Post on 24-May-2015
description
transcript
TRANSPORTE Y TIC EN inLab FIB:
CONTRIBUCIÓN AL DESARROLLO DE MODELOS Y HERRAMIENTAS PARA LA “SMART MOBILITY”
inLab FIBinlab.fib.upc.edu
inLab FIBResponsable de Proyectos de Transporte y TICJaume Barceló+34 93 401 69 41inlab@fib.upc.edu
2
Reflexiones sobre el desarrollo urbano y sus consecuencias
3
DEVELOPMENT OF A CITY(source: Magnus Swahn, Conlogic, Sweden)
24.09.10 Montecarlo: MIT Energy Futures/Transportation/Urban Systems 3El desarrollo de las ciudades (Fuente: Magnus Swahn, Conlogic)
• A partir de 2008 más del 50% de la población mundial vive en ciudades
Tendencias del desarrollo urbano
4
Separación de áreas de residencia y
de trabajo
Posibilitada por los sistemas de
transporte
Generación de congestión
Impactos sobre los consumos energéticos
Impacto sobre la calidad de vida
Generación de emisiones
contaminantes
Consecuencias del desarrollo urbano
5
Smart Cityuna respuesta tecnológica a los problemas del desarrollo urbano
6
• 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
El concepto de Smart City
7
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)
Conjetura primordial sobre las Smart Cities
8
• 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
Sin embargo …
9
Tecnología y Smartnessde los datos brutos a la información eficiente. ¿Dónde está la inteligencia?
10
Datos Procesamiento Información
CIUDAD: Gestión de Tráfico Demanda de Servicios de
Movilidad
CIUDAD Infraestructura de transporte + Red de Sensores Fijos (ETD, CCTV, BT…) Móviles: Vehículos, Personas
PROCESAMIENTO DE LOS DATOS
GENERACIÓN DE INFORMACIÓN
Smartness Efficient Data Collection (Technology) +Efficient Data Processing (Computer Models)
11
Áreas clave de aplicaciones en una Smart City
12
Áreas clave de aplicaciones en una Smart City (Schaffers et al. 2011)
Áreas clave de aplicaciones en una Smart City
13
Smart Mobilitydesde la perspectiva del inLab FIB
Zona Destino de
Actividades
Zona Origen de
ActividadesRuta de Origen a Destino
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 desplazamiento de las personas y las mercancías
• Entre los diferentes puntos de generación y atracción de dichas actividades, para poder realizarlas
14
Punto de partida de la Smart Mobility
15
Origen
Destino
τpijt número de viajes del Origen i
al Destino j en el periodo por el propósito p
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
Caracterización de la movilidad
16
Time Horizon -T
Counts for link k each Δt
yk
Time Horizon -T
OD demand for Δt
gij
Time Horizon -T
Counts for link k each Δt
yk
Time Horizon -T
OD demand for Δt
gij
destinations
orig
ins
T
t0
t1
tn
T = t0 + t1 + …..+ tn
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
Estimación dinámica de matrices de viajes (requiere fuentes de datos tecnología)o Considera variabilidad temporal en la demanda Imprescindible para “Smart Mobility”
La necesidad de capturar la temporalidad de la movilidad
17
Smart Mobility el papel de la tecnología en la estimación de la demanda de movilidad (Digital Travel Diary)
18
BCALs
GPS mobile phones
Paper questionnaire Macro
Meso
MicroSensor dataNo operation neededIn-store dataDetailed actions observed
Long-term monitoring
Dot data Creation of path dataPracticable for a long termOperation of instrument neededOnly GPS data Indoor data not observable
Inter-zone travelDependent on memoryOmission of recording of short tripsLarge burden
Decrease in accuracy
Not practicablefor a long-term
Zone
Zone
Person trip survey
Probe person survey
Source: Electronic Instrument Design and User Interfaces for Activity Based Modeling (Hato & Timmermann - 2008)
Understanding Mobility: Electronic Data Collection for Activity Based Demand Modeling
19
Smart Mobilitysensores y captación de datos de tráfico
20
Loop detectors / Magnetometers
Vehicle n Reaches RSU p At time t3
Vehicle n Sends AVL message At time t0+t
Vehicle n Reaches RSU k At time t1
Vehicle n Reaches RSU m At time t2
Vehicle n Sends AVL message At time t0+2t
i
Vehicle n Leaves origin i At time t0
RSU-IDy
On-board unit of equipped vehicle n captured by RSU-IDx at time t1
On-board unit of equipped vehicle n re-captured by RSU-IDy at time t2
Data (RSU Id, mobile device identity, time stamp ti) sent by GPRS to a Central Server
RSU-IDx
Data (RSU Id, mobile device identity, time stamp) sent by GPRS to a Central Server
AVL Equipped vehicle sends message (id, position, speed) at time t V2V exchange
Escenarios tecnológicos plausibles para la Smart Mobility
21
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
Datos y calidad (valor añadido) de la información
22
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 corredoresMICINN (subprograma MODAL) (2011-2012)
In4Mo (Ref. TSI-020100-2010-690)Sistemas Avanzados de Información para la Movilidad de las personas y los VehículosCDTI, Programa: Acción Estratégica de Telecomunicaciones y Sociedad de la Información, 2010. Subprograma: Avanza Competitividad I+D+I, 2010-2012. (2011-2012)
