TRANSPORTE Y TIC ENinLab FIB:CONTRIBUCIÓN ALDESARROLLO DE MODELOS YHERRAMIENTAS PARA LA“SMART MOBILITY”inLab FIBinlab.fib....
Reflexiones sobre el desarrollo urbano y sus consecuencias2
Tendencias del desarrollo urbano                              DEVELOPMENT OF A CITY                                (source...
Consecuencias del desarrollo urbano                           Separación de áreas                             de residenci...
Smart City    una respuesta tecnológica a los problemas del desarrollo urbano5
El concepto de Smart City• Es la respuesta que da la ciudad a los retos que le plantea el  desarrollo y la penetración de ...
Conjetura primordial sobre las Smart CitiesLas soluciones• Se basan en la instrumentación y la interconexión de  dispositi...
Sin embargo …• Las propuestas de soluciones para Smart Cities están más  dominadas por los vendedores de tecnología que po...
Tecnología y Smartness    de los datos brutos a la información eficiente. ¿Dónde está la inteligencia?9
Datos  Procesamiento  InformaciónSmartness  Efficient Data Collection (Technology) +                    Efficient Data ...
Áreas clave de aplicaciones en una Smart City11
Áreas clave de aplicaciones en una Smart City     Áreas clave de aplicaciones en una Smart City (Schaffers et al. 2011)12
Smart Mobility desde la perspectiva del inLab FIB13
Punto de partida de la Smart MobilityLa movilidad (demanda) se ha deentender como•        Un fenómeno social y económico• ...
Caracterización de la movilidadEn términos de patrones de movilidad (demanda)• Matrices de viajes (origen-destino)• Número...
La necesidad de capturar la temporalidad de la movilidadEstimación estática de matrices de viajes (práctica habitual de la...
Smart Mobility el papel de la tecnología en la estimación de la demanda de movilidad (Digital Travel Diary)17
Understanding Mobility: Electronic Data Collection for Activity Based Demand Modeling        BCALs                        ...
Smart Mobility     sensores y captación de datos de tráfico19
Escenarios tecnológicos plausibles para la Smart Mobility                       Vehicle n           Vehicle n             ...
Datos y calidad (valor añadido) de la informaciónA partir de los datos, si sucalidad lo permite, la calidad dela informaci...
Síntesis del desarrollo de las herramientas degeneración de valor añadido para la Smart Mobility PROYECTOS SIMETRIA (Ref. ...
Objetivos de In4Mo: desarrollo de herramientas para lageneración de información de valor añadido• Integración de datos de ...
Filtrado de datos atípicos, compleción de datos      faltantes, fusión de datos heterogéneos      TIPOS DIFERENTES DE FUEN...
Estimación del estado de la red en el período     a partir de fusión de datos y uso de modelos      DATOS DE             ...
Información de valor añadido a partir de la    estimación del estado de la red             El vehículo entra en la red por...
Un concepto innovador para la Gestión Activa del tráfico:el Macro Fundamental Diagram (MFD)        Área urbana a gestionar...
Smart Mobility: la gestión activa basada en el MFDA partir del MFD (Macro Fundamental Diagram) en combinacióncon Informaci...
Verificación por simulación del MFD del Ensanche de Barcelona Un modelo de simulación microscópica de tráfico emula de man...
Arquitectura conceptual del proyecto In4Mo                                                                         DISEMIN...
In4Mo: Información avanzada (tiempo real+ predicción corto plazo) y soporte a la Gestión Activa                           ...
Compleción del Sistema de Soporte a la Smart Mobility     integración de la Información Multimodal en tiempo real32
ATIS: Real-Time Advanced Journey PlannerSistema interactivo, integrado, multimodal, de ayuda a latoma de decisiones (pre-t...
Cadenas modales yselección de rutas multimodales en tiempo realBuscador de caminos multimodales basado en el concepto de h...
Conclusiones     • La instrumentación y la interconexión de dispositivos       móviles, sensores y actuadores en una Smart...
Smart mobility     Colaboración, compartición y redes sociales36
Compartición dinámica de trayectos             • Compartición dinámica de trayectos punto a               punto.          ...
Actualización información geográfica• OpenStreetMap – Entorno colaborativo  de edición de mapas.• inLab FIB lidera la inic...
Captura social de datos• tooPath, aplicación propia de tracking• Aplicaciones móviles contextuales para  ofrecer servicios...
Otras áreas de experiencia inLab FIB40
Áreas de especialización I+D+iinLab FIB integra profesorado de diferentes departamentos dela UPC y su propio personal técn...
Smart Cities• Simulación de eficiencia energética de  edificios (EeB)• Eficiencia energética en el transporte• Aplicacione...
Más información      http://inlab.fib.upc.edu      inlab@fib.upc.edu      +34 93 401 69 41      c/ Jordi Girona 1-3      C...
Próxima SlideShare
Cargando en…5
×

Smart mobility en smart cities

3.677 visualizaciones

Publicado el

Posicionamiento del inLab FIB y visión sobre la smart mobility en las smart cities. Presentación del Dr. Jaume Barceló, responsable de proyectos de Transporte y TIC en el inLab FIB.

