dos sistemas de procesamiento paralelos. El primero de ellos calcula el tiempo de recorrido en tiempo real. El segundo toma los datos históricos correspondientes a cada intervalo, produciendo una medida perfectamente precisa, que queda almacenada en base de datos. Asimismo, se incluye un servidor web que publica los datos sobre un sistema de información geográfica (GIS), permitiendo además la consulta de históricos sobre la base de datos.
Despliegues actuales en operación real
A día de hoy, este núcleo de bigin Traffic es una tecnología probada y robusta en cada uno de sus ámbitos. Como muestra de su potencial, desde 2013 se han desplegado 3 redes, con un total de 30 identificadores Bluetooth en las ciudades de Madrid y Sevilla.
En particular, se han instalado dos redes en la ciudad de Madrid. La primera de ellas, cubre la zona que se engloba los barrios de Chamberí y Salamanca, monitorizando los flujos de tráfico que cruzan Madrid de este a oeste (desde los accesos por la A-6 y la A-2) y de norte a sur (desde Nuevos Ministerios a la Plaza de Colón). La segunda de ellas, cubre un tramo de 2,5 kilómetros de la Avenida de Andalucía donde confluyen dos centros comerciales y los accesos de la M-30 y M-40. Por su parte, la red de Sevilla monitoriza el segmento de más de 9 kilómetros de la SE-30 que une la zona del Hipódromo de Pineda con el acceso a la A-49 (entre Sevilla y Huelva) y un tramo de 4,2 kilómetros de la Autopista del V Centenario.
Estas redes han permitido obtener una ingente cantidad de datos sobre los que desarrollar las herramientas de business analytics que se mencionarán en el apartado de Resultados. Asimismo, han ofrecido un marco excepcional para el estudio comparativo de prestaciones del sistema frente a otros sistemas AVI como los lectores de matrículas. De hecho, la instalación de identificadores Bluetooth en la red de Sevilla se realizó sobre los mismos pórticos de los sistemas lectores de matrículas ya existentes. De esta forma, se ha llegado a probar empíricamente que bigin Traffic alcanza las mismas prestaciones en tiempos de recorrido que los lectores de matrículas, a un coste económico drásticamente inferior.
Contribuciones relevantes
En este nivel básico de funcionalidad, bigin Traffic ya ofrece unas claras ventajas que contribuyen al objetivo último de la mejora en la gestión de tráfico y la consiguiente reducción de consumo y emisiones. Por una parte, el algoritmo implementado para el cálculo de tiempos de recorrido cuenta con el máximo rigor científico, lo que queda avalado por el hecho de que constituye la primera publicación científica en la revista más relevante del ámbito, IEEE Transactions on Intelligent Transportation Systems, que describe y analiza la tecnología de identificación de vehículos basada en Bluetooth y el cálculo de tiempos de recorrido (Vinagre et al., 2015). Entre otras contribuciones relevantes, se incluye un filtrado de vehículos con fiabilidad del 100% y muy bajo coste computacional. Asimismo, el sistema de comunicaciones ha sido concebido, diseñado y construido de forma que permita la escalabilidad total del sistema, permitiendo por tanto futuras extensiones del mismo de forma sencilla e inmediata.
Más allá de estas importantes innovaciones en el terreno de la identificación de vehículos y la provisión de tiempos de recorrido representativos, la clave para que esta tecnología maximice su aportación a la gestión del tráfico y la reducción de consumos y emisiones subsiguientes, es la extracción de información útil para responsables de movilidad. No es cuestión de arrojar datos que tan sólo pueden ser visualizados en una pantalla, sino construir soluciones a medida que ofrezcan la información procesada que ponga de manifiesto las prestaciones reales de la movilidad y su impacto económico y social y, consiguientemente, pueda ser utilizada para la optimización del servicio prestado al ciudadano y, por ende, al medioambiente.
‘Bigin’ de tráfico y movilidad
Esta extracción de información relevante y significativa para la gestión del tráfico a partir de grandes cantidades de información es lo que denominamos ‘big information’ o bigin. De esta forma, hacemos explícita la diferenciación de nuestro objetivo de proveer información avanzada de alta utilidad frente a la mera recolección de grandes cantidades de datos y su visualización, lo que se ha dado en llamar en los últimos tiempos big data.
En las siguientes secciones se describen algunas de las herramientas desarrolladas con este objetivo.
Las calles se estiran y encogen, las ciudades se deforman
Basada en una aproximación desarrollada por el Massachusetts Institute of Technology (MIT) en la ciudad de Singapur, hemos creado una herramienta capaz de representar la red viaria de una ciudad en función del tiempo real registrado por los vehículos en cada momento del día. Esta herramienta transforma tiempo en espacio, mostrando calles que se estiran o encogen a medida que se necesita más o menos tiempo para recorrerlas. El resultado de esta herramienta puede observarse en la Figura 1, generada con datos reales medidos en la red de Madrid Central actualmente operativa. En la misma puede apreciarse cómo el eje Este-Oeste se ve claramente afectado a las 10:00 de la mañana de un día de diario (miércoles, 2 de diciembre de 2015), mientras que el impacto del tráfico sobre el eje Norte-Sur es muy pronunciado en la salida de un viernes laboral (4 de diciembre de 2015, a las 16:00).
