Transforming Transport – El uso de las tecnologías Big Data aplicadas al sector del transporte y las carreteras  
Rodrigo Castiñeira

Introducción

Se calcula que el uso del Big Data puede mejorar la eficiencia operativa de los procesos y servicios vinculados con el transporte en, al menos, un 15%, optimizando los recursos y reduciendo los costes de mantenimiento, el consumo de combustible o las incidencias, entre otros. Además, en las próximas décadas se espera un crecimiento significativo de los viajes de negocio y turismo y está previsto un incremento del 40% en 2030 en el uso del transporte y la logística, haciendo necesario un cambio en la forma en la que se llevan a cabo. Al mismo tiempo, la normativa sobre el cambio climático y la reducción obligatoria de las emisiones contaminantes ejerce una enorme presión para encontrar un modelo de movilidad más eficiente y más sostenible.

Transforming Transport es un proyecto de I+D liderado por Indra que ha demostrado cómo el uso de las tecnologías Big Data y la Inteligencia Artificial puede mejorar la gestión y el servicio prestado a los clientes en el sector de la logística y el transporte.

Se trata de uno de los mayores proyectos financiados por la Comisión Europea en el marco del programa Horizonte 2020, tanto en términos de presupuesto, 18,7 millones de euros, como por la participación de 49 socios de 11 países europeos: Finlandia, Francia, Alemania, Portugal, Grecia, Irlanda, Italia, Luxemburgo, los Países Bajos, Reino Unido y España, entre los que se encuentran algunos de los principales gestores de infraestructuras y operadores de transporte europeos.

El proyecto Transforming Transport ha sido reconocido en 2019 como el mejor proyecto de big data europeo. En concreto, ha sido premiado como “Mejor caso de éxito” entre los 42 proyectos que fomentan la transformación digital basada en datos en Europa, desarrollados en el marco de la Big Data Value Public-Private Partnership (BDV PPP), la entidad público-privada que dirige la estrategia de I+D+i en macrodatos para impulsar el liderazgo europeo en este ámbito. Además, en 2020 ha recibido el reconocimiento go!ODS, otorgado por la Red Española del Pacto Mundial y la Fundación Rafael del Pino, que premian iniciativas españolas ya puestas en marcha y con resultados probados, que tomando como base la innovación, contribuyen a alcanzar los Objetivos de Desarrollo Sostenible (ODS) de la ONU. Entre las más de 200 candidaturas recibidas en la segunda edición de estos premios, el proyecto liderado por Indra se alzó con el reconocimiento go!ODS en el ODS 9, que pretende «Desarrollar infraestructuras fiables, sostenibles, resilientes y de calidad». Igualmente, cabe destacar que Transforming Transport has sido identificado en la Web de la Comisión Europea como uno de los proyectos de éxito del programa H2020.

Objetivos

El objetivo del proyecto Transforming Transport ha sido demostrar de una forma realista, replicable y medible las transformaciones que las tecnologías de Big Data pueden aportar al sector del transporte. En concreto, el proyecto logró los siguientes objetivos:

• Valor Añadido: Demostrar el valor añadido que aportan estas nuevas tecnologías para mejorar y aumentar la productividad en el sector del transporte en, al menos, un 15%.

• Transferencia: Lograr que el uso de las tecnologías de Big Data en el sector del transporte pase del 19% hasta, al menos, el 38%.

• Compromiso: El proyecto ha involucrado a más de 120 organizaciones, como ERTICO o DGT, que han participado activamente de diferentes maneras (aportando datos, contribuyendo en workshops, etc.).

• Impacto en el mercado: Aumentar la cuota de mercado de los proveedores de tecnología Big Data en Europa.

Figura 1. Dominios de transporte abordados por el proyecto TT y su impacto en las diferentes áreas de eficiencia operacional, experiencia del pasajero y nuevos modelos de negocio.

Pilotos

Para lograr estos objetivos, el proyecto ha llevado a cabo 13 pilotos a gran escala en infraestructuras reales de diferentes países europeos y en siete ámbitos del transporte: carreteras, aeropuertos, puertos, infraestructuras ferroviarias, vehículos conectados sostenibles, movilidad urbana integrada y logística. En cada uno de estos ámbitos se han desarrollado nuevos algoritmos, basados en las tecnologías Big Data e Inteligencia Artificial existentes, permitiendo integrar datos reales de diversas fuentes, analizarlos, desarrollar patrones de transporte y explotarlos de la forma más apropiada para facilitar la toma de decisiones, mejorando la eficiencia, productividad y operatividad.

