La movilidad intermodal demuestra que la IA puede mejorar las sugerencias de rutas puerta a puerta
Los investigadores informan de que su previsión de IA calcula la probabilidad de encontrar una bicicleta de alquiler o un e-scooter en un lugar seleccionado de la ciudad a una hora determinada, por ejemplo. El nombre del proyecto DAKIMO significa "Datos e IA como facilitadores de una movilidad intermodal sostenible". Los socios del proyecto Fraunhofer IOSB son las empresas Raumobil GmbH, INIT GmbH, Inovaplan GmbH, así como el Instituto de Transporte del Instituto Tecnológico de Karlsruhe (KIT) y la Asociación de Transporte de Karlsruhe (KVV). DAKIMA está subvencionada por el Ministerio Federal alemán de Investigación, Tecnología y Espacio, con un volumen de financiación de 3,5 millones de euros.
Como explica Fraunhofer IOSB, el socio del proyecto Raumobil GmbH utiliza la previsión de desarrollo propio para el trazado de rutas intermodales, lo que significa que una aplicación de movilidad sugiere conexiones desde el punto de partida hasta el de destino que también tienen en cuenta la disponibilidad prevista. Y: No se trata sólo de teoría. Tomando como ejemplo la app Regiomove de la Asociación de Transportes de Karlsruhe, los participantes en la DAKIMA quieren hacer realidad las sugerencias de rutas intermodales.
Los científicos de Fraunhofer describen el problema actual y el punto de partida del proyecto como que, aunque los autobuses, trenes, tranvías, e-scooters y bicicletas de alquiler tienen una mejor huella medioambiental que los coches privados, la planificación de rutas utilizando estos medios de transporte público es más compleja. "Para que el transporte público se convierta en una alternativa atractiva, debe ser posible combinar fácilmente diferentes medios de transporte a lo largo de una ruta determinada, y cambiar entre transporte público, bicicletas (especialmente las compartidas) y patinetes eléctricos tiene que ser tan cómodo como coger las llaves del coche", subraya el equipo del proyecto, y expone la siguiente situación, que probablemente resulte familiar a todo el mundo: "Puede que llegue a la parada X en autobús en 30 minutos, pero luego tiene que esperar que las bicicletas compartidas o los patinetes eléctricos estén disponibles allí. ¿No habría sido mejor idea seguir hasta la parada Y, donde suele haber más bicicletas disponibles? Hasta la fecha, las aplicaciones de enrutamiento no han tenido en cuenta estos aspectos en sus rutas sugeridas".
Aquí es donde entra en juego el proyecto DAKIMO: Los investigadores afirman que su solución basada en la IA tiene en cuenta, entre otras cosas, los datos en directo sobre la situación del tráfico. Jens Ziehn, director del proyecto en Fraunhofer IOSB, comenta. "Nuestra función de previsión de IA recomienda el medio de transporte óptimo para llegar al destino en cada caso individual, incluso para los distintos segmentos de la ruta, sin complicar demasiado las cosas. Los vehículos que se pueden reservar, incluidos los de uso compartido, se muestran tanto al principio como al final del viaje". Cuando los humanos pierden la pista, por ejemplo, porque el autobús está atrapado en un atasco o no hay más bicicletas de alquiler disponibles en la última parada, la IA interviene. "La previsión es posible porque la IA utiliza pequeñas células geográficas e intervalos de tiempo cortos para calcular las probabilidades a corto y largo plazo de la disponibilidad y el número previsto de vehículos compartidos, basándose en fuentes de datos abiertas como datos del transporte público y datos históricos sobre aspectos como la posición de las bicicletas compartidas", añadió Reinhard Herzog, que dirige el grupo de Modelización y Redes del Fraunhofer IOSB.
La previsión se integrará en la norma GBFS
Fraunhofer IOBS ha anunciado que la previsión de IA se integrará en el futuro en la norma internacional GBFS (General Bikeshare Feed Specification) de validez mundial, una especificación en tiempo real para datos públicos que se utiliza principalmente para proporcionar información sobre el tráfico. Actualmente se está llevando a cabo una fase de evaluación de un año de duración. "Durante esta fase de prueba, la función de previsión se incorpora a un borrador para ampliar la norma", explicó Herzog. "Para generalizar el uso de nuestra tecnología de IA, es importante añadir a la norma GBFS las probabilidades de previsión para los vehículos compartidos". Esto se debe a que entonces la norma ya no sólo se utilizará para mostrar las posiciones de los vehículos de transporte compartido actualmente disponibles, sino que también ofrecerá predicciones sobre las probabilidades futuras de paradero calculadas por una IA.
Como explica el equipo, el servidor de fusión de IA, que coteja todos los datos, ya está en funcionamiento. Deduce la disponibilidad de los medios de transporte basándose en la IA, que se incorpora a las sugerencias de rutas. Además, la previsión de IA ya forma parte de la mencionada versión de prueba de la aplicación Karlsruhe Regiomove, que pone en red una amplia gama de herramientas de movilidad para la región del Alto Rin Medio. El siguiente paso es extender el modelo de previsión a la región de Baden-Wurtemberg.
Según sus responsables, la aceptación entre la población es alta. Un estudio de más de 1.500 personas encargado como parte del proyecto habría revelado que casi el 90% de los participantes considera útil o muy útil una predicción basada en la IA para compartir el transporte. Alrededor del 20% de los encuestados dejaría ocasionalmente su propio coche en casa y optaría por el transporte público. "Los resultados de nuestra investigación confirman que los métodos basados en la IA pueden apoyar eficazmente la transición de la movilidad y contribuir a la acción por el clima", declaró Ziehn, director del proyecto.
0 Comentarios