Un mes de niveles de servicio
El nivel de servicio de una calle o carretera es una variable muy representativa del estado real de la misma. Ilustra el hecho de que, cuando el número de vehículo que pasa por una carretera (formalmente, la intensidad) se aproxima a la capacidad de la misma, las prestaciones efectivas de la misma se degradan, reduciéndose la velocidad y produciéndose paradas cada vez más frecuentes. Estos niveles de servicio van por tanto desde tráfico fluido hasta congestión y se representan con un código de colores.
A partir de las medidas de tiempos de recorrido alcanzadas por el sistema, es posible extraer una medida del nivel de servicio del tramo monitorizado, que expresa de forma mucho más directa el estado real del mismo y sus prestaciones. Además, la representación compacta de los niveles de servicio registrados durante cada día de un mes en concreto, provee a los gestores de tráfico el conocimiento profundo y detallado sobre el comportamiento de la red viaria, sobre el que pueden observar problemas persistentes y detectar incidencias puntuales. La Figura 2 muestra un ejemplo real de la vista mensual de niveles de servicio.
Key Performance Indicators
La información de tráfico a entregar debe además estar adaptada al usuario final concreto que la consuma y sus necesidades específicas. De esta forma, bigin Traffic provee todo el rango de niveles de detalle de la información, desde vistas pormenorizadas de tiempos de recorrido y las variables estadísticas que las definen, hasta indicadores de prestaciones clave (KPIs, Key Performance Indicators), requeridos por las estancias más altas de la Administración, que requieren una visión más global del desempeño de la movilidad de su ciudad.
Por ello, bigin Traffic incluye un conjunto de KPIs y su visualización en forma de iconos, que ofrecen una vista global, pero completa sobre el estado real de las prestaciones de la movilidad de la ciudad y su evolución en el tiempo.
La Figura 3 incluye tres iconos utilizados para ilustrar estos KPIs. El primero de ellos (Figura 3.a) muestra gráficamente el coste económico equivalente al tiempo perdido durante el mes. El cálculo de este KPI se realiza teniendo en cuenta las horas perdidas, el volumen de tráfico cursado por la red viaria y las retribuciones medias de los habitantes de la ciudad bajo estudio. Por su parte, el icono de la Figura 3.b representa la evolución positiva, neutra o negativa de la comparación del tiempo perdido durante el mes actual respecto a la media de los 3 anteriores. Finalmente, la Figura 3.c ilustra la posición de la ciudad en comparación con la media de prestaciones obtenidas en los distintos municipios de su área, clasificados en 3 grandes grupos según sus prestaciones.
Vehículos ‘soporte’
El análisis pormenorizado de los registros procedentes de los identificadores Bluetooth ha permitido constatar una realidad percibida por el común de los conductores: normalmente un conductor pasa por el mismo sitio a la misma hora todos los días
. Este hecho permite que el procesador pueda buscar los identificadores de ciertos vehículos soporte, que representen la normalidad de un día. De esta forma, es posible construir herramientas de alerta temprana de incidencias cuando el sistema detecte que un número significativo de estos vehículos soporte no ha alcanzado cierto detector en una horquilla de tiempo predefinida. La Figura 4 muestra registros de repetición de paso por los mismos identificadores durante distintos días con un patrón ‘laboral’.
Discusión: La información de tráfico en ciudades inteligentes
Para asistir a un despegue definitivo de las capacidades de las Ciudades Inteligentes, es necesario comenzar a trasladar el paradigma big data hacia bigin de forma que se generen y exploten aplicaciones reales que ofrecer a las distintas partes involucradas: ayuntamientos, empresas de gestión y provisión de servicios, y ciudadanos.
En el ámbito de la movilidad y los Sistemas de Transporte Inteligente, se requiere especialmente que el conocimiento provisto llegue más allá de la mera visualización de las variables monitorizadas, de forma que los gestores de tráfico tengan herramientas útiles que faciliten su labor y automaticen parte de la misma.
Para ello, la información a manejar debe cumplir altos niveles de rigor y precisión y, asimismo, debe contener un amplio significado, representando fielmente el escenario objetivo en distintos niveles de detalle dependiendo de la aplicación y el usuario final que la consuma.
Siguiendo esta aproximación, este artículo ha presentado bigin Traffic, un catálogo de herramientas de procesado avanzado de información, desarrollado por simplicity sobre una base científica del estado del arte, probado en escenarios de operación real en las ciudades de Madrid y Sevilla y que ofrece conocimiento nuevo y significativo para los gestores de movilidad en ayuntamientos e ingenierías.
Agradecimientos
Nuestro agradecimiento al Ministerio de Economía y Competitividad por su apoyo a la I+D traducida en distintos proyectos en la convocatoria RETOS-Colaboración y a SICE como socio colaborador en los mismos.
Referencias
- Calvo, P., 2010, Transporte público y crisis económica, Curso de Verano Fundación Universidad Rey Juan Carlos.
- Haghani, a., Hamedi, M., Sadabadi, K. F., Young, S. & Tarnoff, P., Data collection of freeway travel time ground truth with Bluetooth sensors, 2010, Transp. Research Record: J. Transp. Research Board, vol. 2160, pp. 60–68.
- Texas Transportation Institute, 2012, Urban Mobility Report.
- Vinagre Díaz, J.J., Rodríguez González, A.B. & Wilby, M., 2016, Bluetooth Traffic Monitoring Systems for Travel Time Estimation on Freeways, IEEE Trans. on Intelligent Transportation Systems, vol. 17, n.1, pp. 123-132.
- Yanguas, G., 2015, Perfil Ambiental de España 2014, Ministerio de Agricultura, Alimentación y Medio Ambiente, Madrid, España.