La inteligencia artificial y el transporte urbano

La inteligencia artificial y las redes neuronales tienen una gran aplicación en el área del transporte urbano, permitiendo mejorar la eficiencia y seguridad de los sistemas de transporte. En particular, las redes neuronales pueden utilizarse para predecir accidentes de tránsito y tomar medidas preventivas para evitarlos.

Un ejemplo de cómo las redes neuronales pueden ser utilizadas para el área del transporte urbano se encuentra en la ciudad de Barcelona en España. La autoridad de transporte metropolitano de Barcelona (ATM) ha utilizado las redes neuronales para predecir los accidentes de tránsito en la ciudad. La información recopilada de la red de sensores de tráfico de la ciudad se utiliza para entrenar la red neuronal, lo que permite al sistema prever accidentes con días de antelación y planificar medidas preventivas. 

Estructura de una red neuronal artificial

Aquí se muestra un pequeño ejemplo de como se programa una red neuronal. En cuanto a la programación de una red neuronal para predecir accidentes de tránsito, se puede utilizar Python y la biblioteca Keras. Keras es una biblioteca de aprendizaje profundo que permite crear y entrenar redes neuronales de manera sencilla, también lo más común es utilizar un lenguaje de programación amigable como Python. Es importante aclarar que la red neuronal no sólo dependerá del entrenamiento que se le de, si no principalmente de la información que le sea proporcionada, esto quiere decir, que un aforo bien realizado permitirá a la red neuronal dar mejores predicciones.

El proceso de creación de una red neuronal para predecir accidentes de tráfico en Python puede seguir los siguientes pasos —No te preocupes si no entiendes el código que te comparto, es sólo para que veas lo sencillo que es:

• Importar las bibliotecas necesarias en Python, incluyendo TensorFlow, Keras y NumPy.

    import tensorflow as tf

    from tensorflow import keras

    import numpy as np

• Preparar los datos de entrenamiento y prueba, lo que incluye la recopilación y organización de información detallada sobre las condiciones de tráfico, accidentes, clima, etc —Esta es la parte más laboriosa de tod0.

    X_train = [...]              # conjunto de datos de entrenamiento

    y_train = [...]              # etiquetas de entrenamiento

    X_test = [...]               # conjunto de datos de prueba

    y_test = [...]               # etiquetas de prueba

• Crear el modelo de red neuronal utilizando TensorFlow —Esto ya está documentado, sólo se debe pulir e implementar para cada caso, pero es sencillo.

    model = keras.Sequential([

        keras.layers.Dense(64, activation='relu', input_shape=(num_features,)),

        keras.layers.Dense(64, activation='relu'),

        keras.layers.Dense(1)

    ])

    model.compile(loss='mse', optimizer='adam', metrics=['mse', 'mae'])

Este modelo utiliza una arquitectura de tres capas, con dos capas ocultas y una capa de salida. Se utiliza el algoritmo de optimización Adam y la función de pérdida Mean Squared Error (MSE) para entrenar la red neuronal.

• Entrenar el modelo de red neuronal utilizando información detallada sobre accidentes y condiciones de tráfico.

    model.fit(X_train, y_train, epochs=100, validation_split=0.2)

Este paso es esencial para que la red neuronal pueda predecir con precisión los accidentes de tráfico, ya que la información de entrenamiento es lo que permite a la red aprender y ajustar sus pesos y conexiones internas.

• Evaluar el modelo utilizando datos de prueba y ajustarlo según sea necesario.

    test_loss, test_mse, test_mae = model.evaluate(X_test, y_test)

La evaluación del modelo permite determinar la precisión de la red neuronal y detectar posibles problemas o desviaciones con respecto a los datos de prueba.

• Utilizar el modelo para predecir accidentes de tráfico y tomar medidas preventivas.

    predictions = model.predict(X_test)

Este código tan compacto es suficiente para entrenar un modelo porque las librerías ya contienen lo necesario para realizar los cálculos y análisis. Entonces, ¿qué más se necesita aparte del código? Los datos de calidad, obtenidos en campo con precisión. Solo así la red neuronal podrá trabajar con mayor exactitud y utilidad para la prevención de accidentes.

Grafo de modelo funcional de red neuronal

La inteligencia artificial (IA) ya no es solo cosa de películas futuristas, sino que está metida hasta en el tráfico que enfrentamos todos los días. En el mundo de la ingeniería en sistemas de transporte, la IA se ha convertido en una herramienta clave para optimizar la movilidad, hacer más seguras nuestras calles y hasta volver más eficientes los procesos logísticos que muchas veces damos por sentados.

Mira, por ejemplo:

• En la autopista AP-7 en España, el Servei Català de Trànsit, junto con la Universidad Politécnica de Cataluña, están usando IA para predecir y prevenir accidentes a partir de datos en tiempo real. La meta es ambiciosa: reducir hasta en un 50% las muertes en carretera para el 2030.
• En el Puerto de Bilbao, la cosa va por otro lado: ahí la IA con visión artificial se encarga de automatizar el acceso de camiones y trenes. El resultado: una logística mucho más eficiente, rápida y, lo mejor, sostenible.
• Las grandes compañías de transporte de carga como UPS y DHL tampoco se quedan atrás. Ellos aplican IA para planificar rutas tomando en cuenta factores como el tráfico y el clima. Así logran entregar más rápido, gastar menos y contaminar menos. Además, la IA también juega de “guardián”: detecta conductas de riesgo y predice accidentes gracias a sensores y datos históricos.
• Ciudades enteras también se apoyan en esta tecnología. En Hamburgo, Alemania, los sistemas inteligentes de transporte usan IA para monitorear y controlar el flujo vehicular, detectar incidentes y tomar decisiones en caliente para que la circulación sea segura y fluida.
• En Londres y Los Ángeles, la IA se aplica para algo tan cotidiano como los semáforos: los ajusta en tiempo real para evitar esos congestionamientos eternos. Y en Singapur, la usan para gestionar rutas y frecuencias del transporte público casi en tiempo real, mejorando la cobertura y reduciendo los tiempos de espera.
• Más cerca de nosotros, en Buenos Aires ya pusieron en marcha a “Boti”, un chatbot basado en IA que mejora la comunicación entre la ciudadanía y los servicios urbanos. Y si miramos hacia ciudades como Tokio, Melbourne o Boston, veremos cómo la IA se mete en la gestión del tráfico y el transporte público, siempre con el mismo objetivo: hacer que movernos sea más eficiente y seguro.

Al final, la conclusión es clara: la IA en el transporte urbano está en todas partes. Predicción y prevención de accidentes, optimización de rutas, gestión de flotas, automatización en logística, mejora en seguridad vial y creación de ciudades inteligentes. Todo apunta hacia un mismo destino: una movilidad más eficiente y sostenible para todos.

Héctor