Publicado en: Tecnología
0 comentarios
8 recomendaciones
Estadísticas
Notas
  • Sé el primero en comentar

Sin descargas
Visualizaciones
Visualizaciones totales
3.677
En SlideShare
0
De insertados
0
Número de insertados
27
Acciones
Compartido
0
Descargas
104
Comentarios
0
Recomendaciones
8
Insertados 0
No insertados

No hay notas en la diapositiva.

Smart mobility en smart cities

  1. 1. TRANSPORTE Y TIC ENinLab FIB:CONTRIBUCIÓN ALDESARROLLO DE MODELOS YHERRAMIENTAS PARA LA“SMART MOBILITY”inLab FIBinlab.fib.upc.eduinLab FIBResponsable de Proyectos deTransporte y TICJaume Barceló+34 93 401 69 41inlab@fib.upc.edu
  2. 2. Reflexiones sobre el desarrollo urbano y sus consecuencias2
  3. 3. Tendencias del desarrollo urbano DEVELOPMENT OF A CITY (source: Magnus Swahn, Conlogic, Sweden) 24.09.10 El desarrollo deMontecarlo: MIT Energy Futures/Transportation/Urban Systems las ciudades (Fuente: Magnus Swahn, Conlogic) 3• A partir de 2008 más del 50% de la población mundial vive en ciudades 3
  4. 4. Consecuencias del desarrollo urbano Separación de áreas de residencia y de trabajo Posibilitada por Impacto sobre la los sistemas de calidad de vida transporte Generación de Generación de emisiones congestión contaminantes Impactos sobre los consumos energéticos4
  5. 5. Smart City una respuesta tecnológica a los problemas del desarrollo urbano5
  6. 6. El concepto de Smart City• Es la respuesta que da la ciudad a los retos que le plantea el desarrollo y la penetración de las aplicaciones de las Tecnologías de la Información y de las Comunicaciones (TIC) en lo que se refiere a los desarrollos urbanos y socioeconómicos y a la calidad de vida.Las Políticas de desarrollo urbano• Se trata de afrontar de forma holística los retos y amenazas a su sostenibilidad: - en la gestión de infraestructuras críticas como el transporte, el agua, la energía o las comunicaciones, - en la prestación de servicios a ciudadanos y empresas 6
  7. 7. Conjetura primordial sobre las Smart CitiesLas soluciones• Se basan en la instrumentación y la interconexión de dispositivos móviles, sensores y actuadores• Que han de permitir la recogida de datos urbanos en cantidades sin precedentes, de una calidad superior a la actual• Cuyo análisis mejorará sustancialmente la capacidad de predecir y gestionar los flujos urbanos y con ello la capacidad de impulsar la gestión inteligente de la ciudad. Conjetura primordial sobre las Smart Cities (Chen-Ritzo et al. 2009)7
  8. 8. Sin embargo …• Las propuestas de soluciones para Smart Cities están más dominadas por los vendedores de tecnología que por las iniciativas de los gobiernos municipales (Belisent 2010, Schaffers et al. 2011)• Pero… “smart city solutions must start with the city not the smart”• Por densa que sea la sensorización y, a partir de ella, rica y variada la captura de datos: - Los datos por sí mismos no generan información - La información es el resultado del procesamiento de los datos8
  9. 9. Tecnología y Smartness de los datos brutos a la información eficiente. ¿Dónde está la inteligencia?9
  10. 10. Datos  Procesamiento  InformaciónSmartness  Efficient Data Collection (Technology) + Efficient Data Processing (Computer Models) PROCESAMIENTO DE LOS DATOS GENERACIÓN DE INFORMACIÓN CIUDAD  Infraestructura de CIUDAD: transporte + Red de Sensores  Gestión de Tráfico  Fijos (ETD, CCTV, BT…)  Demanda de Servicios de  Móviles: Vehículos, Personas Movilidad10
  11. 11. Áreas clave de aplicaciones en una Smart City11
  12. 12. Áreas clave de aplicaciones en una Smart City Áreas clave de aplicaciones en una Smart City (Schaffers et al. 2011)12
  13. 13. Smart Mobility desde la perspectiva del inLab FIB13
