{"id":11156,"date":"2024-03-07T12:33:45","date_gmt":"2024-03-07T11:33:45","guid":{"rendered":"https:\/\/www.nommon.es\/?post_type=case_studies&p=11156"},"modified":"2026-06-22T12:30:54","modified_gmt":"2026-06-22T10:30:54","slug":"transit-insights-sistemas-inteligentes-pago","status":"publish","type":"case_studies","link":"https:\/\/www.nommon.es\/es\/casos-de-estudio\/transit-insights-sistemas-inteligentes-pago\/","title":{"rendered":"An\u00e1lisis del transporte p\u00fablico en la Comunidad de Madrid a trav\u00e9s de los sistemas inteligentes de pago"},"content":{"rendered":"\n

Resumen del proyecto<\/h2>\n\n\n\n

Una de las fuentes de datos de mayor inter\u00e9s para la caracterizaci\u00f3n de la movilidad urbana en servicios de transporte p\u00fablico es la procedente de los sistemas inteligentes de pago<\/strong>. Desde el punto de vista de la operaci\u00f3n, estos sistemas presentan varias ventajas con respecto a los m\u00e9todos de cobro y control tradicionales como, por ejemplo, facilitar y agilizar el acceso al veh\u00edculo y permitir la integraci\u00f3n tarifaria de un sistema de transporte p\u00fablico multimodal. Desde el punto de vista de la planificaci\u00f3n y la gesti\u00f3n, los sistemas inteligentes de pago generan un conjunto de datos que, con un adecuado tratamiento y an\u00e1lisis, permite obtener m\u00faltiples indicadores sobre la demanda de transporte p\u00fablico<\/strong>.<\/p>\n\n\n\n

Por otro lado, los datos procedentes de los sistemas inteligentes de pago tambi\u00e9n presentan algunas limitaciones<\/strong>. La m\u00e1s importante es que estos datos s\u00f3lo proporcionan informaci\u00f3n sobre las etapas realizadas dentro del sistema de transporte p\u00fablico, pero no sobre la cadena modal completa del viaje puerta a puerta (origen-destino). Asimismo, la informaci\u00f3n sociodemogr\u00e1fica de los usuarios suele ser limitada en comparaci\u00f3n con la que podemos obtener a trav\u00e9s de otros m\u00e9todos, como las encuestas. Para superar estas limitaciones, una de las aproximaciones m\u00e1s interesantes es la fusi\u00f3n con otras fuentes de datos<\/strong>, como los datos de telefon\u00eda m\u00f3vil<\/a>, que nos permiten complementar la informaci\u00f3n obtenida a trav\u00e9s de los sistemas inteligentes de pago.<\/p>\n\n\n\n

En el marco del proyecto Big Data For Public Transport<\/a> (BD4PT), financiado por el Ministerio de Asuntos Econ\u00f3micos y Transformaci\u00f3n Digital y el Fondo Europeo de Desarrollo Regional (FEDER), Nommon desarroll\u00f3 el m\u00f3dulo descriptivo de WiseTransit<\/strong><\/a>, una plataforma software que aplica t\u00e9cnicas de fusi\u00f3n de datos para proporcionar a las autoridades y los operadores de transporte p\u00fablico informaci\u00f3n precisa, fiable y permanentemente actualizada sobre la utilizaci\u00f3n del transporte p\u00fablico<\/strong>. En BD4PT se utilizaron para el desarrollo datos de la red del Consorcio Regional de Transportes de Madrid<\/a> (CRTM), que da servicio a toda la Comunidad Aut\u00f3noma de Madrid (CAM) e incluso a algunas ciudades fuera de la misma. La gran relevancia del caso de uso realizado con el CRTM se debe a un factor triple:<\/p>\n\n\n\n

