Comunicación presentada al IV Congreso Ciudades Inteligentes:
Autores
- Juan Pablo Fuentes Brea, Gerente en soluciones de Inteligencia Artificial, Sistemas Informáticos Abiertos (SIA)
- Francisco Javier Sánchez Zurdo, Jefatura de Proyectos sobre Smart Cities, Sistemas Informáticos Abiertos (SIA)
- Diego Pieruz, Director de Gobierno IT, Sistemas Informáticos Abiertos (SIA)
- Daniel Vega Díaz, Responsable Soluciones Smart Cities y Resiliencia Urbana, Sistemas Informáticos Abiertos (SIA)
Resumen
Hoy en día las ciudades se están comportando como un ente vivo, donde los conceptos antiguos de gestión territorial y posicionamiento de servicios se están redefiniendo gracias a las mejoras tecnológicas en los sistemas. El presente artículo tiene como objetivo dotar a estos servicios de una gestión inteligente en sus recursos territoriales, explicando el concepto de Localización Inteligente dentro de un conjunto de casos de uso relevantes para una ciudad. Para ello nos basaremos fundamentalmente en la fuente inagotable de información al alcance de las ciudades, proveniente de sus lagos de datos mediante técnicas de Big Data, conjuntamente con la consolidación de información proveniente de dispositivos IoT. A partir de estas fuentes de datos, se presenta un sistema en donde se aplica un conjunto de técnicas basadas en la Inteligencia Artificial y Machine Learning para mejorar sustancialmente la planificación y la optimización de rutas de transporte involucradas en la gestión territorial, además de casos de uso relacionados con el fraude.
Palabras clave
GIS, Inteligencia Artificial, Machine Learning, IoT, Big Data, Optimización, Planificación, Monitorización Inteligente
Introducción
La gestión de una ciudad ha ido cambiando a lo largo de los años debido a que el contexto histórico, el crecimiento de la población y las necesidades sociales han sido impulsores de un nuevo modelo de servicios para la ciudadanía. Desde los años 50’s del siglo anterior hasta la actualidad, los servicios que se han prestado han ido variando sustancialmente, así como también los modelos de gestión de la ciudad, partiendo de estándares pre-democráticos hasta la gestión jerarquizada y basada en funciones bien definidas por parte de sus dirigentes (Almonacid V., 2009, “Estudio sobre modernización de la Administración Local: teoría y práctica.”, Ed. Wolters Kluwer, y García Rubio, F., 2011, “La organización administrativa de las fórmulas de gestión directa de los servicios públicos locales”, Ed. Wolters Kluwer).
El eje principal de la relación ciudadano-ciudad comienza con la prestación de unos servicios básicos y fundamentales. Se suele asumir, en el caso óptimo, que existe una comunicación bidireccional donde cada solicitud ciudadana es estudiada, analizada y tratada para dar cabida a las nuevas necesidades y/o servicios de manera satisfactoria para ambas partes (modelo reactivo). Con la revolución tecnológica que se ha vivido en los últimos 20 años, ya no es imprescindible una comunicación bidireccional, sino que los gestores de las ciudades pueden utilizar técnicas de prospección/análisis/planificación de manera automatizada y con un carácter eminentemente pro-activo, que permite optimizar tanto los recursos humanos, materiales y económicos de los diferentes servicios prestados.
Además, gracias a la digitalización, una parte de los servicios pueden ser digitalizados de tal manera que no estén “atados” a una ubicación concreta de la ciudad. Sin embargo, otros servicios deben ser prestados presencialmente. Esta publicación tiene como objetivo optimizar aquellos servicios que presta la ciudad en ubicaciones concretas usando las técnicas ya conocidas de gestión territorial y herramientas GIS pero complementando los resultados con una capa de Inteligencia Artificial que automatice los procesos, focalizado principalmente en la optimización y planificación de rutas de transporte dentro de la ciudad, garantizando en todo momento la replicabilidad de los resultados a lo largo del tiempo y genere ubicaciones o Localizaciones Inteligentes (LI) para su uso presente y futuro (Utilizing Location Intelligence for the Placement of Corporate Services y Location Intelligence for Dummies). Adicionalmente se mostrarán otras aplicaciones del sistema, sobre casos de uso relacionados con el fraude, en donde la localización inteligente será de nuevo una herramienta muy valiosa para su detección.
Proyecto: Solución LI4SC
LI4SC (Localización Inteligente para Smart Cities), se basa en el concepto de posicionamiento de los servicios de una ciudad, estableciéndose una etiqueta de posición dentro de un mapa de la ciudad (base de datos territorial) y almacenarlo en un sistema de posicionamiento institucional GIS para sus futuras consultas. El valor principal del concepto de Localización Inteligente (LI) reside en la utilización de dicha información cuasi-estática de los sistemas institucionales, enriquecerla con las diversas fuentes de datos institucionales disponibles (ver Figura 1), cruzarlas con información proveniente de las redes sociales y de dispositivos IoT, para finalmente aplicando técnicas de Machine Learning encontrar correlaciones de información o establecer predicciones de métricas futuras y ponerlas a disposición del ciudadano mediante los dispositivos inteligentes tipo Smartphone; ese es el principio de la Localización Inteligente.
A efectos de conocimiento general, un municipio tiene como competencias propias (Ley reguladora de las Bases del Régimen Local [Ley 7/1985, de 2 de abril], artículo 25), la gestión de su urbanismo, gestión de residuos, parques y jardines, abastecimiento de agua, infraestructura viaria, seguridad (policía local, protección civil, etc.), salubridad, evaluación de necesidades sociales, etc. Antes de detallar un conjunto de casos de uso en el que la aplicación dentro de los servicios de la ciudad es prácticamente directa y con resultados inmediatos, se definirá una metodología para la definición de Localizaciones Inteligentes.
Metodología
Para mejorar cualquier producto, servicio o incrementar la competitividad de una entidad, es bien conocida la estrategia de mejora continua de la calidad (ver Figura 2) llamada ciclo de Deming (Ciclo PDCA, Planificar, Hacer, Verificar y Actuar: El círculo de Deming de mejora continua) o círculo PDCA (Plan, Do, Check, Act). Básicamente se basa en Planificar las actividades del cambio en el proceso, la Realización de los cambios en un grupo de control, la Verificación de los resultados obtenidos y el Aprendizaje de los resultados obtenidos y el ajuste de los mismos para volver a comenzar el propio cliclo con una Planificación nueva. Para el caso concreto de la Localización Inteligente se usará una metodología similar dividiéndola en las siguientes cuatro fases:
- Acceso a la información actual y su enriquecimiento mediante la adicción de información de diferentes fuentes para el objetivo que se quiere conseguir.
- Visualización de la información en un plano GIS, mostrándose las distintas perspectivas y planos de visualización disponibles para una correcta representación de los resultados.
- Aplicación de técnicas de Machine Learning la información disponible, realizando técnicas de clasificación, clusterización, etc.; así como también la ejecución de operaciones matemáticas basadas en distancias, áreas, filtros de información, etc.
- Verificación de los resultados obtenidos para comprobar si se ajustan al objetivo inicial buscado.
- En los apartados siguientes, se van a presentar un par de casos de uso de aplicación dentro de una ciudad mediante la utilización de la solución LI4SC.
Caso de uso 1: Optimización de rutas de transporte locales
Las ciudades tienen fundamentalmente competencias en la recogida de basuras, ya sea la gestión de residuos urbanos como la recogida de residuos sólidos industriales (RSI), partiendo de la base que tienen referenciados todos los puntos de recogida de basura. El objetivo en este caso de uso es optimizar las rutas en tiempo real, de tal manera que la recogida no tenga establecida una ruta estática para todos los días, sino que pueda ser modificada según las necesidades que se detecten.
Enriquecimiento
A partir del posicionamiento real, se enriquece cada punto mediante información adicional (metadatos) proveniente de estas fuentes de información, a modo de ejemplo:
- Dispositivos IoT que permitan conocer el volumen de residuos en cada momento.
- Bases de datos de empresas ubicadas en la zona y su clasificación ambiental.
- Residentes en la zona para evaluar el ratio kg/ciudadano.
Visualización
Una vez enriquecidas cada una de las ubicaciones, se procede a la visualización de los datos en diferentes planos (topográfico, basado en calles, con capas relacionadas con el tráfico, etc.). Las herramientas GIS actuales permiten su visualización de una forma similar a la indicada en la Figura 3.
Ejecución
A continuación se muestran un conjunto de operaciones disponibles para extraer información no evidente, como por ejemplo el cálculo de densidades, la búsqueda de puntos calientes, el reconocimiento de ubicaciones fuera de un comportamiento normalizado, planificar rutas con diversas condiciones de ejecución (parámetros), etc. En este aspecto se pueden observar que las herramientas GIS permiten una visualización similar a esta con respecto a las rutas óptimas de transporte.
Verificación
Por último, se estudian los resultados obtenidos indicando si se cumplen los objetivos planificados, además de proponer nuevas condiciones para mejorar el servicio en la zona de la ciudad analizada. En esta iteración del ciclo no se ha tenido en cuenta la evolución histórica de los residuos a lo largo del tiempo, lo que permitiría realizar una nueva iteración estableciéndose predicciones de comportamiento dentro del análisis de Machine Learning (Navidades, festivos nacionales/locales, huelgas, etc.). Nótese que la incorporación de datos en tiempo real del volumen de residuos en cada contenedor puede permitir optimizar la ruta todos los días dependiendo de los niveles de llenado. Con estos resultados, ser podrá establecer dentro de las ciudades una planificación optimizada de las rutas de transporte, con el consecuente ahorro de costes asociado.
