Posicionamiento del inLab FIB y visión sobre la smart mobility en las smart cities. Presentación del Dr. Jaume Barceló, responsable de proyectos de Transporte y TIC en el inLab FIB.
1. TRANSPORTE Y TIC EN
inLab FIB:
CONTRIBUCIÓN AL
DESARROLLO DE MODELOS Y
HERRAMIENTAS PARA LA
“SMART MOBILITY”
inLab FIB
inlab.fib.upc.edu
inLab FIB
Responsable de Proyectos de
Transporte y TIC
Jaume Barceló
+34 93 401 69 41
inlab@fib.upc.edu
3. Tendencias del desarrollo urbano
DEVELOPMENT OF A CITY
(source: Magnus Swahn, Conlogic, Sweden)
24.09.10
El desarrollo deMontecarlo: MIT Energy Futures/Transportation/Urban Systems
las ciudades (Fuente: Magnus Swahn, Conlogic) 3
• A partir de 2008 más del 50% de la población mundial vive en ciudades
3
4. Consecuencias del desarrollo urbano
Separación de áreas
de residencia y
de trabajo
Posibilitada por
Impacto sobre la
los sistemas de
calidad de vida
transporte
Generación de
Generación de
emisiones
congestión
contaminantes
Impactos sobre
los consumos
energéticos
4
5. Smart City
una respuesta tecnológica a los problemas del desarrollo urbano
5
6. El concepto de Smart City
• Es la respuesta que da la ciudad a los retos que le plantea el
desarrollo y la penetración de las aplicaciones de las Tecnologías de
la Información y de las Comunicaciones (TIC) en lo que se refiere a
los desarrollos urbanos y socioeconómicos y a la calidad de vida.
Las Políticas de desarrollo urbano
• Se trata de afrontar de forma holística los retos y amenazas a su
sostenibilidad:
- en la gestión de infraestructuras críticas como el transporte, el agua, la
energía o las comunicaciones,
- en la prestación de servicios a ciudadanos y empresas
6
7. Conjetura primordial sobre las Smart Cities
Las soluciones
• Se basan en la instrumentación y la interconexión de
dispositivos móviles, sensores y actuadores
• Que han de permitir la recogida de datos urbanos en cantidades
sin precedentes, de una calidad superior a la actual
• Cuyo análisis mejorará sustancialmente la capacidad de
predecir y gestionar los flujos urbanos y con ello la capacidad de
impulsar la gestión inteligente de la ciudad.
Conjetura primordial sobre las Smart Cities (Chen-Ritzo et al. 2009)
7
8. Sin embargo …
• Las propuestas de soluciones para Smart Cities están más
dominadas por los vendedores de tecnología que por las
iniciativas de los gobiernos municipales (Belisent 2010, Schaffers
et al. 2011)
• Pero… “smart city solutions must start with the city not the smart”
• Por densa que sea la sensorización y, a partir de ella, rica y
variada la captura de datos:
- Los datos por sí mismos no generan información
- La información es el resultado del procesamiento de los datos
8
9. Tecnología y Smartness
de los datos brutos a la información eficiente. ¿Dónde está la inteligencia?
9
10. Datos Procesamiento Información
Smartness Efficient Data Collection (Technology) +
Efficient Data Processing (Computer Models)
PROCESAMIENTO
DE LOS DATOS
GENERACIÓN DE
INFORMACIÓN
CIUDAD Infraestructura de CIUDAD:
transporte + Red de Sensores Gestión de Tráfico
Fijos (ETD, CCTV, BT…) Demanda de Servicios de
Móviles: Vehículos, Personas Movilidad
10
14. Punto de partida de la Smart Mobility
La movilidad (demanda) se ha de
entender como
• Un fenómeno social y económico
• Consecuencia de la distribución en el
espacio y en el tiempo de las actividades
socioeconómicas
• Que generan las necesidades de Zona Origen
de
desplazamiento de las personas y las Actividades
mercancías Ruta de
Origen a
Destino
• Entre los diferentes puntos de generación
y atracción de dichas actividades, para
poder realizarlas Zona Destino
de
Actividades
14
15. Caracterización de la movilidad
En términos de patrones de movilidad (demanda)
• Matrices de viajes (origen-destino)
• Número de viajes desde un origen a un destino
o por un motivo específico (domicilio-trabajo, ocio, compras, ... ) en un
período de tiempo dado
Destino
Origen
τp
