Más de 100 expertos en Big Data de diferentes puntos de Europa se reunieron hace tres semanas en el Museo del Ferrocarril de Madrid para compartir los avances de Transforming Transport, el ambicioso proyecto europeo que desde hace un año está desarrollando 13 pilotos en los que se aplica el uso de Big Data para mejorar la eficiencia en los procesos de movilidad y logística.
Quieren demostrar la capacidad transformadora de esta tecnología en estos sectores clave para el funcionamiento de cualquier región y para la economía, así como validar su viabilidad técnica y económica para remodelar los procesos y servicios de transporte para hacerlos más eficientes, mejorar la experiencia de los viajeros y fomentar nuevos modelos de negocio.
Para alcanzar sus objetivos trabajan codo con codo 48 socios de nueve estados europeos procedentes de los sectores del transporte, la logística y las Tecnologías de la Información y la Comunicación (TIC). Financiado a través de Horizonte 2020, los socios del consorcio disponen de un plazo de 30 meses y un presupuesto de 18,7 millones de euros para el desarrollo de sus trabajos, que se centran en el desarrollo de siete pilotos principales en distintas regiones europeas que se replican en otros seis pilotos.
De los 13 proyectos de testeo de Transforming Transport, cuatro se están desarrollando en España y afectan a autovías, ferrocarril, transporte multimodal e integrado en ciudad y logística. Parte de la autopista de peaje AP-7 en la Costa del Sol (Málaga), la ciudad de Valladolid, el Puerto de Valencia e infraestructuras ferroviarias de ADIF, son los escenarios operativos reales en los que se trabaja para demostrar, evaluar y validar que el Big Data es capaz de transformar y reorganizar el transporte.
En total siete subsectores dentro del transporte y la logística están siendo objeto de las pruebas y validaciones de Transforming Transport, centrándose en el desarrollo de autopistas inteligentes, vehículos sostenibles y conectados, infraestructuras ferroviarias “proactivas”, movilidad urbana integrada, aeropuertos inteligentes, puertos como centros logísticos inteligentes y cadenas de suministro dinámicas.
A partir del desarrollo y la implementación de nuevos algoritmos basados en la tecnología Big Data, en cada uno de los pilotos se recopilan e integran datos reales que provienen de fuentes diferentes. Estos datos se analizan para desarrollar patrones de transporte que mejoren los procesos de toma de decisiones y optimicen la gestión y explotación de infraestructuras y sistemas de movilidad.
¿Qué capacidad transformadora tendrá Big Data en el transporte?
Los datos que maneja Transforming Transport indican que el sector de la movilidad y la logística será capaz de ahorrar más de 400 mil millones de euros en todo el mundo en combustibles fósiles y en tiempo por el impacto del Big Data en su gestión. En términos medioambientales, evitará la emisión de 380 millones de toneladas de CO2 en de estos sectores.
Pese a la importancia del Big Data en el proceso de transformación digital de todos los sectores de la economía, actualmente solo el 19% de las empresas dedicadas a transporte y logística en la Unión Europea emplean soluciones Big Data en sus procesos de negocio.
Sistema de evaluación de pilotos y KPIs
El desarrollo de los pilotos de Transforming Transport se basa en el rigor en los procesos de evaluación y medición del impacto que el Big Data tiene en cada una de las formas de transporte en las que se está aplicando.
En este caso, han trabajado de manera conjunta el Centro de Investigación del Transporte de la Universidad Politécnica de Madrid (UPM-Transyt) y la compañía Atos para definir una metodología de evaluación. El resultado ha sido el desarrollo de un marco de referencia que realizará la evaluación técnica y económica de las soluciones de Big Data que serán desplegadas en los 13 pilotos.
Según explica Víctor Javier Corral, project manager de Atos, el modelo definido incorpora cuatro niveles de evaluación para medir el desempeño obtenido por los pilotos comparando el antes y el después del despliegue de las soluciones de Big Data. Dentro de estos niveles se han determinado categorías “alineadas con los objetivos generales del proyecto”, puntualiza Corral, para conocer el grado de mejora obtenido. Estas categorías incluyen la eficiencia operacional, la gestión de activos, la calidad medioambiental, el consumo energético, la seguridad y la economía.
Los niveles de evaluación se dividen en ‘Evaluación de piloto’ donde se analiza el ámbito individual de cada piloto; ‘Evaluación del dominio’, en el que se incluye tanto el piloto como su réplica; ‘Evaluación tranversal’ para establecer la comparación entre los diferentes modos de transporte, por tanto, se incluye a todos los pilotos.
El cuarto nivel es la ‘Evaluación estratégica’. En este caso, Víctor Javier Corral explica que su objetivo es agregar todos los resultados obtenidos por los pilotos y conocer los avances alcanzados a nivel de proyecto por Transforming Transport, “y poder demostrar a nivel europeo los beneficios del despliegue de soluciones de Big Data en el transporte”. Para poder llevar a cabo las evaluaciones en cada uno de los cuatro niveles se han definido un conjunto de KPIs tanto a nivel de piloto como de proyecto.
Pilotos que se desarrollan en España
Autopista inteligente en La Costa del Sol
La Costa del Sol es objeto de uno de los pilotos líderes que se replica en un tramo de autopista del norte de Portugal. “AUSOL Load Balancing Pilot” incluye 96 kilómetros de autopista de peaje de la AP-7. Se trata del corredor semiurbano que conecta las ciudades de Málaga, Estepona y Guadiaro, esta última de menor tamaño, y que registra una alta congestión de tráfico. Además, el piloto se extiende a la autovía general N340 / A7, concretamente al tramo que corre paralelo al de la AP-7.
Las técnicas Big Data se aplicarán para cumplir tres objetivos principales. Por un lado, mejorar la gestión de los flujos de tráfico a lo largo del corredor y su eficiencia para mejorar la experiencia de los usuarios que la recorren, mitigar la congestión y ajustar los recursos a las necesidades en esa vía.
Por otro lado, optimizar las tareas de operación y mantenimiento mediante el análisis de datos y la programación de los trabajos relativos a este mantenimiento. Por último, mejorar la seguridad de este corredor con la reducción de accidentes y la mejora de los tiempos de respuesta cuando estos se dan.
En este piloto se recopilarán datos de 20 fuentes diferentes para analizar variables sobre accidentes, tráfico, condiciones meteorológicas, datos en tiempo real y datos históricos, entre otras. Estos datos se analizarán con la plataforma de Indra Sofia2 para establecer modelos descriptivos y predictivos y, a través de la aplicación Horus, se facilitarán las tareas de operación y mantenimiento en base a las predicciones de la plataforma Big Data.
Movilidad urbana integrada en Valladolid
La ciudad castellanoleonesa se convierte en esta ocasión en piloto que replicará las soluciones de transporte urbano que se desarrollan en Tampere (Finlandia). El objetivo es mejorar la entrega de mercancías dentro de la ciudad, especialmente dentro del centro histórico, y lograr reducir el volumen de tráfico de carga y descarga y reducir la contaminación, principalmente.
Transforming Transport está desarrollando un modelo de simulación de tráfico con información real de los vehículos que circulan por la ciudad que servirá para predecir el efecto de las medidas de regulación de tráfico local en el tráfico y la entrega de mercancías. Este modelo se desarrolla de manera específica para Valladolid. El equipo de trabajo español está formado por el Centro de Tecnología Cartif, el Ayuntamiento de Valladolid y el Grupo Lince en coordinación con TomTom y PTV, de Alemania.
El modelo se construye con datos reales del flujo de tráfico facilitados por el Ayuntamiento a los que se suman datos meteorológicos que tras un proceso de análisis serán la base para describir la evolución del tráfico en la ciudad. El modelo simulará diferentes escenarios para evaluar los hipotéticos efectos de nuevas políticas municipales en el proceso de entrega de última milla. Además, el sistema permitirá al Ayuntamiento tomar decisiones acerca de la entrega de mercancías y las empresas se beneficiarán de una mejor gestión de los recursos.
Valencia Puerto de Mar y centro logístico inteligente
Valenciaport, Autoridad Portuaria de Valencia, cerró 2017 con 4,83 millones de contenedores y pronto alcanzará la cifra de cinco millones de TEU. Según Transforming Transport, con estas cifras y el incremento de sistemas IoT, la integración de datos en plataformas de Big Data tendrá un papel clave.
El piloto de Valencia, que se replica en Duisburg (Alemania) aplicará Big Data Analytics para transformar sus procesos actuales. Quieren diseñar e implementar algoritmos que proporcionen toda la información de movimientos de grúas y aplicar modelos de mantenimiento predictivo sobre ‘spreaders’ de grúas, para lo que se despliegan sensores que recopilan información de aquellas partes más críticas del equipo, y se incorporará un sistema de alerta sobre posibles fallos que se vayan detectando.
También se utilizará Big Data para mejorar la toma de decisiones a partir de KPIs predictivos que tengan en cuenta los datos históricos disponibles en los sistemas de información del puerto. El piloto está liderado por el Instituto Tecnológico de Informática (ITI) y formado por Valenciaport, Noatum Terminal Ports y Orbita Engineering.
Mantenimiento predictivo en la alta velocidad española
Pasar de un modelo de mantenimiento tradicional a un modelo de mantenimiento predictivo para garantizar el buen funcionamiento de la red ferroviaria de alta velocidad supondrá un aumento en la eficiencia económica, medioambiental y del servicio del transporte en tren. El piloto se está centrando en tres elementos que tienen un impacto clave en el mantenimiento de la infraestructura: las vías, los sistemas de cambio de vías o desvíos y las pendientes existentes en el diseño de las vías.
El piloto espera que con la optimización en el mantenimiento de estos elementos se reduzca de manera significativa los costes y las emisiones manteniendo los niveles de seguridad del servicio y de las personas que trabajan en el mantenimiento de las vías. Para conseguir estos objetivos se analizan y relacionan datos de distintas fuentes a través de una Estrategia de Mantenimiento Predictivo basada en tecnologías Big Data. Los socios del proyecto, ADIF, Ferrovial, Indra y el Centro de Innovación de Infraestructuras Inteligentes, trabajan en el desarrollo de modelos precisos.