    \n
  1. La red de transporte p\u00fablico de la CAM, que incluye autobuses, metro, metro ligero y ferrocarril de cercan\u00edas, es, con diferencia, la m\u00e1s extensa, densa y utilizada de Espa\u00f1a. Posee m\u00e1s de 13.000 paradas, m\u00e1s de 600 l\u00edneas y cada d\u00eda m\u00e1s de 1,5 millones de viajeros realizan en torno a 4,5 millones de validaciones. El reto consisti\u00f3 en desarrollar la tecnolog\u00eda de forma que pudiera manejar y explotar esta informaci\u00f3n de forma r\u00e1pida y eficiente<\/strong>. <\/li>\n\n\n\n
  2. A la hora de analizar los datos de los sistemas inteligentes de pago en el transporte p\u00fablico, el problema m\u00e1s habitual para establecer el origen y el destino de un viaje es el de inferir la parada de destino por no disponer de validaci\u00f3n a la salida. En el caso de la CAM, sin embargo, existe una amplia casu\u00edstica<\/strong> que WiseTransit debe ser capaz de gestionar<\/strong>. Por ejemplo, en las cercan\u00edas ferroviarias, es imprescindible validar la tarjeta tanto para entrar en la estaci\u00f3n como para salir de ella. En estos casos, la inferencia de la parada de bajada no es necesaria. Adicionalmente, existen algunos casos en los que la parada que debe ser inferida no es la de bajada, sino la de subida.<\/li>\n\n\n\n
  3. La intermodalidad de la red de transporte de la CAM hace que el funcionamiento del sistema de validaci\u00f3n var\u00ede<\/strong> de acuerdo al modo utilizado: mientras que en los autobuses urbanos la validaci\u00f3n se hace usualmente a bordo del veh\u00edculo y para cambiar a otra l\u00ednea es necesario validar de nuevo, en el metro, una vez el viajero ha entrado en una estaci\u00f3n y ha validado su tarjeta, puede realizar los transbordos que desee hasta llegar a su estaci\u00f3n de destino. WiseTransit contempla esta heterogeneidad y aplica la l\u00f3gica correspondiente a cada uno de los casos.<\/li>\n<\/ol>\n\n\n\n

    Soluci\u00f3n<\/h2>\n\n\n\n

    <\/a>WiseTransit<\/strong><\/a> integra datos de tarjetas inteligentes de pago, sistemas de ubicaci\u00f3n de veh\u00edculos y tecnolog\u00edas de conteo de pasajeros para ayudar en la planificaci\u00f3n y gesti\u00f3n de los servicios en funci\u00f3n del comportamiento de la demanda<\/strong>. El proceso de c\u00e1lculo se automatiza de modo que el usuario de la herramienta tiene a su disposici\u00f3n de forma continua toda la informaci\u00f3n acerca de lo que sucede en la red que debe gestionar.<\/p>\n\n\n\n

    El m\u00f3dulo descriptivo de la herramienta est\u00e1 compuesto por tres componentes principales: un estandarizador<\/strong>, que limpia y prepara los datos a utilizar; un motor de inferencia<\/strong>, que transforma los datos de entrada en informaci\u00f3n completa y detallada del uso de la red de transporte p\u00fablico; y un componente de generaci\u00f3n de indicadores<\/strong> que, a partir de los resultados del motor de inferencia y mediante la fusi\u00f3n con otros datos de fuentes complementarias, genera informaci\u00f3n entendible y explotable a trav\u00e9s un panel de control interactivo con distintos gr\u00e1ficos y tablas.<\/p>\n\n\n\n

    Estandarizador<\/h3>\n\n\n\n

    El primer paso para obtener los indicadores de transporte p\u00fablico consiste en depurar, limpiar y estandarizar los datos que se emplean en el flujo de la soluci\u00f3n<\/strong>. Es especialmente importante preprocesar las validaciones de tarjeta inteligente<\/strong>, no solo por tratarse de la principal fuente de datos de WiseTransit, sino tambi\u00e9n por la inexistencia de un formato est\u00e1ndar. El m\u00f3dulo de estandarizaci\u00f3n est\u00e1 dise\u00f1ado para manejar de manera eficiente diferentes implementaciones de sistemas de tarjeta inteligente, con el objetivo de traducir cada tipo de dato bruto a un formato \u00fanico, sencillo y entendible por la herramienta para su posterior explotaci\u00f3n.<\/p>\n\n\n\n

    Los datos de oferta de transporte p\u00fablico<\/strong>, en contraposici\u00f3n, s\u00ed disponen de formatos estandarizados ampliamente utilizados, como el formato GTFS (por las siglas en ingl\u00e9s de General Transit Feed Specification<\/em>), lo que facilita el proceso de estandarizaci\u00f3n. No obstante, la informaci\u00f3n de la red no siempre se encuentra disponible en este formato, por lo que, en estos casos, se requiere tambi\u00e9n una estandarizaci\u00f3n particular.<\/p>\n\n\n\n