t ij número de viajes del Origen i
al Destino j en el periodo por el
propósito p
15
16. La necesidad de capturar la temporalidad de la movilidad
Estimación estática de matrices de viajes (práctica habitual de la
planificación estratégica a partir de encuestas):
o No se considera ninguna variación temporal en la demanda
Counts for link k each Δt OD demand for Δt
yk gij
origins
Time Horizon -T Time Horizon -T T
Estimación dinámica de matrices de viajes (requiere fuentes de datos tecnología)
o Considera variabilidad temporal en la demanda Imprescindible para “Smart Mobility”
Counts for link k each Δt OD demand for Δt
yk gij
t t t
0 1 n
Time Horizon -T Time Horizon -T T = t0 + t1 + …..+ tn
16
17. Smart Mobility
el papel de la tecnología en la estimación de la demanda de movilidad
(Digital Travel Diary)
17
18. Understanding Mobility: Electronic Data Collection for Activity
Based Demand Modeling
BCALs Micro
Sensor data
No operation needed Long-term monitoring
In-store data
Detailed actions observed
GPS mobile phones Probe person survey
Meso
Dot data Creation of path data
Practicable for a long term
Operation of instrument needed
Only GPS data Indoor data not observable
Paper questionnaire Person trip survey Macro
Inter-zone travel
Zone
Dependent on memory Decrease in accuracy
Omission of recording of short trips
Large burden Not practicable
Zone
for a long-term
Source: Electronic Instrument Design and User Interfaces for Activity Based Modeling (Hato & Timmermann - 2008)
18
19. Smart Mobility
sensores y captación de datos de tráfico
19
20. Escenarios tecnológicos plausibles para la Smart Mobility
Vehicle n Vehicle n Vehicle n
Reaches RSU k Reaches RSU m Reaches RSU p
At time t1 At time t2 At time t3
i
Vehicle n Vehicle n
Leaves origin i Sends AVL message
At time t0 Vehicle n At time t0+2t
Sends AVL message
At time t0+t
Data (RSU Id, mobile
Data (RSU Id, mobile device identity, time
device identity, time stamp ti) sent by GPRS
stamp) sent by GPRS to to a Central Server
a Central Server RSU-IDx
RSU-IDy
Loop detectors /
Magnetometers
On-board unit of equipped vehicle n
captured by RSU-IDx at time t1
AVL Equipped vehicle sends message
(id, position, speed) at time t
V2V exchange
On-board unit of equipped vehicle n re-
captured by RSU-IDy at time t2
20
21. Datos y calidad (valor añadido) de la información
A partir de los datos, si su
calidad lo permite, la calidad de
la información que se generará
será
o una función del grado de
sofisticación de las técnicas de
procesamiento que se utilicen.
Ejemplo de información cualitativa (a partir de un tratamiento primario):
o Incompleta: sólo vías principales, 90% de la red vial sin información
o Desfasada: viajes ya realizados → Sin capacidades predictivas
21
22. Síntesis del desarrollo de las herramientas de
generación de valor añadido para la Smart Mobility
PROYECTOS
SIMETRIA (Ref. P 63/08, 27.11.2008)
Modelos de SIMulación para la Evaluación de Escenarios Multimodales de
TRansporte Globales y RegIonAles
(Ministerio de Fomento, Subprograma de Transporte e Infraestructura)
(2009-2011)
MITRA (Ref. TRA2009-14270)
Modelos dinámicos de tráfico para la gestión integrada de corredores
MICINN (subprograma MODAL) (2011-2012)
In4Mo (Ref. TSI-020100-2010-690)
Sistemas Avanzados de Información para la Movilidad de las personas y los
Vehículos
CDTI, Programa: Acción Estratégica de Telecomunicaciones y Sociedad
de la Información, 2010. Subprograma: Avanza Competitividad I+D+I,
2010-2012. (2011-2012)
22
23. Objetivos de In4Mo: desarrollo de herramientas para la
generación de información de valor añadido
• Integración de datos de tráfico procedentes de diferentes
tecnologías de detección mediante procedimientos de Fusión de
Datos.
• Desarrollo de Modelos Dinámicos de Tráfico que completen la
información sobre el estado de la red vial de manera consistente
con los datos observados y predigan su evolución a corto
plazo.