Figura 2. Pilotos realizados en el proyecto y agrupados en los dominios de transporte y su distribución geográfica por Europa.

Estos siete dominios fueron elegidos por la significativa cuota de mercado que suponen a nivel europeo: 1,305 Billones de euros, según la Comisión Europea. En la siguiente tabla se ofrece un desglose del mercado esperado por sectores.

Tabla 1. Mercado potencial de los dominios abordados por el proyecto TT.

Metodología del proyecto

El proyecto se ha desarrollado con una metodología de tres fases para el despliegue de todos los pilotos. Esta metodología ha seguido un proceso incremental en el que nuevas fuentes de datos se iban añadiendo para refinar los algoritmos propuestos, a la vez que se incorporaba una infraestructura de procesado más adecuada para ejecutar y analizar los algoritmos propuestos. En la fase final, la solución de Big Data se ha desplegado en un entorno productivo real para evaluar el impacto que tiene en cada dominio del sector del transporte. La siguiente tabla muestra la metodología seguida en el proyecto Transforming Transport:

Tabla 2. Metodología seguida por el proyecto para realización de los pilotos.

Contribución de Indra en el proyecto

Indra, una de las principales compañías globales de tecnología y consultoría, ha liderado este megaproyecto aportando su experiencia única en Transportes, con más de 2.500 proyectos desarrollados en más de 100 ciudades de todo el mundo, así como sus capacidades digitales de integración, especialización e innovación en Big Data y Analytics y la tecnología propia para la movilidad y el transporte. Todo ello englobado en Indra Mova Solutions, la innovadora apuesta de la compañía para el sector del transporte que cubre todo el ciclo de vida de los proyectos de este ámbito: desde la ingeniería y la consultoría hasta los servicios aftermarket pasando por soluciones de recaudo, operación y control, seguridad, comunicaciones y experiencia del viajero.

A ello se suma la experiencia de la compañía al frente de ambiciosas iniciativas nacionales e internacionales de I+D+i, que involucran a un gran número de socios y comprenden pilotos a escala mundial.

Indra ha participado de forma más activa en cuatro de los pilotos de Transforming Transport en los dominios de Smart Highways (Carreteras inteligentes), Smart Airport Turnaround y en Proactive Rail Infrastructure.

• Los pilotos de Smart Highways han sido desplegados en el corredor de Ausol AP7/N340 en el sur de España y en el corredor de Norte Litoral en Portugal, con la colaboración de Cintra y CI3.

• El piloto de Smart Airports Turnaround ha sido desplegado en el Aeropuerto Internacional de Atenas, con la colaboración de AEGEAN.

• El piloto de Proactive Rail Infrastructure ha sido desplegado en la línea de alta velocidad Málaga – Cordoba, con la colaboración de ADIF y Ferrovial Agroman.

A continuación, se ofrece más detalle de la contribución de Indra en los pilotos de carreteras inteligentes.

Pilotos de Carreteras Inteligentes (Smart highways)

El objetivo de los dos pilotos de carreteras inteligentes ha sido validar las tecnologías de Big Data e Inteligencia Artificial para que los gestores de las autopistas y operadores de tráfico puedan mejorar la gestión de la capacidad de las carreteras, contribuir en la disminución de los accidentes, optimizar los recursos disponibles, reducir los costes operacionales y mitigar la congestión de las vías.

Para ello, se ha profundizado en los patrones de movilidad en los corredores identificados, en Málaga y Portugal, y en los criterios de elección de los usuarios; desarrollando y validando herramientas para gestionar la información de tráfico y hacer predicciones a corto y medio plazo, por ejemplo, sobre la demanda y el flujo esperado de vehículos, con el fin de facilitar la toma de decisiones. Para ello se han integrado fuentes de datos de tráfico y velocidad, meteorológicos e información de las cámaras de las carreteras, entre otras.

Figura 3. Roles de los Socios y stakeholders involucrados en los pilotos de Smart Highways en España y Portugal.

Piloto Ausol

El piloto de Ausol está ubicado en los 105 kilómetros de autopista gestionada por Cintra en el sur de España. Esta autopista es parte de la ruta de la AP7 / E15 y se trata de un corredor altamente congestionado que conecta las ciudades de Málaga, Estepona y Guadario, transcurriendo en paralelo a la carretera N340, gestionada por la DGT.