    Al margen de los datos de validaciones y de informaci\u00f3n de la red, la herramienta integra datos de fuentes secundarias para refinar, mejorar o ampliar los resultados obtenidos. Es el caso de las matrices origen-destino (OD) de movilidad general obtenidas mediante la soluci\u00f3n de Nommon <\/strong>Mobility Insights<\/strong><\/a>, as\u00ed como de los datos de capacidades y emisiones de diferentes tipos de veh\u00edculos.<\/p>\n\n\n\n

    Motor de inferencia<\/h3>\n\n\n\n

    El motor de inferencia es el n\u00facleo del m\u00f3dulo descriptivo de WiseTransit<\/a>, ya que se encarga de solventar el principal desaf\u00edo t\u00e9cnico que plantea la naturaleza de los sistemas inteligentes de pago: el pasajero habitualmente debe validar su tarjeta para acceder al servicio de transporte p\u00fablico, pero no necesariamente vuelve a validar al salir. Esta ausencia de informaci\u00f3n del destino de los trayectos suscita la necesidad de inferir la parada de bajada<\/strong> de los viajes asociados a cada validaci\u00f3n de subida<\/strong>.\u00a0<\/p>\n\n\n\n

    Para la inferencia de las paradas de bajada se emplea una t\u00e9cnica denominada encadenamiento de viajes<\/strong>, aplicable gracias a que las tarjetas de pago mantienen la trazabilidad de los registros de cada viajero a lo largo del tiempo y, por tanto, permiten considerar la secuencia completa de validaciones. El encadenamiento de viajes consiste en asignar como parada de bajada una parada pr\u00f3xima a la parada de comienzo del viaje inmediatamente posterior. Esta hip\u00f3tesis es plausible dado que la mayor\u00eda de los viajeros son usuarios habituales de la red de transporte p\u00fablico y sus viajes siguen patrones muy determinados, como casa-trabajo\/trabajo-casa o casa-trabajo\/trabajo-ocio\/ocio-casa, en los que el destino de cada viaje en transporte p\u00fablico coincide aproximadamente con el origen del viaje siguiente.<\/p>\n\n\n\n

    A pesar de esto, existen casos en los que el encadenamiento de viajes no es aplicable<\/strong>: por ejemplo, si el usuario ha utilizado alg\u00fan medio de transporte alternativo entre dos viajes en transporte p\u00fablico, o si el usuario ha validado su tarjeta una \u00fanica vez. En estos casos, para la inferencia de la parada de bajada se recurre a una asignaci\u00f3n probabil\u00edstica<\/strong>, partiendo de los viajes que s\u00ed han podido determinarse mediante el encadenamiento. En primera instancia, se consideran los patrones observados del mismo viajero objeto de estudio; si no se dispone de un tama\u00f1o de muestra suficientemente explicativo, se consideran los patrones de todos los usuarios de la red, asumiendo que el viajero se comporta de forma similar al resto de usuarios de la red de transporte. <\/p>\n\n\n\n

    Llegados a este punto, se conoce la actividad de los viajeros en el interior de la red de transporte. Para proporcionar la imagen completa de la movilidad en transporte p\u00fablico, la informaci\u00f3n de cada uno de los viajes debe refinarse con el origen y el destino exactos<\/strong>, para obtener as\u00ed el viaje puerta a puerta completo. Para ello, los puntos de origen y destino se asignan de forma probabil\u00edstica dentro de un \u00e1rea de influencia de las respectivas paradas de subida y bajada. Los factores que determinan esta asignaci\u00f3n son la distancia entre el punto y la parada, la ubicaci\u00f3n de otras paradas de la l\u00ednea y, de estar disponible, la movilidad general en estas zonas. Este \u00faltimo factor puede determinarse con datos de telefon\u00eda m\u00f3vil, mediante nuestra soluci\u00f3n Mobility Insights<\/a>.<\/p>\n\n\n\n

    Generador de indicadores<\/h3>\n\n\n\n

    Finalmente, <\/strong>WiseTransit<\/strong><\/a> incluye un m\u00f3dulo de visualizaci\u00f3n que permite analizar los resultados de forma sencilla para el usuario<\/strong>. El generador de indicadores es el componente encargado de transformar el resultado bruto, obtenido del motor de inferencia, en informaci\u00f3n representable en tablas y gr\u00e1ficos, a trav\u00e9s de un panel de control.<\/p>\n\n\n\n

    Gracias a la fusi\u00f3n con otras fuentes de datos, se obtiene una imagen completa de la actividad diaria en la red de transporte p\u00fablico, lo que permite analizar una gran variedad de indicadores<\/strong>. Algunos de ellos se enumeran a continuaci\u00f3n:<\/p>\n\n\n\n