  14. 14. Punto de partida de la Smart MobilityLa movilidad (demanda) se ha deentender como• Un fenómeno social y económico• Consecuencia de la distribución en el espacio y en el tiempo de las actividades socioeconómicas• Que generan las necesidades de Zona Origen de desplazamiento de las personas y las Actividades mercancías Ruta de Origen a Destino• Entre los diferentes puntos de generación y atracción de dichas actividades, para poder realizarlas Zona Destino de Actividades 14
  15. 15. Caracterización de la movilidadEn términos de patrones de movilidad (demanda)• Matrices de viajes (origen-destino)• Número de viajes desde un origen a un destino o por un motivo específico (domicilio-trabajo, ocio, compras, ... ) en un período de tiempo dado Destino Origen τp t ij número de viajes del Origen i al Destino j en el periodo  por el propósito p 15
  16. 16. La necesidad de capturar la temporalidad de la movilidadEstimación estática de matrices de viajes (práctica habitual de laplanificación estratégica a partir de encuestas): o No se considera ninguna variación temporal en la demanda Counts for link k each Δt OD demand for Δt yk gij origins Time Horizon -T Time Horizon -T TEstimación dinámica de matrices de viajes (requiere fuentes de datos  tecnología) o Considera variabilidad temporal en la demanda  Imprescindible para “Smart Mobility” Counts for link k each Δt OD demand for Δtyk gij t t t 0 1 n Time Horizon -T Time Horizon -T T = t0 + t1 + …..+ tn16
  17. 17. Smart Mobility el papel de la tecnología en la estimación de la demanda de movilidad (Digital Travel Diary)17
  18. 18. Understanding Mobility: Electronic Data Collection for Activity Based Demand Modeling BCALs Micro Sensor data No operation needed Long-term monitoring In-store data Detailed actions observed GPS mobile phones Probe person survey Meso Dot data Creation of path data Practicable for a long term Operation of instrument needed Only GPS data Indoor data not observable Paper questionnaire Person trip survey Macro Inter-zone travel Zone Dependent on memory Decrease in accuracy Omission of recording of short trips Large burden Not practicable Zone for a long-termSource: Electronic Instrument Design and User Interfaces for Activity Based Modeling (Hato & Timmermann - 2008)18
  19. 19. Smart Mobility sensores y captación de datos de tráfico19
  20. 20. Escenarios tecnológicos plausibles para la Smart Mobility Vehicle n Vehicle n Vehicle n Reaches RSU k Reaches RSU m Reaches RSU p At time t1 At time t2 At time t3 i Vehicle n Vehicle n Leaves origin i Sends AVL message At time t0 Vehicle n At time t0+2t Sends AVL message At time t0+t Data (RSU Id, mobile Data (RSU Id, mobile device identity, time device identity, time stamp ti) sent by GPRS stamp) sent by GPRS to to a Central Server a Central Server RSU-IDx RSU-IDy Loop detectors / Magnetometers On-board unit of equipped vehicle n captured by RSU-IDx at time t1 AVL Equipped vehicle sends message (id, position, speed) at time t V2V exchange On-board unit of equipped vehicle n re- captured by RSU-IDy at time t220
  21. 21. Datos y calidad (valor añadido) de la informaciónA partir de los datos, si sucalidad lo permite, la calidad dela información que se generaráseráo una función del grado de sofisticación de las técnicas de procesamiento que se utilicen.Ejemplo de información cualitativa (a partir de un tratamiento primario): o Incompleta: sólo vías principales, 90% de la red vial sin información o Desfasada: viajes ya realizados → Sin capacidades predictivas 21
  22. 22. Síntesis del desarrollo de las herramientas degeneración de valor añadido para la Smart Mobility PROYECTOS SIMETRIA (Ref. P 63/08, 27.11.2008) Modelos de SIMulación para la Evaluación de Escenarios Multimodales de TRansporte Globales y RegIonAles (Ministerio de Fomento, Subprograma de Transporte e Infraestructura) (2009-2011) MITRA (Ref. TRA2009-14270) Modelos dinámicos de tráfico para la gestión integrada de corredores MICINN (subprograma MODAL) (2011-2012) In4Mo (Ref. TSI-020100-2010-690) Sistemas Avanzados de Información para la Movilidad de las personas y los Vehículos CDTI, Programa: Acción Estratégica de Telecomunicaciones y Sociedad de la Información, 2010. Subprograma: Avanza Competitividad I+D+I, 2010-2012. (2011-2012)22
