Herramientas de IA para una movilidad compartida y sostenible
Impactos de la inteligencia artificial
- Dosier
- Jul 23
- 13 mins
La IA puede ayudar a gestionar procesos complejos de la vida urbana, como la movilidad. Gracias a simuladores y servidores que ponen en contacto a personas que ofrecen su vehículo con otras que necesitan desplazarse, se puede llegar a reducir un 80% el tráfico y un 70% las emisiones de CO2.
A principios de esta primavera debía ir, pasada la hora de comer, a un lugar en la ciudad de Barcelona para realizar unas gestiones. La perspectiva de una tarde larga y soleada me hizo concebir la idea de un paseo en bicicleta por la playa (vivo cerca del mar). Como mi destino no estaba demasiado bien comunicado por transporte público, decidí usar mi coche; además, había un aparcamiento cerca y no era hora punta. Fue un error. Cuando volví de mi ocupación fuera de la ciudad, aquella tarde continué con el coche hasta el aparcamiento elegido. Con tráfico fluido, mis planes se cumplían razonablemente. Pero la vuelta fue muy distinta. En pocos minutos, y sin razón aparente, me encontré inmerso en un atasco sin posibilidad de escapar. Quizás se había producido un accidente o había calles cortadas por obras o manifestaciones. No lo sé. Cuando llegué a casa me había quedado sin tiempo, pero, sobre todo, sin ganas de dar ese paseo en bicicleta. El atasco me había puesto de mal humor, sin contar la gasolina quemada, el tiempo malgastado y la contaminación, atmosférica y acústica, que había generado.
Este episodio ilustra la problemática del tráfico en las grandes ciudades. El transporte público sigue siendo la mejor solución para la movilidad en ellas, pero es una respuesta parcial: siempre habrá zonas que no se comunicarán adecuadamente, ya que cuando las ciudades crecen, los nuevos barrios tardan un tiempo —años— en estar conectados de forma rápida mediante transporte público. Esa etapa suele ser suficientemente larga como para que surjan nuevos barrios en los que se reproduce el problema. Está claro que la solución genérica pasa necesariamente por la movilidad compartida; se trata de sacar vehículos que solo transportan a una persona del inmenso y frenético hormiguero humano en que se convierte una gran urbe en hora punta[1]. Hay recetas, conocidas desde hace tiempo, a las que hoy la inteligencia artificial está dando un nuevo impulso.
El viaje compartido, a gran escala
El concepto de viaje compartido —en el mundo anglosajón recibe el nombre de carpooling o ridesharing— apareció a la par que los vehículos, y su utilización se remonta a décadas atrás. Existen diferentes versiones de esa idea. Aquí nos referimos al caso en que un conductor ofrece su vehículo para llevar a otras personas, aprovechando el viaje (en la literatura especializada se conoce como peer-to-peer ridesharing). Otras modalidades pueden incluso aumentar el número de vehículos.
Los avances de la inteligencia artificial unidos a las facilidades de comunicación permiten construir la tecnología necesaria para implantar la movilidad compartida en una gran ciudad.
Esta fórmula se viene empleando desde la segunda mitad del siglo pasado en ámbitos restringidos, como compañeros de trabajo que comparten coche para ir al mismo destino o miembros de la misma familia que se reparten por la ciudad. En ambos casos, la comunicación entre los agentes que comparten el viaje se produce de forma directa, sin ocasionar ningún coste extra, y el problema de optimización a resolver es trivial. Pero su aplicación a gran escala aún está pendiente. Ahora, los avances de la inteligencia artificial unidos a las facilidades de comunicación permiten construir la tecnología necesaria para implantar esta fórmula en una gran ciudad. Hemos desarrollado los métodos que demuestran la viabilidad de esta idea a gran escala, con un simulador que anticipa los beneficios esperables.
La operativa del sistema propuesto consiste en que cada persona que ofrece trasladar o desea ser trasladada envía una petición a un servidor. Este proporciona continuamente un servicio de movilidad compartida: recibe las ofertas o las peticiones y, en un tiempo limitado —un minuto—, combina las ofertas de traslado que aún no han sido utilizadas con las peticiones aún no servidas, mediante un proceso de optimización estocástica[2]. A continuación, envía la asignación correspondiente a las ofertas y peticiones consideradas en ese ciclo, y continúa con el proceso. En conjunto, una persona no ha de esperar más de cinco minutos entre que envía su petición y recibe la respuesta.
