La doctora Margarita Martínez Díaz, de la Universidade da Coruña, es una de las galardonadas en los XVI Premios Internacionales de Gestión de Infraestructuras de Transporte y Seguridad Vial otorgados por la Red internacional de Cátedras Abertis

Es el primer think tank universitario que tiene por objetivo potenciar la seguridad vial dentro de los planes de estudio superiores. La Red Internacional de Cátedras Abertis otorgaba el pasado mes de octubre sus XVI Premios Internacionales de Gestión de Infraestructuras de Transporte y Seguridad Vial, que reconocen los mejores trabajos universitarios de entre los ganadores de las cinco ediciones nacionales de este galardón (España, Francia, Puerto Rico, Chile y Brasil).

Con su tesis titulada Highway travel time information systems: from traditional to cooperative driving environments, la doctora Margarita Martínez Díaz (UDC, Universidade da Coruña) se alzaba con el Premio Abertis España en la categoría Tesis Doctoral.

Por su parte, el doctor Mario Soilán Rodríguez (Universidad de Vigo) conseguía otro galardón, en este caso en la Modalidad Seguridad Vial

Además de estos, también se entregaron los Premios Abertis “Ex aequo” en la categoría Tesis de Máster a Francisco Garrido Valenzuela (Pontificia Universidad Católica de Chile) y a Verônica Ghisolfi (Universidade Federal do Rio de Janeiro). 

Sobre el contenido de su tesis y otros asuntos relacionados con la movilidad charlamos con la doctora Martínez Díaz.

¿Podría explicarnos brevemente en qué consiste su tesis?

El objetivo central es la predicción de tiempos de viaje en tiempo real. Destacaría, además, que con un alto nivel de precisión y con una metodología fácilmente implementable a día de hoy por cualquier centro de gestión de tráfico. 

Es importante resaltar estos dos puntos, puesto que ya existen otros métodos para predecir tiempos de viaje en tiempo real, pero ninguno tan ventajoso. De entre los existentes, unos (la mayoría) emplean tecnologías muy extendidas, pero proporcionan información imprecisa, sobre todo en momentos de congestión, que es precisamente cuando la información de tiempo de viaje tiene más valor. 

Un ejemplo serían los métodos basados en mediciones puntuales de velocidad, que siguen siendo los más empleados por los centros de gestión, o aquellos basados en datos proporcionados por sistemas de identificación automática de vehículos o por sistemas de seguimiento.

Por otro lado tenemos metodologías que sí son capaces de realizar buenas predicciones, pero cuya implantación sería inviable en la mayoría de los casos al requerirse tecnologías caras y complejas, además de una gran capacidad computacional. Estoy pensado, por ejemplo, en métodos basados en inteligencia artificial, entre otros, que se emplean a nivel de investigación o en pruebas piloto.

Con toda probabilidad jugarán un papel fundamental en el futuro, pero aún tendremos que esperar bastantes años para verlo y los problemas de congestión tenemos que solucionarlos cuanto antes para evitar los costes directos e indirectos que acarrean.

¿Se podría decir, entonces, que es la mayor precisión lo que diferencia a este sistema de aplicaciones como Google Maps o Waze?

Para ser más exactos, diría que la metodología que presento destaca por su precisión y por su robustez. Me explico: Google Maps, Waze, etc. hay ocasiones en las que proporcionan una información acertada, pero esto no es siempre así. La precisión de sus estimaciones depende del número de usuarios conectados en el momento en el que se pide información y es, por lo tanto, variable. Esto no ocurre con la metodología de fusión que yo propongo.

Pero, además, hay que tener en cuenta otro aspecto: ya hoy en día, pero sobre todo cuando la movilidad autónoma y conectada sea una realidad, la gestión del tráfico no debería depender ni de los usuarios individuales ni de empresas privadas, sino de centros de gestión cuyo objetivo sea la optimización global del flujo de tráfico frente al interés individual y al empresarial. Solo de este modo conseguiremos una movilidad más eficiente.

El matemático y analista de transporte John Glen Wardrop ya nos explicó esto en sus principios. En uno de mis artículos explico uno de ellos con un ejemplo sencillo. Consideremos un conjunto numeroso de conductores que desean llegar a la playa un domingo de una mañana de verano desde el centro de la ciudad. Revisan sus aplicaciones en el móvil y reciben más o menos la misma información: la ruta A es la más corta y segura. Por supuesto, se van a A. En mitad del viaje, reciben una advertencia sobre un accidente ocurrido a unos kilómetros en esa ruta A, y el consejo de tomar una ruta alternativa B. 

La mayoría de los conductores se cambiarán a esta ruta, donde la congestión irá apareciendo gradualmente. La mayoría de las aplicaciones propondrán entonces un cambio a la ruta C, la cual se congestionará posteriormente. Y así sucesivamente. Este sencillo ejemplo muestra que el uso de la información debe estar acompañado de una estrategia de gestión que tendrá que ser aplicada por una entidad de control de nivel superior. Lo más lógico, por un centro de gestión del tráfico.

Esto no quiere decir que yo esté en contra de este tipo de aplicaciones. Ni mucho menos, y de hecho las uso en mi vida personal. Solo digo que la gestión del tráfico no puede depender de la información que obtengamos de ellas.

 

¿Se trata de un sistema pensado exclusivamente para desplazamientos en autovías o autopistas, o también podría emplearse en otro tipo de carreteras y en trayectos urbanos?

La metodología tal y como la presento en la tesis podría emplearse en cualquier vía de flujo ininterrumpido (autopistas, autovías, vías rápidas, tramos ininterrumpidos de carreteras convencionales, etc.). 

