i-MovE: Interoperabilidad para una Movilidad Eficiente, sEgura y Equitativa

Compartir:

i-MovE Knowledge Hub

Servicios desarrollados en el proyecto i-MovE

Servicios para compañías de movilidad individual

Desarrollados para mejorar la eficiencia operativa de los servicios de taxi y transporte compartido mediante:

      • Modelos de estimación de demanda: i-Move Demand
      • Optimización de distribución horaria: i-MovE Operator

Servicios para compañías de transporte público

Desarrollados para mejorar la gestión del tráfico y la planificación del transporte mediante:

      • Estrategias de prioridad en los semáforos: i-MovE Priority
      • Planificación algorítmica de rutas: i-MovE Control  

  

 

Servicios para compañías de movilidad individual

Entorno altamente competitivo donde el intercambio de datos es limitado. Esto implica:

      • Largos periodos sin pasajeros en el taxi.
      • Saturación de taxis en zonas con escasa demanda.
      • Escasez de taxis en zonas con potenciales clientes.

Un espacio de datos como i-MovE, donde sea posible integrar fuentes de información puede proporcionar una visión mucho más precisa de los patrones de movilidad.

  

 Example image

i-MovE Demand

Mapas predictivos de intensidad de la demanda del taxi en el AMB con un horizonte de tres días, utilizando datos procedentes de distintas empresas de taxi, tanto mediante aplicación móvil como de captación en vía pública, y combinándolos con datos multisectoriales correlacionados con la movilidad del taxi. Estos incluyen eventos, meteorología, actividad portuaria, aeropuerto y servicios ferroviarios.

Fuentes de datos:

  • Registros de viajes en taxi: ubicaciones históricas de inicio y fin de viajes de FREENOW, Grupo Garrido, Taxis Alonso, RadioTaxi033
  • Información de eventos: Llegada de cruceros, partidos de fútbol, conciertos, etc. APIs propias y colaboración con PREVEO
  • Validaciones del transporte público: datos de sistemas de venta de billetes de metro y autobús (CGIM-ATM).
  • Hubs de transporte: datos operativos de AENA (aeropuertos), RENFE (servicios de tren) y Port de Barcelona.
  • Meteorología: históricos y predicciones de precipitaciones y temperatura (Meteocat).

Metodología:

Calibración en nuestros servidores de los modelos de IA y machine learning para predecir a futuro la demanda. Solo se publica la predicción, no las bases de datos originales.

Vídeo muestra
   

            
Example image

i-MovE Operator

Modelo de optimización de las jornadas idóneas para los taxistas en función de sus requisitos, con el objetivo de maximizar los ingresos por hora. Permite visualizar la rentabilidad horaria según el tipo de día, mes o estación del año, así como incorporar fechas con eventos relevantes que tengan impacto en el sector del taxi.

Fuentes de datos:

  • Registros de viajes en taxi: ubicaciones históricas de inicio y fin de viajes de FREENOW, Grupo Garrido, Taxis Alonso, RadioTaxi033

Metodología:

Modelos de optimización económica con registros de distintas combinaciones de tipología de dia. Maximización de la rentabilidad e ingresos esperados por jornada según los requisitos del operador para calcular la jornada de trabajo óptima.

Vídeo muestra
     
  
  
     

Servicios para compañías de transporte público

Interés común, tanto por parte de las empresas como de los usuarios, en mejorar el servicio. En concreto:

● Irregularidad en los intervalos de paso.
● Falta de coordinación entre operadores y controladores de tráfico.
● Reacción lenta ante incidentes operativos.

Un espacio de datos como i-MovE, donde sea posible integrar fuentes de información puede proporcionar una visión mucho más precisa de los patrones de movilidad.

  

 Example image

i-MovE Priority

Modelo de asignación de estrategias de regularidad que incluye prioridad semafórica, salto de paradas y reducción de velocidad, con el objetivo de mantener la regularidad de las líneas de autobús analizadas. Además, genera una conexión directa con el sistema de control de tráfico para solicitar prioridad semafórica de forma automática.

Fuentes de datos:

  • Información en tiempo real sobre la ubicación de los autobuses.
  • Archivos estáticos de mapas de semáforos y mapas GTFS de rutas de autobús con sus paradas y horarios.

Metodología:

Inferencia de la ubicación en tiempo real de los autobuses en un modelo computacional utilizando archivos GTFS, para obtener una estrategia de regularidad con los intervalos de paso.

Vídeo muestra

   

 Example image

i-MovE Control

Modelo para la generación de nuevas rutas de autobús en función de las paradas del operador. Tiene en cuenta el estado medio del tráfico, las intersecciones y la frecuencia deseada de operación para calcular tanto las rutas como el número de autobuses necesarios.

Fuentes de datos:

  • Ubicaciones de las paradas y frecuencia del servicio.
  • Datos tabulares de la densidad del tráfico.

Metodología:

TSP para calcular la ruta óptima, la velocidad comercial y el volumen de la flota.
Geocodificación de puntos de ruta.

Vídeo muestra
   
  
  
 

Datos públicos y programas de codigo abierto usados: