El principal objetivo del proyecto Bidemap, liderado por Dinycon Sistemas con la participación de Tecnalia, es desarrollar una herramienta de apoyo a los gestores municipales para el análisis comportamental de la movilidad peatonal agregada en la smart city. Para el desarrollo de este modelo predictivo, se trabajó con los datos históricos del proyecto SmartKalea, liderado por Fomento de San Sebastián.
Dinycon, con una amplia experiencia en la adquisición de datos de calidad, y Tecnalia, especializada en el análisis de volúmenes masivos de datos en el ámbito de la movilidad, han sumado fuerzas en el proyecto Bidemap, financiado por el programa de ayudas a la I+D Hazitek.
Esta iniciativa consiste en el desarrollo de modelos predictivos de la movilidad urbana peatonal, en cuanto a ocupación de los espacios públicos, flujos de movilidad, matrices origen-destino o mapas de calor, para servir de apoyo a los gestores municipales en el contexto de las ciudades inteligentes.
Se ha trabajado con los datos históricos de SmartKalea, un proyecto que integra en una calle de Donostia diferentes soluciones inteligentes que requieren a pequeña escala de un nivel de coordinación e integración que sirve como experiencia piloto extrapolable paulatinamente al resto de la ciudad. El objetivo es convertir la urbe en una smart city que mejore la calidad de vida de la ciudadanía y beneficie a las empresas y negocios gracias al uso extendido de las TIC y a un uso racional del medio ambiente y los recursos.
Proyecto Bidemap
Para construir estos servicios a partir de los datos de movilidad recopilados por Dinycon, es necesario crear soluciones de análisis de los datos para detectar patrones, tendencias, describir comportamientos y predecirlos, así como plasmarlos en formatos visuales atractivos e interpretables para el gestor municipal. De esta manera, se convierten los datos digitales difíciles de manejar en información enriquecida e interpretable para el operador humano.
Tecnalia aporta su experiencia en Smart Mobility Lab, un laboratorio de análisis comportamental de la movilidad basado en el paradigma big data, para construir la capa analítica de los datos recogidos. A partir de los datos registrados históricamente, se generan modelos predictivos a corto y largo plazo sobre la movilidad urbana peatonal, así como se establecen correlaciones entre sensores.
Modelos predictivos, correlaciones y mapas de calor
El método de predicción a corto plazo tiene como entradas una ventana de lecturas anteriores al dato a predecir y como salidas los datos predichos. Además, se definen dos variables: profundidad y horizonte de predicción.
En cuanto al modelo predictivo a largo plazo, se basa en la detección de patrones en los datos conocidos, que se agrupan por días, y a su vez estos se aglutinan por similitud, formando patrones. Por su parte, la predicción contextual establece correlaciones con otros sensores, fijando una relación entre los mismos aunque no tengan dependencia.
Para la visualización de los flujos registrados por los sensores, el objetivo es comprobar si existen correlaciones entre las salidas y entradas de cada sensor, así como analizar si los crecimientos en los valores registrados por un sensor llevan emparejado el crecimiento o decrecimiento de los valores de otro.