La modelación del transporte cambiará radicalmente en los próximos cinco años.
Existe una fuerte tendencia en la planificación del transporte que busca desarrollar modelos cada día más complejos y que prometen representar el comportamiento humano con mayor realismo. En los Estados Unidos esta tendencia se ha transformado en un apoyo importante a los modelos basados en las actividades de las personas en lugar de viajes o circuitos. La idea es en parte una extrapolación de la micro-simulación del vehículo o peatón a las actividades de hogares y los viajes que las conectan. De esta forma es posible modelar hogares individuales (reales o sintetizados) y direcciones específicas para desplazamientos (no sólo zonas). El nivel de detalle es muy alto pero gracias al procesamiento de los modelos en la “nube” se mantienen tiempos de ejecución razonables. Esta forma de modelar está pasando de la fase experimental a la fase práctica para grandes ciudades en Estados Unidos; los europeos la han probado en varios casos pero no ha pasado todavía de ser una exploración inicial. Esta década podría ver su adopción más generalizada y en ese caso significará un cambio importante en la modelación del transporte.
Hay otra tendencia que apunta en una dirección diferente. Se trata de la disponibilidad de datos masivos de movilidad a costo bajísimo. Estos datos se originan del uso de dispositivos que generan datos ya sea de localización (GPS, teléfonos móviles, unidades Bluetooth) o de transacciones como ser las tarjetas inteligentes tipo Bip!
El trabajo del equipo de Marcela Munizaga en la Universidad de Chile ha sido pionero en el uso de este tipo de datos para generar información valiosa para modelar y mejorar Transantiago. Existen empresas en los Estados Unidos y Europa que son capaces de generar matrices de viaje (y tiempos) a partir de información de teléfonos móviles y/o sensores de actividad Bluetooth. Esto no es sólo algo experimental; personalmente he supervisado y visto estudios rápidos que se han basado en datos de estas fuentes.
Este tipo de dato no está exento de problemas. Desplazamientos de móviles no es lo mismo que movilidad de personas. Es necesario inferir orígenes y destinos, y la detección del modo de transporte usado y el propósito del viaje son todavía muy imperfectos. Pero el potencial, así como la tasa muestral, es enorme.
Frente a este diluvio de datos de movilidad se están polarizando dos grupos diferentes. El primero es un grupo de escépticos: sostiene que estos datos pueden ser un útil complemento a las encuestas actuales pero que la modelación de transporte deberá basarse siempre en el comportamiento humano. Las tarjetas Bip! y los desplazamientos de teléfonos móviles o unidades Bluetooth nos dicen poco sobre el comportamiento. Será siempre necesario realizar Encuestas de Preferencias Declaradas y/o de Actividades y Viajes, las que podrían hacerse a distancia usando precisamente teléfonos móviles y tabletas.
El segundo grupo, donde me encuentro, es optimista y pragmático. Nunca antes habíamos tenido la oportunidad de contar con tasas muestrales tan ilimitadas. Los viajes no sólo de un período sino de un día completo; no sólo de un día sino de cualquier día que se nos ocurra. La penetración de celulares es cercana al 100%. Es cierto que hay personas con más de un celular y otras con celulares apagados (u olvidados en casa); un auto puede tener más de un celular o unidad de Bluetooth. Por ello, será siempre necesario ajustar estos datos para representar viajes de personas o vehículos. Pero esta es una adaptación sencilla comparada con la expansión de muestras del 2 al 10% a la población total. También es cierto que la información todavía no está libre de errores de localización, pero la precisión aumenta significativamente cada año, algo que cada uno de nosotros ha comprobado en su propio teléfono móvil.
Es interesante comprobar que se ha resuelto bien el problema de la privacidad. Lo normal es que estos datos se recojan en forma anónima dando a cada dispositivo un número aleatorio que no está relacionado con su identificador real (MAC o número de teléfono).
Utilizamos la modelación del trasporte porque no es posible hacer experimentos como en otras disciplinas; no podemos construir una línea de metro ni un anillo de autopistas de peaje para ver si atrae suficiente demanda en la práctica. Necesitamos modelos para evaluar estos proyectos antes de construirlos. Como no era posible recolectar información sobre el 100% de los viajes recurrimos a modelos que se basan en supuestos sobre el comportamiento de los viajeros; sobre su forma de comparar alternativas y elegir la mejor. Esto significa a veces adoptar supuestos poco realistas como el de la disponibilidad de información perfecta sobre las alternativas o la estabilidad de los gustos y preferencias de las personas en el tiempo. Pero éste es otro de mis temas favoritos que dejamos para una futura ocasión.
Volviendo a los datos masivos de movilidad. Si fuera posible contar con muestras de viajes mayores (casi 100%) y para cualquier día, entonces sería posible tanto realizar experimentos como aprovechar los experimentos que nos aporta el destino. Por ejemplo, podríamos ofrecer un descuento especial, por una semana, a aquellos usuarios de tarjeta Bip! cuyo número termine en xyz. Esto nos entregaría información sobre elasticidades de demanda a tarifa. Aún más interesante, podemos aprovechar incidentes para observar cómo cambia el comportamiento de las personas bajo información imperfecta y mejorada. Aprovechar, por ejemplo, trabajos en la vía, inundaciones en pasos bajo nivel, demostraciones en la calle; cómo afecta al flujo de saturación la lluvia o la luz artificial, etc.
Las oportunidades para mejorar la modelación y la toma de decisiones en transportes son enormes. Su aprovechamiento depende de iniciativas como las de Marcela Munizaga, Transantiago y el Ministerio de Transportes y Telecomunicaciones para perfeccionar la extracción de datos útiles (una verdadera minería de datos), corregirlos, expandirlos y utilizarlos en lo que puede ser una nueva forma de modelar. Puede que esta modelación no tenga una alta riqueza conductual, y en ese sentido no nos ayude tanto a entender los fenómenos de transporte. Pero en términos de pronosticar (no dije predecir) el futuro, estos modelos más sencillos pero mejor sustentados en la realidad, podrían ser más útiles y menos vulnerables a errores de extrema complejidad.
Si participan en LinkedIn pueden seguir una interesante discusión sobre el tema en el Grupo “Transport &Traffic Modelling”