  23. 23. Objetivos de In4Mo: desarrollo de herramientas para lageneración de información de valor añadido• Integración de datos de tráfico procedentes de diferentes tecnologías de detección mediante procedimientos de Fusión de Datos.• Desarrollo de Modelos Dinámicos de Tráfico que completen la información sobre el estado de la red vial de manera consistente con los datos observados y predigan su evolución a corto plazo.• Desarrollo de aplicaciones avanzadas para la Gestión Activa y la Información de Tráfico (ATIS/ATMS)23
  24. 24. Filtrado de datos atípicos, compleción de datos faltantes, fusión de datos heterogéneos TIPOS DIFERENTES DE FUENTES/DATOS DE TRÁFICO Filtrado de atípicos(Espiras, magnetómetros, CCTV, LPM, TAG, Bluetooth, GPS, … ) (Distancia de Mahalanobis para intensidad/ocupación) DATOS X DE DATOS Y DE INPUT INPUT FILTRADO: Eliminación de atípicos COMPLECIÓN DE DATOS FALTANTES Filtrado, compleción y MÓDULO DE FUSIÓN DE DATOS predicción mediante Filtro NÚCLEO: HIPÓTESIS de Kalman (Hipótesis de la teoría del tráfico: modelos de flujos de tráfico) CAPSULA: TÉCNICAS DE ASIMILACIÓN (Técnicas estadísticas, Filtros No lineales, Resultado de la fusión mediante Filtro de Kalman…) modelo de simulación de tráfico mesoscópico, a partir de medidas en varios tipos de sensores: ocupaciones en toda la red OUTPUT: Datos Fusionados APLICACIONES 24
  25. 25. Estimación del estado de la red en el período  a partir de fusión de datos y uso de modelos DATOS DE FILTRADO Y MODELOS ESTIMACIÓN TRÁFICO DE LOS FUSION DE DINÁMICOS ESTADO DE LA SENSORES DATOS DE TRÁFICO RED URBANA Destino Origen τp t ij número de viajes del Origen i al Destino j en el periodo  por el propósito p Perfiles datos del periodo  pτMATRIZ OD INICIAL ( tij ) PERIODO  Modelo de MATRIZ OD DEL SIMULADOR Filtro de PERIODO DE MESOSCÓPICO Kalman para TIEMPO  DE TRÁFICO la Estimación de la Matriz OD del periodo  Información obtenible (fusión+modelos): COMPLETA Información actual en web BCN: 25 INCOMPLETA
  26. 26. Información de valor añadido a partir de la estimación del estado de la red El vehículo entra en la red por A con destino a B en el instante t BA Información de valor añadido: Caminos alternativos de A a B con tiempos de viaje esperados similares. El valor esperado (predicción) del tiempo de recorrido en lugar del tiempo de recorrido realizado por los vehículos precedentes 26
  27. 27. Un concepto innovador para la Gestión Activa del tráfico:el Macro Fundamental Diagram (MFD) Área urbana a gestionar CUESTIÓN CLAVE ¿CUÁL ES LA CAPACIDAD DE LA RED URBANA? Daganzo / Geroliminis (2007) Idea intuitiva Consideremos un área urbana dada como un embalse con : - Flujo de entrada qin  q(t) (vehículos por unidad de tiempo) - Función de salida e = G(n) (vehículos por unidad de tiempo) - Número de vehículos acumulados en el sistema en el DATOS DE TRÁFICO FUSIONADOS instante t, n(t)  Estado del sistema PROCEDENTES DE LOS SENSORES QUE EQUIPAN EL ÁREA URBANA A GESTIONAR Identificación punto del diagrama (A, B,…) en el que opera la red urbana a gestionar en ese momento27
  28. 28. Smart Mobility: la gestión activa basada en el MFDA partir del MFD (Macro Fundamental Diagram) en combinacióncon Información de rutas del área a gestionar• La identificación de las condiciones de operación (A, B, … ) y su punto crítico• Permite un nuevo concepto de gestión permitiendo o restringiendo los accesos (GATE-IN, GATE-OUT) 28 28