En este piloto se han desarrollado unos modelos de predicción de tráfico que contemplan predicciones del estado de tráfico a 15, 30, 60 y 120 minutos con el objetivo de evitar embotellamientos en las playas de peaje. Esto permite a los gestores de la autopista acometer cambios en las vías de peaje y en las modalidades de pago en cada una de ellas con suficiente antelación para evitar los atascos. En la actualidad, y en las mejores condiciones de desplazamiento por el personal del peaje, es necesario un tiempo entre 20 y 25 minutos para poder desplazarse del centro de control a las vías de peaje para dar respuesta a un aumento de la llegada de tráfico. De esta manera, las predicciones obtenidas permiten que los operarios puedan disponer de mayor tiempo de reacción para la llegada al peaje y así evitar esperas y embotellamientos. En la siguiente imagen se muestra el dashboard realizado en el proyecto y que permite a los operarios visualizar el estado de las vías de peaje junto con su capacidad.

Figura 4. Dashboard creado para piloto en Málaga.

En este piloto se han utilizado soluciones basadas en procesos no estocásticos – una herramienta matemática que sirve para usar magnitudes aleatorias que varían con el tiempo - para poder predecir el estado de tráfico en las vías de peaje de Ausol. De los diferentes modelos utilizados, el mejor modelo de predicción de tráfico ha sido el Random Forest. Este modelo ofrece un coeficiente de determinación (R2) de 0,92 ofreciendo una estimación apropiada que permite que estas herramientas, basadas en inteligencia artificial, sean de gran utilizad en la operación. En el gráfico siguiente se indica el detalle y la precisión de las predicciones de tráfico a 15 y a 60 minutos.

Figura 5. Resultados de los diferentes algoritmos desarrollados en el piloto de Málaga.

Piloto de Norte Litoral

El piloto de Norte Litoral está ubicado en una autopista de 109 kilómetros a lo largo de la costa noreste de Portugal, desde Oporto a Caminha, con un ramal interior que va desde Viana do Castelo a Ponte da Lima. En este piloto han participado Indra, Cintra, CI3 y Norte Litoral.

Durante el proyecto, Indra ha desplegado su tecnología DAS (sensor acústico distribuido). Se trata de un dispositivo que aprovecha la fibra óptica desplegada en la infraestructura, en este caso en la carretera de Norte Litoral. Gracias a esta tecnología y a la inteligencia artificial se puede procesar y analizar la fase de la luz retro-dispersada de la fibra óptica de dicha carretera. Esta fase de la luz de la fibra óptica se ve “afectada” por los estímulos externos (eventos) como es la vibración o el sonido. Dichos eventos dejan en el espectro una huella, que puede ser fácilmente detectada y localizada a lo largo del tendido de la fibra óptica (entre 20-40 kms), con un error de 10 a 20 metros de máximo.

En la figura de abajo se puede apreciar un ejemplo de cómo los eventos ocurridos en una carretera (detección del tráfico, identificación de vehículos pesados, etc) son recogidos en la dispersión de la fibra óptica y por tanto cualquier evento que impacte en las características de la fibra puede ser monitorizado a lo largo de la autopista con un único dispositivo de tipo DAS. Esta monitorización permite también aforar el número de vehículos por el tramo, así como el cálculo de la velocidad media de paso, variable que permite obtener en tiempo real el estado de la vía (nivel de servicio) o incluso detectar incidencias de tráfico que paran la circulación.

La tecnología DAS plantea un cambio disruptivo en la gestión y monitorización de la red viaria. Con una inversión muy reducida, se puede obtener un sistema de monitorización de eventos en tiempo real que permitirá no sólo la detección de éstos, sino también la mejora de la gestión, actuación e información de los mismos.

Figura 6. Dashboard creado para representar la información procesada por el sistema DAS.