• Desarrollo de aplicaciones avanzadas para la Gestión Activa y
la Información de Tráfico (ATIS/ATMS)
23
24. Filtrado de datos atípicos, compleción de datos
faltantes, fusión de datos heterogéneos
TIPOS DIFERENTES DE FUENTES/DATOS DE TRÁFICO Filtrado de atípicos
(Espiras, magnetómetros, CCTV, LPM, TAG, Bluetooth, GPS, … ) (Distancia de Mahalanobis
para intensidad/ocupación)
DATOS X DE DATOS Y DE
INPUT INPUT
FILTRADO: Eliminación de atípicos
COMPLECIÓN DE DATOS FALTANTES
Filtrado, compleción y
MÓDULO DE FUSIÓN DE DATOS predicción mediante Filtro
NÚCLEO: HIPÓTESIS
de Kalman
(Hipótesis de la teoría del tráfico: modelos
de flujos de tráfico)
CAPSULA: TÉCNICAS DE ASIMILACIÓN
(Técnicas estadísticas, Filtros No lineales, Resultado de la fusión mediante
Filtro de Kalman…) modelo de simulación de tráfico
mesoscópico, a partir de medidas
en varios tipos de sensores:
ocupaciones en toda la red
OUTPUT:
Datos Fusionados
APLICACIONES
24
25. Estimación del estado de la red en el período
a partir de fusión de datos y uso de modelos
DATOS DE FILTRADO Y MODELOS ESTIMACIÓN
TRÁFICO DE LOS FUSION DE DINÁMICOS ESTADO DE LA
SENSORES DATOS DE TRÁFICO RED URBANA
Destino
Origen
τp
t ij número de viajes del Origen i
al Destino j en el periodo por el
propósito p
Perfiles datos
del periodo
pτ
MATRIZ OD INICIAL ( tij ) PERIODO
Modelo de MATRIZ OD DEL SIMULADOR
Filtro de PERIODO DE MESOSCÓPICO
Kalman para TIEMPO DE TRÁFICO
la Estimación
de la Matriz
OD del
periodo
Información obtenible (fusión+modelos):
COMPLETA
Información actual en web BCN:
25 INCOMPLETA
26. Información de valor añadido a partir de la
estimación del estado de la red
El vehículo entra en la red por A con destino a B en el instante t
B
A
Información de valor añadido:
Caminos alternativos de A a B con tiempos de viaje esperados similares.
El valor esperado (predicción) del tiempo de recorrido en lugar del tiempo de
recorrido realizado por los vehículos precedentes
26
27. Un concepto innovador para la Gestión Activa del tráfico:
el Macro Fundamental Diagram (MFD)
Área urbana a gestionar CUESTIÓN CLAVE
¿CUÁL ES LA CAPACIDAD
DE LA RED URBANA?
Daganzo / Geroliminis (2007)
Idea intuitiva
Consideremos un área urbana dada como un embalse con :
- Flujo de entrada qin q(t) (vehículos por unidad de tiempo)
- Función de salida e = G(n) (vehículos por unidad de tiempo)
- Número de vehículos acumulados en el sistema en el
DATOS DE TRÁFICO FUSIONADOS instante t, n(t) Estado del sistema
PROCEDENTES DE LOS SENSORES
QUE EQUIPAN EL ÁREA URBANA A
GESTIONAR
Identificación punto
del diagrama (A, B,…)
en el que opera la red
urbana a gestionar en
ese momento
27
28. Smart Mobility: la gestión activa basada en el MFD
A partir del MFD (Macro Fundamental Diagram) en combinación
con Información de rutas del área a gestionar
• La identificación de las condiciones de operación (A, B, … )
y su punto crítico
• Permite un nuevo concepto de gestión permitiendo o
restringiendo los accesos (GATE-IN, GATE-OUT)
28
28
29. Verificación por simulación del MFD del Ensanche de Barcelona
Un modelo de simulación microscópica de tráfico emula de manera
realista la evolución temporal del tráfico en el Ensanche de Barcelona.
Desde periodos de tiempo sin congestión hasta situaciones de
congestión. Se observa la evolución del MFD a medida que crece la
demanda y la captura de datos procedentes de los sensores.