Síntesis del desarrollo de las herramientas de generación de valor añadido para la Smart Mobility
• 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
Objetivos de In4Mo: desarrollo de herramientas para la generación de información de valor añadido
24
Filtrado de atípicos (Distancia de Mahalanobis para intensidad/ocupación)
Filtrado, compleción y predicción mediante Filtro de Kalman
Resultado de la fusión mediante modelo de simulación de tráfico mesoscópico, a partir de medidas en varios tipos de sensores: ocupaciones en toda la red
Filtrado de datos atípicos, compleción de datos faltantes, fusión de datos heterogéneos
TIPOS DIFERENTES DE FUENTES/DATOS DE TRÁFICO
(Espiras, magnetómetros, CCTV, LPM, TAG, Bluetooth, GPS, … )
DATOS X DE INPUT
DATOS Y DE INPUT
FILTRADO: Eliminación de atípicosCOMPLECIÓN DE DATOS FALTANTES
NÚCLEO: HIPÓTESIS(Hipótesis de la teoría del tráfico: modelos
de flujos de tráfico)
CAPSULA: TÉCNICAS DE ASIMILACIÓN
(Técnicas estadísticas, Filtros No lineales,
Filtro de Kalman…)
MÓDULO DE FUSIÓN DE DATOS
OUTPUT:Datos Fusionados
APLICACIONES
25
FILTRADO Y FUSION DE
DATOS
DATOS DE TRÁFICO DE LOS
SENSORES
MODELOS DINÁMICOS DE TRÁFICO
ESTIMACIÓN ESTADO DE LA RED URBANA
Origen
Destino
τpijt número de viajes del Origen i
al Destino j en el periodo por el propósito p
MATRIZ OD INICIAL ( ) PERIODO pτijt
Perfiles datos del periodo
Modelo de Filtro de
Kalman para la Estimación de la Matriz
OD del periodo
SIMULADOR MESOSCÓPICO
DE TRÁFICO
MATRIZ OD DEL PERIODO DE
TIEMPO
Estimación del estado de la red en el período a partir de fusión de datos y uso de modelos
Información actual en web BCN:INCOMPLETA
Información obtenible (fusión+modelos): COMPLETA
26
B
A
Información de valor añadido a partir de la estimación del estado de la red
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
El vehículo entra en la red por A con destino a B en el instante t
27
Área urbana a gestionar CUESTIÓN CLAVE¿CUÁL ES LA CAPACIDAD
DE LA RED URBANA?
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 instante t, n(t) Estado del sistema
Daganzo / Geroliminis (2007)
DATOS DE TRÁFICO FUSIONADOS 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
Un concepto innovador para la Gestión Activa del tráfico: el Macro Fundamental Diagram (MFD)
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
29
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.
Verificación por simulación del MFD del Ensanche de Barcelona
3030
FUNCIONES ATIS• NIVELES DE SERVICIO•TIEMPOS DE RECORRIDO: ESTIMACIÓN Y PREDICCIÓN A CORTO PLAZO•PROVISIÓN DE RUTAS (MULTIMODALIDAD)•OTRAS……
INTEGRACIÓN DE DATOS Y COMPLECIÓN DE LA INFORMACIÓN
MODELO DINÁMICO DE
FLUJOS DE TRÁFICO
MESOSCÓPICO
ESTIMACIÓN DE
PATRONES DINÁMICOS DE
MOVILIDAD(MATRICES
OD)
FUNCIONES ATMS•ESTIMACIÓN ESTADO RED VIAL (MFD)•GESTIÓN ACCESOS•ENRUTAMIENTOS• OTRAS……
TRATAMIENTOFILTRADO
(ATÍPICOS) FUSIÓN
(HETEROGÉNEOS)+
MODELO DATOS FALTANTES
DISEMINACIÓN DE LA
INFORMACIÓN
SOPORTE A LA
GESTION
PLATAFORMA TECNOLÓGICA
SISTEMA DE RECOGIDA DE DATOS
• ETD (Espiras)• VEHÍCULOS EQUIPADOS GPS/GPRS (FCD) • DISPOSITIVOS MÓVILES (BLUETOOTH) • TECNOLOGIAS V2I
Arquitectura conceptual del proyecto In4Mo
31
NIVELES DE SERVICIO EN TODA LA RED
TIEMPOS DE RECORRIDO (+ PREDICCIÓN)Y RUTAS ALTERNATIVAS
In4Mo: Información avanzada (tiempo real+ predicción corto plazo) y soporte a la Gestión Activa
32
Compleción del Sistema de Soporte a la Smart Mobilityintegración de la Información Multimodal en tiempo real
33
PLANIFICADOR DE RUTAS A B
EN VEHÍCULO PRIVADO DISTANCIA………………… TIEMPO……………………... COSTE………………………. HUELLA DE CO2…………… INCIDENTES…………………
EN TRANSPORTE PÚBLICO DISTANCIA………………… TIEMPO……………………... COSTE………………………. HUELLA DE CO2…………… INCIDENTES…………………
EN COMBINACIÓN MODAL: PRIVADO PÚBLICO DISTANCIA………………… TIEMPO……………………... COSTE………………………. P&R HUELLA DE CO2…………… INCIDENTES…………………
P&R
P&R
Sistema interactivo, integrado, multimodal, de ayuda a la toma de decisiones (pre-trip, in-trip)
Urbano Inter-Urbano
ATIS: Real-Time Advanced Journey Planner
34
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
Cadenas modales yselección de rutas multimodales en tiempo real
35
• 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
•
Conclusiones
MEJORINFORMACIÓN
MEJORESSERVICIOS
MEJORESDATOS
MEJORESMODELOS
36
Smart mobilityColaboración, compartición y redes sociales
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.
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
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
40
Otras áreas de experiencia inLab FIB
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
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
http://inlab.fib.upc.edu
inlab@fib.upc.edu
+34 93 401 69 41
c/ Jordi Girona 1-3
Campus Nord. Edifici B6
08034 Barcelona
Twitter: @inLabFIB
43
Más información