Impacto del proyecto

Para poder medir el valor generado por el Big Data en términos de eficiencia operativa, experiencia de usuario y modelos de negocio, en Transforming Transport se han establecido 130 KPIs o indicadores, comparando el valor en la etapa previa a la aplicación de las tecnologías Big Data y una vez que se han implementado. Para ello, se han tenido en cuenta indicadores por ámbito de transporte, indicadores transversales a todos ellos e indicadores a nivel estratégico desde una perspectiva de negocio. A través de los 13 pilotos, el proyecto ha demostrado como las tecnologías de Big Data e Inteligencia Artificial facilitan el soporte automatizado de la toma de decisiones, permitiendo optimizar la operación y el mantenimiento; incrementar la eficiencia y la productividad; mejorar la experiencia del viajero; reducir el consumo energético y las emisiones contaminantes. Mejoras de hasta un 60% en la eficiencia operativa del transporte y de hasta el 50% en la gestión de activos son los principales resultados obtenidos en los 13 pilotos realizados en carreteras, puertos, aeropuertos, ferrocarriles y ciudades de toda Europa.

Para el caso concreto de las carreteras y autopistas, se ha demostrado que, gracias al uso de modelos predictivos en el tráfico, se ha conseguido predecir con dos horas de antelación embotellamientos, mejorando la gestión del tráfico y reduciendo la probabilidad de accidentes y las emisiones de CO2 un 6%. También la aplicación de estas tecnologías ha permitido reducir un 17% los tiempos de viaje para camiones, gracias a la optimización de rutas, y un 38% el número de vehículos de reparto necesarios para la distribución en una ciudad, gracias a nuevas herramientas de planificación basadas en datos.

Figura 7. Impacto logrado por el proyecto en los diferentes dominios tras la aplicación de las tecnologías de Big Data e Inteligencia Artificial.

Conclusiones

Los tres principales beneficios que puede aportar el Big Data al sector del transporte y en los que se ha trabajado en el proyecto son la optimización de la eficiencia operativa, la mejora del servicio prestado a los clientes y la posibilidad de generar nuevos ingresos o modelos de negocio.

En el primer caso, por ejemplo, el uso compartido de los datos (data sharing) ha demostrado como puede contribuir a la mejora de los procesos, la optimización del uso de los recursos y la predicción de posibles incidentes, lo que permitiría mejorar la gestión de las autopistas, reducir el consumo de combustible, los costes de mantenimiento y la detección automática de incidencias, entre otros.

La explotación de los datos facilitaría mejoras en la experiencia de los usuarios del transporte, al poder optimizar los flujos de conductores en las autopistas, reducir los tiempos de espera y de entrega de mercancías, las conexiones fallidas entre los diferentes medios de transporte, etc. Esos datos se podrían, además capitalizar, incrementando los ingresos de productos existentes o creando nuevas fuentes de ingresos gracias al nacimiento de nuevos modelos de negocio en ámbitos como el turismo o la publicidad, basados en un mejor conocimiento de las preferencias de los viajeros o los patrones de viaje.

Otra conclusión relevante es que la calidad de los datos es fundamental para conseguir los mejores resultados, siendo la mayor variedad de datos el factor más importante (69%), seguido del volumen de datos (25%) y de la velocidad de procesamiento, por lo que la clave para obtener un valor añadido está en integrar más fuentes de datos, no mayores cantidades. En este sentido, promover políticas de datos abiertos podría generar nuevas oportunidades de negocio e innovación.

Por otra parte, el proyecto ha demostrado que el conocimiento del negocio y la experiencia en operaciones comerciales es tan importante como las técnicas de inteligencia artificial para obtener los mejores resultados.

Finalmente, se puede destacar que las soluciones desarrolladas en Transforming Transport han demostrado su validez en entornos reales ofreciendo las ventajas señaladas. Han mostrado claramente a los gestores de infraestructuras y operadores de transporte involucrados en el proyecto el valor potencial de los datos y la importancia de la calidad de los mismos. Las soluciones son específicas para estos usuarios finales, pero se pueden replicar para obtener una solución personalizada para diferentes clientes más allá del alcance de Transforming Transport.

En el caso de Indra, los desarrollos de Big Data e Inteligencia Artificial realizados en los cuatro pilotos que ha liderado en los ámbitos de carreteras inteligentes, ferroviario y aeroportuario, ya han pasado a formar parte de su oferta y están listos para su comercialización. En concreto, Indra ha desplegado en su línea de soluciones Mova Traffic, para la gestión y control del tráfico, un nuevo módulo para la integración, análisis y modelado de datos, que ayude a la toma de decisiones para la mejora de la operación, el mantenimiento predictivo y el servicio prestado al viajero en todos los medios de transporte. De esta forma, Indra refuerza su posición como líder en smart mobility.

Referencias