Ilustración © Romualdo FauraEl ahorro que puede proporcionar depende de los criterios que se prioricen. Hay varios, y aquí nos centraremos en dos, que son tratados como parámetros: el tiempo extra requerido frente a un viaje individual y la ratio de adopción (el tanto por ciento de vehículos en toda la ciudad que realizan viajes compartidos). A partir de los datos reales de tráfico de dos días[3] en Nueva York, un día laborable —el jueves 1/12/2016— y un día de fin de semana —el sábado 3/12/2016—, en nuestro estudio experimental observamos que la reducción de la contaminación atmosférica aumenta claramente con la ratio de adopción, lo que está directamente correlacionado con la disminución del número de viajes y de la distancia total recorrida. Estos datos mejoran a medida que permitimos un mayor tiempo extra por viaje compartido, aceptando mayores retrasos, de hasta diez minutos en el peor de los casos. En números redondos, con el 100% de ratio de adopción, ocupando todos los asientos del vehículo y la máxima prioridad medioambiental, se alcanza un ahorro del 70% en emisiones de CO2 y una disminución del 80% del tráfico. Por el contrario, en el peor escenario, un 20% de ratio de adopción con la mínima prioridad medioambiental y que representa un retraso medio de diez segundos, se obtiene una disminución del 8% en emisiones de CO2 y el tráfico decrece un 15%. Así pues, aún en niveles bajos de implantación en una gran ciudad como Nueva York, el método propuesto permite alcanzar beneficios medioambientales significativos (un 1% de disminución en la emisión de CO2 significa un ahorro de 1,5 toneladas de ese contaminante). En escenarios intermedios, las ventajas obtenidas se sitúan entre estos dos extremos.
Un simulador para ayudar en las decisiones
Para disponer de un sistema flexible que proporcione diferentes resultados en función de la variación de prioridades en los viajes compartidos, hemos desarrollado un simulador que implementa el proceso de resolución, tratando como parámetros las prioridades que se seleccionen. Este simulador es una herramienta valiosa, ya que permite cuantificar con precisión los beneficios que reportará la implantación de esta idea sobre una ciudad específica con unas preferencias concretas. Además, sirve de ayuda a la decisión para los gestores públicos que han de concretar políticas de movilidad urbana. El simulador se ha de alimentar con los datos del plano de la ciudad objetivo, y está disponible en la web del Instituto de Investigación en Inteligencia Artificial (IIIA)[4] para el caso analizado.
El simulador ofrece dos modalidades: simulación y análisis. En la primera, tras proporcionar valores para los distintos parámetros del modelo, resuelve el problema propuesto y muestra los resultados sobre el área urbana considerada. En la segunda, permite realizar ingeniería inversa: se establecen los objetivos a alcanzar en términos de beneficios medioambientales y de tiempo extra permitido en viajes compartidos, y se calcula la política de viaje compartido (peer-to-peer ridesharing) requerida para alcanzarlos.
Si la ciudadanía coopera, la implantación del viaje compartido sembrará de huecos las junglas de coches en que se convierten a menudo nuestras calles
El procedimiento es rápido y sostenible, ya que se ejecuta con un tiempo límite (un minuto para el proceso de optimización, cinco minutos en total) y no necesita infraestructuras especiales o cálculo intensivo. Si la ciudadanía coopera, su implantación sembrará de huecos las junglas de coches en que se convierten a menudo nuestras calles. Representa una forma válida de repensar la movilidad urbana y un elemento necesario para aprovechar las oportunidades que ofrecen las ciudades a sus habitantes y obtener beneficios medioambientales que son absolutamente imperativos en el siglo xxi.
Otras aplicaciones
Hemos desarrollado otro proyecto de IA para movilidad sostenible[5] que recomienda “rutas verdes” a ciudadanos que se desplazan a pie o en bicicleta por Barcelona, teniendo en cuenta la calidad del entorno (niveles reducidos de polución, presencia de espacios verdes…) e intentando minimizar el tiempo de circulación. Tales recomendaciones se basan en los datos disponibles en el Open Data BCN[6] y los recogidos en la red de sensores que monitorizan el nivel de emisiones contaminantes[7] y la calidad del aire[8]. Nuestras simulaciones indican que estas rutas verdes permiten una reducción significativa de la exposición de los viandantes o ciclistas a la contaminación y al ruido (del 20% al 40%, a costa de aumentar del 10% al 20% el tiempo de tránsito), comparado con las rutas recomendadas por servicios estándar como Google Maps.
