BD4PT (Big Data For Public Transport) es un proyecto de investigaci\u00f3n industrial liderado por Nommon<\/a> y financiado por el Ministerio de Asuntos Econ\u00f3micos y Transformaci\u00f3n Digital <\/a>y el Fondo Europeo de Desarrollo Regional (FEDER)<\/a> que propuso desarrollar una nueva tecnolog\u00eda capaz de procesar datos de sistemas inteligentes de pago y combinarlos con otras fuentes de datos (posicionamiento de veh\u00edculos, usos del suelo, datos anonimizados de telefon\u00eda m\u00f3vil, etc.) para analizar los patrones de comportamiento de usuarios de transporte p\u00fablico y generar indicadores de movilidad para la planificaci\u00f3n y gesti\u00f3n eficiente de los sistemas de transporte p\u00fablico.<\/p>\n\n\n\n El proyecto, con n\u00famero de expediente TSI-100903-2019-37, se inici\u00f3 el 1 diciembre de 2019, con una duraci\u00f3n de 18 meses y un presupuesto financiable de 282.739,00 euros.<\/p>\n\n\n\n La planificaci\u00f3n y gesti\u00f3n de los sistemas de transporte requiere informaci\u00f3n precisa, fiable y actualizada sobre la demanda de viajes. La proliferaci\u00f3n de fuentes de datos geolocalizados procedentes de dispositivos m\u00f3viles ha dado lugar a nuevas formas de estudiar la movilidad de las personas y obtener informaci\u00f3n de demanda de transporte en un plazo de tiempo reducido y a un coste significativamente menor que el de los m\u00e9todos tradicionales, eliminando o mitigando muchas de las limitaciones de las encuestas de movilidad (alto coste en presupuesto y plazo de ejecuci\u00f3n, muestras peque\u00f1as que impactan en la calidad de la informaci\u00f3n, etc.). <\/p>\n\n\n\n Una de las fuentes de datos de mayor inter\u00e9s para la caracterizaci\u00f3n de la movilidad urbana es la procedente de los sistemas inteligentes de pago empleados en los servicios de transporte p\u00fablico. Cada usuario deja un registro asociado a la hora a la que ha validado su billete y a la l\u00ednea y\/o parada utilizada. Un adecuado an\u00e1lisis y fusi\u00f3n de estos datos con informaci\u00f3n de la red de transporte p\u00fablico, la oferta de servicios y la localizaci\u00f3n de los veh\u00edculos permite obtener informaci\u00f3n muy valiosa, como el n\u00famero de trayectos realizados al d\u00eda, el origen y destino de los mismos, las horas de los viajes, n\u00famero de trasbordos, etc. Esta informaci\u00f3n permite a las autoridades de transporte p\u00fablico evaluar sus pol\u00edticas y proponer medidas de mejora en el servicio. Sin embargo, la explotaci\u00f3n de estos datos es a\u00fan limitada debido a que, en muchas ocasiones, las autoridades de transporte no disponen internamente de las herramientas necesarias para aplicar las t\u00e9cnicas de big data que permiten explotar dicha informaci\u00f3n.<\/p>\n\n\n\n BD4PT busc\u00f3 sentar las bases de una soluci\u00f3n comercial que ayudara a las autoridades y operadores de transporte en la explotaci\u00f3n de estas fuentes de datos para monitorizar de manera continua la demanda de transporte p\u00fablico. El proyecto propuso investigar diferentes mejoras para un conjunto de m\u00e9todos y t\u00e9cnicas anal\u00edticas descritas en el estado del arte e implementar y validar los nuevos algoritmos con unos casos de estudio llevados a cabo en colaboraci\u00f3n con autoridades y operadores de transporte p\u00fablico. <\/p>\n\n\n\n Desde el punto de vista cient\u00edfico-t\u00e9cnico el proyecto abord\u00f3 distintos retos:<\/p>\n\n\n\n 1. Determinaci\u00f3n de la secuencia de etapas del trayecto en transporte p\u00fablico:<\/strong> se determin\u00f3 que para aquellos sistemas donde s\u00f3lo se valida al inicio del trayecto sigue existiendo margen de mejora en los algoritmos encaminados a inferir la parada asociada al fin del trayecto y la identificaci\u00f3n de transbordos entre diferentes l\u00edneas o modos. El an\u00e1lisis longitudinal de los datos y su fusi\u00f3n con otras fuentes que proporcionen informaci\u00f3n de contexto sobre los viajes son elementos centrales para una nueva aproximaci\u00f3n al problema.<\/p>\n\n\n\n \u200b2. Determinaci\u00f3n del origen y destino del viaje:<\/strong> m\u00e1s all\u00e1 de la matriz de paradas que se obtiene al analizar \u00fanicamente los trayectos en transporte p\u00fablico, las autoridades de transporte p\u00fablico necesitan conocer el origen y el destino de los viajes asociados a dichos trayectos. Para ello es indispensable utilizar otras fuentes de datos que aporten informaci\u00f3n sobre la presencia y actividad de la poblaci\u00f3n en las \u00e1reas de influencia de la red del transporte p\u00fablico. En este sentido se plantea el reto de integrar nuevas fuentes de datos que pueden proporcionar una medida din\u00e1mica de la presencia de la poblaci\u00f3n en un \u00e1rea determinada, por ejemplo, registros anonimizados procedentes de las redes de telefon\u00eda m\u00f3vil y\/o datos geolocalizados procedentes de apps.<\/p>\n\n\n\n \u200b3. Elevaci\u00f3n del comportamiento de la muestra al total de usuarios del transporte p\u00fablico:<\/strong> aunque el uso de los sistemas inteligentes de pago est\u00e1 ampliamente extendido entre los usuarios del transporte p\u00fablico, todav\u00eda hay un porcentaje de usuarios que utiliza t\u00edtulos o medios de pago que no permiten la trazabilidad de los viajes. Por tanto, es necesario definir una metodolog\u00eda de elevaci\u00f3n muestral que tenga en cuenta los datos disponibles sobre el universo de la muestra.<\/p>\n\n\n\nContexto<\/h2>\n\n\n\n
Objetivos de BD4PT<\/h2>\n\n\n\n
Entregables<\/h2>\n\n\n\n
\n
Datos<\/h2>\n\n\n\n
\n
Conferencias<\/h2>\n\n\n\n
\n