Propósito
smod nació, hace poco más de 12 meses, con el propósito de desarrollar soluciones de micro movilidad sostenible para ciudades emergentes.
En plena cuarentena, por una de las pandemias más letales de la historia a causa del virus covid-19, nos propusimos como empresa, como equipo, como personas poner en valor nuestro propósito y nuestra pasión por la movilidad y la tecnología.
Luego de un proceso de introspección y definir cómo podíamos colaborar para mitigar el impacto del virus, decidimos desarrollar una plataforma con una doble potencialidad para el análisis de datos, permitiendo entender los patrones de movilidad y visualizando dinámicamente el comportamiento del transporte en las ciudades.
Proceso de trabajo
El proceso comenzó con la recolección de datos del sitio web de Rosario. Buscamos archivos que nos permitan identificar lugares de interés, densidad de población (censo 2010), recorridos del tup y las respectivas paradas. La ubicación de las estaciones las obtuvimos del sistema de GBFS de NABSA. Los datos de viajes tanto de bicicletas como de colectivos los obtuvimos ingresando la solicitud a la Secretaría de Transporte de la Municipalidad quienes amablemente nos compartieron los datos para poder realizar el caso de estudio.
Una vez obtenidos los datos, comenzamos a analizar distintos sistemas existentes para poder visualizarlos.
En la búsqueda y prueba de los sistemas nos dimos cuenta que la mejor manera de representar y lograr entender el comportamiento de la movilidad era justamente visualizarlos con animaciones y no con planos o tableros de indicadores estáticos.
Por lo tanto, optamos por buscar formas de visualización dinámicas. En la búsqueda dimos con un estudio de movilidad en bicicleta de New York, Londres, y Berlín realizado por un grupo de la Universidad de Ciencias Aplicadas de Mannheim (Alemania) y liderado por Till Nagel quien sin saberlo, a través de sus publicaciones, nos inspiró a desarrollar nuestra propia herramienta de visualización de movilidad para ayudar a explorar y comprender el comportamiento del transporte.
Caso de estudio
Recursos:
- Ubicación de las estaciones del sistema de bicicletas públicas.
- Ciclovías.
- Densidad de población por cuadrante.
- Rutas del TUP (Transporte urbano de pasajeros).
- Paradas del TUP.
- Cancelaciones del TUP (1 semana: aproximadamente 2.5 millones de registros).
- Viajes del sistema de bicicletas públicas.
- Lugares de interés de Rosario (Centros atractores de personas).
Metodología utilizada:
- Transporte Urbano de Pasajeros:
Desarrollamos un algoritmo basándonos en el proceso básico de construcción de matriz OD de Transporte Público para determinar los viajes de las más de 2.5 millones de cancelaciones registradas en la semana del 2 al 6 de Marzo del 2020.
- Sistema de bicicletas públicas:
- Geo referenciamos las estaciones de bicicletas a través de la API de Google Maps.
- Desarrollamos un algoritmo para obtener las posibles rutas de cada viaje utilizando los servicios de la API de Google Maps determinando la estación de origen como punto de partida y la estación de destino como punto de llegada.
- Determinamos la ubicación de los usuarios del sistema en función de la densidad de población por cuadrante.
- Otros datos:
- Utilizamos los datos de Google Maps para visualizar el tráfico de la ciudad en tiempo real.
- Ubicamos lugares de interés para visualizar centros atractores de la ciudad y la posible concentración de personas.
Objetivo
El estudio intenta reflejar, con animaciones temporales, el comportamiento de la movilidad para conocer:
- Momentos del día donde se dan los picos de concentración de viajes y personas.
- Zonas con mayores movimientos de personas.
- Paradas de colectivos con mayor acumulación de personas.
- Momentos y lugares donde se sobrepasa la cantidad de personas en unidades de transporte público.
- Cantidad y horario en que se mueven las personas en edad de riesgo.
- Cantidad de viajes que pueden absorberse con caminata, bicicletas públicas o privadas.
- Estaciones de bicicletas con mayor cantidad de usos.
- Uso de las ciclovías y la posibilidad de diseñar ciclovías temporales para fomentar el uso de la bicicleta particular como método de movilidad en la ciudad.
El sistema de visualización
La primer versión del sistema de visualización desarrollado proporciona dos vistas coordinadas (Figura 1): un mapa de calor con los orígenes y destinos de los viajes del TUP (Fig. 2) y las trayectorias de estación a estación del sistema de bicicletas (Fig. 3).
Figura 1: Sistema de visualización con los filtros e indicadores a la izquierda y el mapa a la derecha representando dinámicamente los viajes del TUP y del sistema de bicicletas públicas.
Figura 2: mapa de calor de la cantidad de pasajeros en cada parada. El color verde marca los orígenes de viajes y el azul el destino de los mismos. El radio y la intensidad de color de cada punto indica la densidad de pasajeros en cada parada.
Figura 3: viajes del sistema de bicicletas públicas. La opacidad de las líneas indica la cantidad de viajes que transitaron por la misma ruta.
Filtros interactivos
- Indicador del sistema de transporte: bicicletas y/o transporte urbano.
- Selector de línea del transporte urbano.
- Selector del período de hora.
- Mapa de calor para visualizar el origen de cada viaje.
- Mapa de calor para visualizar el destino de cada viaje.
- Mapa de calor de concentración de usuarios del sistema de bicicletas.
- Ubicación de los centros atractores de la ciudad.
- Estilos del mapa: oscuro / claro.
- Visualizar el tráfico en tiempo real.
- Botones para pausar o acelerar la reproducción.
Figura 4: filtro para seleccionar el tipo de transporte a visualizar y el rango horario.
Figura 5: control del visualizador del mapa para activar y desactivar los distintos filtros y controlar la reproducción de viajes.
Figura 6: vista de los distintos filtros aplicados.
Conclusión
La minería de datos (data mining), los procesos de machine learning que ofrece la inteligencia artificial aplicada a un modelo de movilidad que evolucione en el tiempo y la posibilidad de brindar un panel de control dinámico en tiempo real, permite una gestión y entendimiento visual del transporte tanto público como privado en las ciudades.
El procesamiento de información permite obtener patrones de conducta de los sistemas de movilidad a partir de datos no estructurados que pueda aprender sobre el sistema de una forma mucho más comprensiva de lo que actualmente se pueda conocer.
Tanto el algoritmo desarrollado para procesar datos como el mapa de visualización tienen la posibilidad agregar “capas” de datos al estudio de movilidad:
- Taxis
- Espiras de semáforos: tráfico.
- Datos de movilidad particular: autos y transeúntes.
- Adicional COVID-19.
Adicional COVID-19
Desde el inicio de la cuarentena desde Warecloud y con amigxs comenzamos a desarrollar una app que ayude a mitigar el desarrollo de la pandemia determinando las zonas de contagio más comprometidas de las ciudades. Realizamos un registro del geo-posicionamiento de usuarios (colaboradores) que permite la identificación de las rutas realizadas, y los posibles contactos con otras personas y zonas de contagio.
La aplicación informa a los usuario de las zonas más comprometidas con el objetivo de prevenir el contagio.
Estamos trabajando en el modelo estadístico para calcular la probabilidad de contagio de una persona por zona y un modelo de cómo el virus se podría expandir por la ciudad.
Para más información, visitá www.cobeat.app.