Además, hemos identificado una alternativa al reparto habitual de mercancías en las ciudades, conocida en inglés como co-loading: cuando diversos proveedores logísticos comparten el mismo vehículo para distribuir sus productos. En términos prácticos, significaría una reducción de los vehículos de transporte en cada barrio, ya que un mismo vehículo de reparto distribuiría los pedidos de varios proveedores. Esta idea se ha mostrado muy útil en logística industrial, unida a la de backhauling, que consiste en aprovechar el viaje de vuelta de los camiones vacíos para transportar otras mercancías. Su aplicación resulta prometedora en ciudades (lo que se denomina last mile delivery en el mundo del transporte).
La inteligencia artificial para el bien (AI for good) puede conseguir ciudades más habitables, aumentar en cantidad y en calidad los entornos naturales, reducir las desigualdades sociales y mejorar el acceso a la salud y al conocimiento.
Existen otras muchas aplicaciones de IA para mejorar la movilidad en las ciudades: transporte público adaptado dinámicamente a las demandas de los usuarios, semáforos inteligentes, gestión del aparcamiento… Un segundo nivel incluye vehículos autónomos e internet de las cosas. En conjunto, estas funcionalidades definen un nuevo concepto de ciudad smart o inteligente, en donde las necesidades de las personas están mediadas por la tecnología, con el fin de satisfacerlas de una forma eficiente y saludable.
Las estrategias descritas en este artículo no son más que granitos de arena en lo que se conoce como inteligencia artificial para el bien (AI for good). Conseguir ciudades más habitables, aumentar en cantidad y en calidad los entornos naturales, reducir las desigualdades sociales y mejorar el acceso a la salud y al conocimiento son algunos de sus objetivos básicos. Y estas dimensiones de mejora del mundo son las que dan un sentido más profundo a nuestro trabajo técnico. Están alineadas con los Objetivos de Desarrollo Sostenible[9], establecidos por las Naciones Unidas en su Agenda 2030. En esta iniciativa, la inteligencia artificial tiene mucho que decir.
[1] El director de la Agencia de Ecología Urbana de Barcelona afirmaba en una entrevista: “El 65% del espacio de las capitales es para aparcar o para circular y eso conlleva que no podamos utilizar lugares públicos para otros usos”. www.eldiario.es/alava/ocupado-espacio-ciudades-aparcar-circular_1_571842...
[2] En la resolución también se incluyen datos de la zona urbana considerada, conseguidos mediante Google Maps. Una heurística aproxima la función objetivo, lo que permite acelerar su optimización. El procedimiento completo está detallado en https://ieeexplore.ieee.org/document/8917688
[3] Se hizo un análisis separado para cada día y se obtuvieron resultados muy similares. Los datos precisos de ambos estudios se pueden consultar en https://ieeexplore.ieee.org/document/8917688.
[5] Calo, S., Bistaffa, F., Jonsson, A. y Gómez, V. “A novel message passing approach to spatial air quality prediction in urban areas”. Deep Learning Barcelona Symposium, 2022.
[9] Organización de las Naciones Unidas (ONU). https://sdgs.un.org/goals
Referencias bibliográficas
Bistaffa, F., Blum, C., Cerquides, J., Farinelli, A. i Rodríguez-Aguilar, J. A. “A computational approach to quantify the benefits of ridesharing for policy makers and travellers”, IEEE Transactions on Intelligent Transportation Systems, 22(1), 119-130. 2021. http://ow.ly/OLT350OyQqB
De Jonge, D., Bistaffa, F. i Levy, J. “Multi-objective vehicle routing with automated negotiation”. Applied Intelligence, 52, 16916-16939. 2022. http://ow.ly/Lfpl50OyQrc
Diao, M., Kong, H. i Zhao, J. “Impacts of transportation network companies on urban mobility”. Nature Sustainabiliy, 4, 494-500. 2021. http://ow.ly/kZYh50OyQsx
Nikitas, A., Michalakopoulou, K., Njoya, E. T. i Karampatzakis, D. “Artificial intelligence, transport and the smart city: Definitions and dimensions of a new mobility era”. Sustainability, 12(7), 2789. 2020. http://ow.ly/HZJR50OyPKq
Inteligencia artificial Ramon López de Mántaras Badia y Pedro Meseguer González. Colección “¿Qué sabemos de?”, Los Libros de la Catarata, 2017
El boletín
Suscríbete a nuestro boletín para estar informado de las novedades de Barcelona Metròpolis