O proxecto MaGIST busca definir a arquitectura dun sistema intelixente de transporte urbano para mellorar a circulación nas cidades. Foto: Santi Alvite/USC.
O proxecto MaGIST busca definir a arquitectura dun sistema intelixente de transporte urbano para mellorar a circulación nas cidades. Foto: Santi Alvite/USC.

Aprendizaxe en tempo real para un transporte intelixente pola cidade

Un consorcio das tres universidades galegas e a Carlos III de Madrid estuda como predicir os fluxos de tráfico e anticiparse á degradación de infraestruturas

Diminuír o impacto ambiental e, polo tanto, facer máis sustentable a mobilidade urbana constitúe un dos grandes retos da sociedade actual e require do deseño de sistemas intelixentes de transporte como o que desenvolven investigadores da USC, UVigo, UDC e da Universidade Carlos III de Madrid O proxecto ‘MaGIST’, estruturado en diferentes subproxectos, ten como obxectivo definir a arquitectura dun sistema intelixente de transporte urbano que permita a incorporación continua de datos e conte con procesos de aprendizaxe automática que, entre outras cuestións, permitan predicir os fluxos do tráfico ou detectar aquelas zonas do espazo urbano nas que exista unha “degradación de activos” que poida afectar á mobilidade.

Aprendizaxe automática

No marco deste consorcio, sitúase o subproxecto ‘MAGIST-ELA: Xeoprocesamento a gran escala para análise exploratorio e baseado na aprendizaxe’, cuxos investigadores principais son os profesores da USC José Manuel Cotos Yáñez e José Ramón Ríos Viqueira. O obxectivo principal de MaGIST-ELA é o desenvolvemento de técnicas eficientes de procesamento de consultas sobre Data Lakes heteroxéneos moi grandes—repositorios de almacenamento centralizado que conteñen big data de varias fontes nun formato granular e sen procesar— e a súa aplicación para a resolución da análise xeoespacial.

MaGIST-ELA utilizará a aprendizaxe automática para a monitorización e predición de fluxos de tráfico, e para a monitorización e predición da calidade do aire. A aprendizaxe automática utilizarase tamén para estimar a degradación do pavimento a partir de datos obtidos de dispositivos móbiles. A continuación, deseñaranse técnicas de almacenamento e procesamento aproximado para dar soporte á análise exploratoria de fontes xeoespaciais. Finalmente, implementará a aprendizaxe automática sobre datos vectoriais e raster mediante o procesamento de conxuntos de consultas.

“Os problemas relacionados co tráfico rodado son unha das maiores preocupacións nas cidades, e por tanto retos chave dos Sistemas Intelixentes de Transporte (ITS) urbano modernos. Inclúen a análise do fluxo de tráfico rodado e o seu impacto ambiental e a análise da degradación das infraestruturas”, explican os investigadores. Neste senso, os avances nas tecnoloxías de sensorización e a implicación dos cidadáns a través de aplicacións móbiles de crowdsensing están a desembocar na produción de cantidades de datos con cocientes de xeración sen precedentes. “Identificouse un cambio de paradigma dos tradicionais ITS dirixidos pola tecnoloxía aos modernos dirixidos por datos, que aplican algoritmos de aprendizaxe sobre grandes volumes de datos de sensores”, engaden.

O Big Data gañou gran interese aquí, implicando importantes retos en todas as capas de software. “Moitos destes  datos  teñen  natureza  xeoespacial. Tradicionalmente, os datos vectoriais e raster almacénanse e xestiónanse con tecnoloxías distintas”, explican. Nesta liña, o chamado Data Lake xurdiu como unha nova arquitectura de almacenamento de datos pero as súas extensións espaciais deseñáronse tendo en mente só os datos vectoriais. Mentres no modelo vectorial as liñas e puntos son os elementos principais do sistema, no modelo  ráster, é a cela. A principal diferenza con respecto a un arquivo vectorial é que o arquivo ráster almacena píxel mentres no vectorial almacena coordenadas dos vértices de cada elemento xeométrico.