Caso de uso 2: Detección de fraude en las subvenciones educativas
La práctica mayoría de las Comunidades Autonomas tienen transferidas las competencias en Educación. Esto implica que los municipios solamente tienen la responsabilidad de evaluar e informar sobre las necesidades sociales y actuar en aquellos casos de riesgo de exclusión social dentro de su ámbito territorial. Sin embargo es bien conocida la necesidad de subvencionar un porcentaje de los gastos en educación a los padres, como por ejemplo los libros de texto. Es por ello que el objetivo en este caso de uso es doble: 1) la visualización de los datos de asignación de becas de libros para descubrir necesidades no demandadas por los ciudadanos y, 2) descubrir patrones de solicitudes que resulten ser casos extraños a analizar. A continuación, se irá definiendo cada una de las fases de la metodología:
Enriquecimiento
Suele ser habitual en la solicitud de becas de libros establecer una correspondencia entre padres/madres/tutores con distintas informaciones provenientes no solo de la relación ciudadano-ciudad sino también de la relación ciudadano-AEAT. Por ello se han identificado las siguientes fuentes de información para enriquecer la información del servicio:
- Datos de la solicitud de la beca de libros, incluyéndose el consentimiento expreso de buscar en más fuentes de información accesibles entre administraciones públicas.
- Datos del padrón municipal: dirección, miembros de la unidad familiar, datos económicos de impuestos municipales, etc.
- Datos provenientes de la Agencia Tributaria.
- Datos posicionales de los colegios e institutos.
Visualización
Una vez los datos están consolidados con la posición actual, se visualizarán en la herramienta GIS correspondiente, en igualdad de condiciones que en el caso de uso anteriormente descrito.
Ejecución
La ejecución en este caso de uso consiste en la aplicación de operaciones que permitan, por ejemplo, ejecutar algoritmos de IA tipo no supervisados para encontrar los centroides de las clases más representativas (y comprobar si corresponden con los distritos de la ciudad), calcular densidades de población vs rango económico, elegir las mejores ubicaciones con los datos enriquecidos cargados, disponer de mapas de calor con una o más condiciones de datos, interpolar resultados con datos no analizados y establecer proyecciones de comportamiento, crear áreas de influencia y planificar rutas, etc. Para el caso concreto del caso de uso, se identifica en la imagen de la izquierda de la Figura 4, cuatro puntos que se salen de la normalidad de las solicitudes y que están fuera del área urbana (son áreas industriales y no residenciales). También, mediante los centroides se han identificado nucleos de población de la ciudad.
Verificación
Con los resultados anteriores, pueden girarse visitas de los técnicos municipales para comprobar las solicitudes que están fuera de las zonas residenciales para certificar la situación educativa y social de los niños. Con los centroides se pueden identificar los distritos de los que se compone una ciudad, viendo si coinciden dichas Localizaciones Inteligentes con los diferentes servicios a prestar (diferencia en distancias, volumetrías de ciudadanos y servicios, etc.) para después aplicar políticas pro-activas de gestión. Justo después de aplicar esta iteración podrían añadirse las posiciones de las bibliotecas municipales, volúmentes de libros disponibles/prestados y rutas actuales del servicio bibliobús (si existiese), para poder determinar la ubicación de una nueva biblioteca con respecto a los datos disponibles, optimizar rutas del bibliobús entre los diferentes distritos municipales, informar a los ciudadanos por Smartphone de las modificaciones y novedades de las nuevas ubicaciones, etc.
Conclusiones y futuras líneas de trabajo
Tal como se ha visto en los dos casos de uso, se puede seguir la metodología de Localizaciones Inteligentes basada en el círculo PDCA, para enriquecer y visualizar las posiciones disponibles; y ejecutar operaciones de Inteligencia Artificial y verificar los resultados para dotar de inteligencia a las mismas posiciones anteriores. Esos dos casos de uso son sólo una muestra de lo que puede conseguirse con las Localizaciones Inteligentes, existiendo muchos otros casos de uso de aplicación:
- Definición de rutas de vigilancia y seguridad para la Policía Local, enriqueciendo las ubicaciones con la información histórica disponible de incidencias/sucesos, notificaciones en tiempo real de ciudadanos, seguimiento de los coches patrulla y de los agentes de campo, …
- Revisión de vados utilizando: las licencias industriales activas y caducadas a lo largo de un periodo temporal, calificación de los ámbitos de calificación de calles en el municipio, impuestos locales y nacionales vinculados a la actividad física o empresarial de la ubicación, …
- Optimización de rutas de visita para técnicos municipales de Medio-ambiente, Industria, Urbanismo, Servicios Sociales.
- Concentración de informaciones posicionales de los diversos servicios de emergencia y ciudadanos ante eventos naturales o generados por la actividad humana. Esta sería la herramienta que gestionaría las consecuencias de la crisis sufrida.
Como puede observarse la creación de lagos de datos accesibles por herramientas GIS y el enriquecimiento de las posiciones geográficas aplicando técnicas de Inteligencia Artificial, permite automatizar procesos y realizar un seguimiento a lo largo del tiempo. La aplicación de este tipo de sistemas lleva consigo un ahorro de costes directo para las ciudades, ya que se alcanza una optimización en servicios como el transporte o la detección del fraude entre otros. Esto se traduce en la puesta a disposición de los gestores y ciudadanos de métricas e indicadores a nivel de Negocio tan bien valoradas a la hora de poder realizar la evaluación de la calidad de los servicios prestados.