El proyecto de Libelium en el metro de Nueva York, centrado en la estación de Jamaica de la red de Long Island Rail Road (LIRR), ha implementado una solución para monitorizar en tiempo real la afluencia de pasajeros, visualizar sus patrones de desplazamiento y generar mapas de calor para tomar decisiones basadas en datos.
La Metropolitan Transportation Authority (MTA), a través de su Transit Tech Lab, colabora cada año con empresas y el personal de las agencias regionales de transporte para dar solución a problemas reales y mejorar así el sistema de transporte de la ciudad de Nueva York.
Frente al reto de medir, recopilar y mejorar con precisión los datos sobre el número de pasajeros y la demanda de viajes para optimizar los horarios de transporte público, Libelium ha instalado dos unidades de su solución Smart Crowd en los andenes A y C de la estación con la ayuda del integrador local Blackhawk Data.
Esta tecnología detecta de forma anónima las señales wifi y bluetooth de los dispositivos que llevan los viajeros para estimar la densidad y analizar el movimiento de multitudes sin capturar ningún dato personal. Los datos se envían de forma segura vía 4G a la plataforma en la nube iris360, donde los gestores de la MTA pueden visualizar la información en paneles intuitivos, generar informes y configurar alertas.
Así, proporciona información en tiempo real sobre los niveles de aglomeración para fines operativos (gestión del acceso de pasajeros y alertas) y análisis de tendencias a largo plazo para mejorar la planificación y la previsión de la demanda.
Gestión inteligente del flujo de pasajeros
La solución reemplaza los conteos manuales, lo que conlleva un ahorro estimado de 3.300 dólares diarios; ofrece visibilidad 24/7 sin intervención humana, permitiendo al personal centrarse en tareas de mayor valor; y permite una planificación de mantenimiento basada en datos.
Como resultado, se ha logrado rastrear de forma anónima el movimiento de hasta 600 dispositivos por hora entre los dos andenes, lo que ofrece una visión clara de los patrones de tránsito dentro de la estación. Además, se han identificado con precisión los patrones de hora punta: el andén A presenta un pico de 6:30 a 9:30 horas, mientras que el andén C tiene dos, uno por la mañana y otro de 16:30 a 19:30 horas. Igualmente, se ha detectado que los miércoles son el día de mayor afluencia.
El sistema es capaz de detectar picos de afluencia repentinos causados por la llegada de trenes, así como aglomeraciones sostenidas provocadas por retrasos. Esto permite al personal de la estación actuar proactivamente para gestionar las multitudes y mejorar la seguridad.
Los resultados evidencian la capacidad de optimizar operaciones, generar ahorros significativos y escalar e integrar nuevas fuentes de datos con modelos de inteligencia artificial (IA) y machine learning.