“A pesar dos avances en tecnoloxías de procesamento a gran escala, e mesmo se nos centramos en datos vectoriais, os tempos de resposta necesarios para a análise exploratoria interactiva de grandes conxuntos de datos son aínda inalcanzables. Doutra banda, as implementacións paralelas da aprendizaxe automática teñen favorecido o seu escalamento, pero cun custo e impacto ambiental frecuentemente moi altos”, conclúen os investigadores.

Procesamento de datos xeoespaciais

O catedrático da Escola de Enxeñaría Forestal da UVIGO Henrique Lorenzo lidera, co grupo GeoTECH, o subproxecto MaGIST-ERIUM: Intelixencia xeoespacial como soporte á toma de decisións en mobilidade urbana. Este céntrase, por unha banda, no desenvolvemento dun sistema de procesado de datos xeoespaciais e “técnicas de aprendizaxe automática” que permitan “obter medidas da degradación de activos” de infraestruturas relevantes para o transporte, como pavimento ou sinalizacións. Por outra banda, nunha segunda liña de traballo, o grupo que integran investigadores das Escolas de Enxeñería Industrial e Forestal deseñará unha metodoloxía para a caracterización topográfica das “zonas navegables” da contorna urbana, o que permitiría a este sistema de transporte intelixente definir “redes de navegación adaptadas a cada modo de mobilidade”. Estes dous obxectivos atópanse así mesmo vinculados ao inicio de dúas teses de doutoramento por investigadores do grupo.

En liñas xerais, sinalan desde o grupo GeoTECH, un sistema intelixente de transporte urbano persegue a “xestión integral do tráfico nunha cidade, optimizando as capacidades existentes e os niveis de servizo”. Coordinado polo Laboratorio de Bases de Datos da UDC, no proxecto coordinado MaGIST, que se estende ata 2023, participan tamén os grupos de investigación en Gráficos por Computador e Enxeñaría de Datos da USC e de Aplicacións e Servizos Telemáticos da Universidad Carlos III. O seu obxectivo é deseñar un sistema de transporte “eficiente e sostible”, actuando a varios niveis e agrupando os resultados dos diferentes subproxectos nunha aplicación móbil e nun “panel de control”, que contribúa á toma de decisións por parte dos xestores públicos, a través da incorporación de datos de tempo real e da “exploración analítica” dos rexistros de eventos previos, de tal xeito que permita analizar tanto datos “que reflicten cambios lentos” na cidade, “como fluxos de información altamente cambiantes”.

Nese senso, proxéctase unha actuación a varios niveis, que abranga a monitorización e predición do tráfico e do seu impacto ambiental, tendo en conta que constitúe un dos principais causantes de emisións de óxidos de nitróxeno nas áreas urbanas, así como a definición de “rutas multimodais” que combinen o transporte público “con outros modos de desprazamento” e que se optimizarían seguindo as predicións do tráfico e da calidade do aire. Un terceiro eixo céntrase na monitorización da degradación das infraestruturas, que é un dos obxectivos do subproxecto que coordina Lorenzo.

Este proxecto está financiado ao abeiro do ‘Programa Estatal de I+D+i Orientada a los Retos de la Sociedad, Ministerio de Economía y Competitividad, PID2019-105221RB-C42’.

DEIXAR UNHA RESPOSTA

Please enter your comment!
POLÍTICA DE COMENTARIOS:

GCiencia non publicará comentarios ofensivos, que non sexan respectuosos ou que conteñan expresións discriminatorias, difamatorias ou contrarias á lexislación vixente.

GCiencia no publicará comentarios ofensivos, que no sean respetuosos o que contentan expresiones discriminatorias, difamatorias o contrarias a la ley existente.

Please enter your name here

Este sitio emprega Akismet para reducir o spam. Aprende como se procesan os datos dos teus comentarios.