29
30. Arquitectura conceptual del proyecto In4Mo
DISEMINACIÓN
DE LA
INFORMACIÓN
INTEGRACIÓN DE
DATOS Y COMPLECIÓN
DE LA INFORMACIÓN
FUNCIONES ATIS
PLATAFORMA • NIVELES DE SERVICIO
TECNOLÓGICA ESTIMACIÓN •TIEMPOS DE RECORRIDO:
DE PATRONES ESTIMACIÓN Y
SISTEMA DE RECOGIDA DINÁMICOS DE PREDICCIÓN A CORTO
TRATAMIENTO
DE DATOS PLAZO
FILTRADO MOVILIDAD
•PROVISIÓN DE RUTAS
• ETD (Espiras) (ATÍPICOS) (MATRICES (MULTIMODALIDAD)
• VEHÍCULOS EQUIPADOS FUSIÓN OD) •OTRAS……
GPS/GPRS (FCD) (HETEROGÉNEOS)
• DISPOSITIVOS MÓVILES +
(BLUETOOTH) MODELO DATOS FUNCIONES ATMS
• TECNOLOGIAS V2I
FALTANTES •ESTIMACIÓN ESTADO
MODELO RED VIAL (MFD)
DINÁMICO DE •GESTIÓN ACCESOS
FLUJOS DE •ENRUTAMIENTOS
TRÁFICO • OTRAS……
MESOSCÓPICO
SOPORTE
A LA
GESTION
30 30
31. In4Mo: Información avanzada (tiempo real+
predicción corto plazo) y soporte a la Gestión Activa
TIEMPOS DE RECORRIDO (+ PREDICCIÓN)
Y RUTAS ALTERNATIVAS
NIVELES DE SERVICIO EN TODA LA RED
31
32. Compleción del Sistema de Soporte a la Smart Mobility
integración de la Información Multimodal en tiempo real
32
33. ATIS: Real-Time Advanced Journey Planner
Sistema interactivo, integrado, multimodal, de ayuda a la
toma de decisiones (pre-trip, in-trip)
PLANIFICADOR DE RUTAS AB
EN VEHÍCULO PRIVADO
DISTANCIA…………………
TIEMPO……………………...
COSTE……………………….
HUELLA DE CO2……………
INCIDENTES…………………
P&R
EN TRANSPORTE PÚBLICO
DISTANCIA…………………
TIEMPO……………………...
COSTE……………………….
HUELLA DE CO2……………
INCIDENTES…………………
P&R EN COMBINACIÓN MODAL:
PRIVADOPÚBLICO
DISTANCIA…………………
TIEMPO……………………...
COSTE……………………….
P&R
HUELLA DE CO2……………
INCIDENTES…………………
Urbano Inter-Urbano
33
34. Cadenas modales y
selección de rutas multimodales en tiempo real
Buscador de caminos multimodales basado en el concepto de hiper-caminos
dependientes del tiempo con ventanas de tiempo para aceder a los nodos
de transferencia modal, en redes de transporte multidimensionales, en las que
cada capa corresponde a un modo de transporte, incorporando criterios de
búsqueda que integren los objetivos del usuario
34
35. Conclusiones
• La instrumentación y la interconexión de dispositivos
móviles, sensores y actuadores en una Smart City
• Permite la recogida de datos urbanos en cantidades sin
precedentes, de una calidad superior a la actual
• Que pueden ser tratados por modelos computacionales
avanzados para generar una información de calidad y valor
añadido, que soportan aplicaciones ATIS/ATMS
• MEJORES MEJORES MEJOR MEJORES
DATOS MODELOS INFORMACIÓN SERVICIOS
35
36. Smart mobility
Colaboración, compartición y redes sociales
36
37. Compartición dinámica de trayectos
• Compartición dinámica de trayectos punto a
punto.
• Se ha iniciado una prueba piloto en Begues
para compartir vehículos privados para
acceder a la estación de Gavá. Los usuarios
pueden solicitar el transporte con sólos unos
minutos de antelación.
• Se utiliza tecnología móvil y servidor de
tracking. Los principales retos del proyectos
son sociales y de seguridad.
37
38. Actualización información geográfica
• OpenStreetMap – Entorno colaborativo
de edición de mapas.
• inLab FIB lidera la iniciativa
OpenStreetMap en Cataluña
• Actualización social de la información
de las infraestructuras de transporte
38
39. Captura social de datos
• tooPath, aplicación propia de tracking
• Aplicaciones móviles contextuales para
ofrecer servicios contextuales,
compartir localización en redes
sociales
• Experiencia en entornos de
participación ciudadana
• Integración con redes sociales
• Captura social de datos de tráfico
(pasiva o activa)
39
41. Áreas de especialización I+D+i
inLab FIB integra profesorado de diferentes departamentos de
la UPC y su propio personal técnico para ofrecer soluciones
en diferentes áreas
41
42. Smart Cities
• Simulación de eficiencia energética de
edificios (EeB)
• Eficiencia energética en el transporte
• Aplicaciones contextuales para el
deporte y la salud
• Participación ciudadana
• Smart Mobility
42