Con las correspondientes modificaciones también podría extenderse a flujos interrumpidos o discontinuos (por ejemplo a tráfico urbano) y habría que ver en ese caso si resulta tan ventajosa. Muy probablemente sí.

¿Qué tipo de tecnología y datos hacen falta para recabar la información necesaria para dar a conocer esos pronósticos?

El núcleo de la metodología consiste en la fusión, mediante un algoritmo matemático, de medidas directas e indirectas de tiempos de viaje. Estos son los datos principales que se han de recoger en tiempo real para poder hacer las predicciones.

Las medidas directas de tiempos de viaje se obtienen, bien a través los mencionados sistemas de identificación automática de vehículos (AVI) –entre los que se encuentran cámaras capaces de identificar matrículas, detectores de señal de Bluetooth, lectores de tarjetas automáticas de pago, etc.–, o bien a través de sistemas de seguimiento (como el GPS o la geolocalización del teléfono móvil, por ejemplo).

La naturaleza de estas medidas es diferente, pero la metodología ya contempla las variantes necesarias para poner en valor cualquiera de ellas.

Las medidas indirectas de tiempos de viaje se estiman a partir de datos proporcionados por detectores de lazo (espiras magnéticas), que se encuentran en prácticamente todas las vías de cierta entidad.

 

¿Cómo es posible dar respuesta a las necesidades actuales en materia de movilidad y adelantarse, a la vez, a los problemas futuros?

A nivel de movilidad, los objetivos a lograr serán básicamente los mismos hoy en día que en el futuro. Queremos una movilidad eficiente, segura, que respete al medio ambiente y que sea inclusiva. Y eso mismo querremos en los futuros entornos de conducción. Lo que serán diferentes serán los retos particulares a solventar para conseguir dichos objetivos, así como las herramientas de las que dispongamos.

Lo que sí parece claro es que la información de tiempo de viaje seguirá siendo de vital importancia tanto para los conductores/pasajeros individuales como para los centros de gestión. Los primeros podrán plantearse rutas o medios de transporte alternativos o cambiar el momento de salida de su viaje. Como mínimo, si se ven inmersos en una cola, su nivel de estrés se reducirá al tener información sobre la misma, lo que es positivo desde el punto de vista de la seguridad y de la salud.

Ya hay estudios que han analizado que, aunque en el futuro seamos pasajeros en un vehículo que conduzca por sí mismo y tengamos, por tanto, la posibilidad de realizar otras tareas durante el viaje (incluso trabajar), sufrir un período de congestión seguirá implicando costes directos e indirectos. Por su parte, los centros de gestión podrán poner en marcha sistemas dinámicos de gestión del tráfico en base a dicha información, cuando sea necesario. Exactamente como hoy en día.

Lo que sí es cierto es que en el futuro conectado las metodologías de gestión serán mucho más complejas, como lo serán las tecnologías empleadas, las comunicaciones, etc. Como dije anteriormente, la inteligencia artificial pasará a jugar un papel fundamental. Y la fusión de datos procedentes de distintas fuentes será más necesaria que nunca.

Por todo ello, la metodología que propongo sería por sí sola insuficiente, pero, tal y como está definida, podría perfectamente integrarse en un sistema de fusión más complejo. O dicho de otro modo, sería susceptible de extenderse para ser capaz de servir a las necesidades futuras.

 

La aparición de esos nuevos actores y escenarios, ¿favorecerá la ‘precisión’ con la que sistemas como el suyo podrán pronosticar los tiempos de desplazamientos?

A medida que los nuevos escenarios vayan siendo una realidad y que, por ejemplo, el número de sensores en las vías sea más elevado (los vehículos serán “sensores”. Ya lo son hoy en día parcialmente), más oportunidades habrá de mejorar la predicción de tiempos de viaje y la gestión dinámica del tráfico en general.

Bien es verdad que no es suficiente con recoger muchos datos. Si son datos “malos” (datos con mucho ruido –imprecisiones–, datos no importantes) o si no sabemos conjugarlos adecuadamente, es decir, si no definimos un modelo que los emplee de forma correcta para conseguir la información que queremos, los resultados que obtengamos podrían ser más imprecisos que los que conseguimos hoy.

Tener muchos datos y mucha tecnología ofrece grandes oportunidades, pero habrá que saber aprovecharlas.

 

¿Conseguiremos en un futuro con sistemas como este que la movilidad deje de ser uno de los grandes quebraderos de cabeza de las administraciones? 

Soy optimista en este sentido. Quizás hemos tardado demasiado en reaccionar y por ello hay grandes problemas relacionados con la movilidad en la actualidad, tanto directos (congestión, accidentes, etc.) como indirectos (contaminación, ruido). 

Pero en los últimos años la movilidad se encuentra en el centro del debate público y tanto los usuarios individuales como las Administraciones y empresas privadas se están dando cuenta de lo importante que es y de que no está garantizada per se.

Existen numerosas iniciativas que intentan resolver los múltiples retos existentes. También los investigadores nos estamos esforzando en hacer buenas contribuciones. Por no decir que la automatización del vehículo tiene mucho atractivo y esto, siempre que no distraiga de los objetivos principales antes mencionados, contribuye a que se le preste a la movilidad la atención que se merece.

Por eso sí creo que, aunque llevará tiempo, la movilidad del futuro será mejor que la que tenemos en la actualidad, desde todos los puntos de vista.

Artículos relacionados
17450 Views

Hitos, leguas y kilómetros

La necesidad de medir las distancias ha estado unida al ser humano desde el