28 Ago Movilidad, Big Data y Nuevas Tecnologías

La movilidad es clave para el desarrollo de nuestras sociedades, pues nos permite realizar nuestras actividades diarias y fomentar la interacción social. Sin embargo, también requiere muchos recursos, y su gestión ineficiente puede tener efectos adversos. Así, la movilidad no solo facilita el desarrollo socioeconómico, sino que también es fundamental para enfrentar los desafíos de sostenibilidad actuales.

Para gestionar la movilidad de manera eficiente, es esencial comprender los patrones de demanda de transporte. Tradicionalmente, se han utilizado herramientas como el conteo de viajeros o vehículos y encuestas de movilidad para obtener información sobre los desplazamientos. Aunque útiles, estas herramientas tienen limitaciones, como el alto costo de las encuestas y los sesgos en los datos recolectados.

La digitalización presenta una oportunidad para mejorar la recolección de datos. Hoy en día, el big data, generado por dispositivos móviles, sensores conectados y tecnologías de geolocalización, ofrece una valiosa información sobre la movilidad. Aunque estos datos no se crearon específicamente para estudiar la movilidad, su análisis puede revelar patrones importantes. Este artículo revisa el estado actual de las tecnologías de big data aplicadas a la movilidad, al transporte y a la modelización.

Conscientes de ello, en el Instituto de Movilidad ponemos una nueva edición en marcha del máster de Modelización y simulación del transporte y la movilidad mediante el uso de nuevas tecnologías y herramientas de análisis y explotación de datos. Una oportunidad única para formarte online en un ámbito de la movilidad y el transporte que requiere profesionales cualificados.

 

Las nuevas fuentes de datos

El surgimiento de diversas tecnologías de información y comunicación ha dado lugar a una amplia variedad de fuentes de datos, que se dividen principalmente en dos grupos: dispositivos móviles y sensores.

Los dispositivos móviles generan registros de ubicación que permiten reconstruir patrones de movimiento. Entre las principales fuentes se encuentran: i) los datos de telefonía móvil, ii) los datos de GPS generados por aplicaciones en smartphones, iii) los datos de sistemas inteligentes de pago en transporte público, y iv) los datos de tarjetas bancarias. Algunas de estas fuentes también ofrecen información contextual, como los datos de redes sociales que permiten analizar actividades y opiniones de los usuarios.

Por otro lado, los sensores registran la presencia de objetos en su radio de acción. Estos pueden ser sensores puntuales, como los utilizados en aforos de tráfico para contar vehículos, o redes de sensores que trazan recorridos al registrar secuencias de presencia. Ejemplos incluyen sensores de matrícula de vehículos y tecnologías como wifi o bluetooth, aplicables tanto a vehículos como a dispositivos personales.

 

Oportunidades y retos del Big Data para la movilidad

El uso de big data en movilidad ofrece numerosas oportunidades y desafíos. Las principales características de estas fuentes de datos son que se recogen para otros fines, no requieren interacción directa con las personas o vehículos, y se registran de manera continua.

Oportunidades:

– Reducción de costos: Dado que los datos se generan como subproductos de servicios como telefonía móvil o sistemas de pago, su recolección es más económica que las encuestas tradicionales, permitiendo actualizaciones más frecuentes en un entorno de movilidad cambiante.

– Tamaño de muestra ampliado: La recolección pasiva permite obtener muestras mucho más grandes que las encuestas, reduciendo la incertidumbre en el análisis, especialmente en contextos de movilidad dispersa y en el estudio de subgrupos específicos de la población.

– Datos históricos y en tiempo real: La recopilación continua alimenta bases de datos históricas, útiles para el análisis de eventos pasados y el desarrollo de modelos predictivos.

Retos:

– Acceso a datos: Obtener estos datos no siempre es fácil, especialmente cuando son gestionados por empresas privadas, lo que requiere acuerdos específicos.

– Privacidad: Los datos suelen contener información personal sensible, lo que obliga a aplicar técnicas rigurosas de anonimización para cumplir con la legislación sin comprometer la calidad del análisis.

– Limitaciones en alcance: Aunque los datos pasivos revelan preferencias actuales, no permiten explorar cómo cambiarían los comportamientos bajo diferentes condiciones, como sí lo hacen las encuestas tradicionales. Para cerrar esta brecha, es necesario desarrollar metodologías que fusionen datos de diversas fuentes.

 

La unión de fuentes nuevas y tradicionales

Ninguna fuente de datos, tradicional o de big data, resuelve por sí sola los desafíos del estudio de la movilidad. Por eso, las metodologías de fusión de datos son esenciales, combinando tanto fuentes nuevas como tradicionales para un análisis más completo. Aquí, algunos ejemplos:

– Optimización de campañas de campo: El big data, como los datos de telefonía móvil o de sistemas de pago inteligente, puede ayudar a determinar las fechas y ubicaciones más representativas para realizar encuestas tradicionales, priorizando áreas con mayor variabilidad en patrones de movilidad.

– Conversión de flujos de personas a vehículos: Para estudios que requieren analizar flujos de vehículos, se pueden combinar los datos de telefonía móvil (que miden el flujo de personas) con los aforos de tráfico, reduciendo el error al convertir viajes-persona en viajes-vehículo.

– Mejora de precisión espacial: Aunque los datos de telefonía móvil tienen menor precisión que los de GPS, su mayor cobertura y frecuencia de registro permiten que, al combinarse con datos GPS, se asignen coordenadas con mayor exactitud a los registros de telefonía móvil.

– Enriquecimiento sociodemográfico: Las fuentes big data a menudo carecen de información sociodemográfica. Este vacío puede llenarse utilizando técnicas de inteligencia artificial que extrapolan esta información a partir de encuestas de movilidad tradicionales, enriqueciendo así los análisis basados en big data.

 

Conclusiones

En los últimos años, el análisis de la demanda de transporte ha avanzado significativamente gracias al big data. Estas nuevas fuentes, aunque no nacen específicamente para estudiar la movilidad, permiten un seguimiento continuo de los desplazamientos sin intervención directa, ofreciendo ventajas como mayores tamaños de muestra, actualización frecuente y menor sesgo en los datos. Sin embargo, desafíos como la privacidad y la necesidad de algoritmos precisos siguen presentes. El big data se ha consolidado como una herramienta clave para obtener diagnósticos de movilidad más completos y precisos, mejorando la toma de decisiones de planificadores y operadores de transporte.

Ejemplos de proyectos en España, basados en datos de telefonía móvil, demuestran su eficacia. No obstante, el big data no sustituye a las fuentes tradicionales, sino que las complementa, ofreciendo un enfoque más integral. La complejidad de la movilidad requiere la combinación de distintas fuentes de datos para capturar todas sus dimensiones. España es líder en la aplicación de estas tecnologías, y las investigaciones en curso seguirán perfeccionando las capacidades analíticas y desarrollando nuevos métodos y herramientas para el estudio de la movilidad.