  29. 29. Verificación por simulación del MFD del Ensanche de Barcelona Un modelo de simulación microscópica de tráfico emula de manera realista la evolución temporal del tráfico en el Ensanche de Barcelona. Desde periodos de tiempo sin congestión hasta situaciones de congestión. Se observa la evolución del MFD a medida que crece la demanda y la captura de datos procedentes de los sensores.29
  30. 30. Arquitectura conceptual del proyecto In4Mo DISEMINACIÓN DE LA INFORMACIÓN INTEGRACIÓN DE DATOS Y COMPLECIÓN DE LA INFORMACIÓN FUNCIONES ATIS PLATAFORMA • NIVELES DE SERVICIO TECNOLÓGICA ESTIMACIÓN •TIEMPOS DE RECORRIDO: DE PATRONES ESTIMACIÓN Y SISTEMA DE RECOGIDA DINÁMICOS DE PREDICCIÓN A CORTO TRATAMIENTO DE DATOS PLAZO FILTRADO MOVILIDAD •PROVISIÓN DE RUTAS• ETD (Espiras) (ATÍPICOS) (MATRICES (MULTIMODALIDAD)• VEHÍCULOS EQUIPADOS FUSIÓN OD) •OTRAS……GPS/GPRS (FCD) (HETEROGÉNEOS)• DISPOSITIVOS MÓVILES +(BLUETOOTH) MODELO DATOS FUNCIONES ATMS• TECNOLOGIAS V2I FALTANTES •ESTIMACIÓN ESTADO MODELO RED VIAL (MFD) DINÁMICO DE •GESTIÓN ACCESOS FLUJOS DE •ENRUTAMIENTOS TRÁFICO • OTRAS…… MESOSCÓPICO SOPORTE A LA GESTION 30 30
  31. 31. In4Mo: Información avanzada (tiempo real+ predicción corto plazo) y soporte a la Gestión Activa TIEMPOS DE RECORRIDO (+ PREDICCIÓN) Y RUTAS ALTERNATIVASNIVELES DE SERVICIO EN TODA LA RED31
  32. 32. Compleción del Sistema de Soporte a la Smart Mobility integración de la Información Multimodal en tiempo real32
  33. 33. ATIS: Real-Time Advanced Journey PlannerSistema interactivo, integrado, multimodal, de ayuda a latoma de decisiones (pre-trip, in-trip) PLANIFICADOR DE RUTAS AB EN VEHÍCULO PRIVADO DISTANCIA………………… TIEMPO……………………... COSTE………………………. HUELLA DE CO2…………… INCIDENTES………………… P&R EN TRANSPORTE PÚBLICO DISTANCIA………………… TIEMPO……………………... COSTE………………………. HUELLA DE CO2…………… INCIDENTES………………… P&R EN COMBINACIÓN MODAL: PRIVADOPÚBLICO DISTANCIA………………… TIEMPO……………………... COSTE………………………. P&R HUELLA DE CO2…………… INCIDENTES………………… Urbano Inter-Urbano33
  34. 34. Cadenas modales yselección de rutas multimodales en tiempo realBuscador de caminos multimodales basado en el concepto de hiper-caminosdependientes del tiempo con ventanas de tiempo para aceder a los nodosde transferencia modal, en redes de transporte multidimensionales, en las quecada capa corresponde a un modo de transporte, incorporando criterios debúsqueda que integren los objetivos del usuario34
  35. 35. Conclusiones • La instrumentación y la interconexión de dispositivos móviles, sensores y actuadores en una Smart City • Permite la recogida de datos urbanos en cantidades sin precedentes, de una calidad superior a la actual • Que pueden ser tratados por modelos computacionales avanzados para generar una información de calidad y valor añadido, que soportan aplicaciones ATIS/ATMS • MEJORES MEJORES MEJOR MEJORES DATOS MODELOS INFORMACIÓN SERVICIOS35
  36. 36. Smart mobility Colaboración, compartición y redes sociales36
  37. 37. Compartición dinámica de trayectos • Compartición dinámica de trayectos punto a punto. • Se ha iniciado una prueba piloto en Begues para compartir vehículos privados para acceder a la estación de Gavá. Los usuarios pueden solicitar el transporte con sólos unos minutos de antelación. • Se utiliza tecnología móvil y servidor de tracking. Los principales retos del proyectos son sociales y de seguridad.37
  38. 38. Actualización información geográfica• OpenStreetMap – Entorno colaborativo de edición de mapas.• inLab FIB lidera la iniciativa OpenStreetMap en Cataluña• Actualización social de la información de las infraestructuras de transporte38
  39. 39. Captura social de datos• tooPath, aplicación propia de tracking• Aplicaciones móviles contextuales para ofrecer servicios contextuales, compartir localización en redes sociales• Experiencia en entornos de participación ciudadana• Integración con redes sociales• Captura social de datos de tráfico (pasiva o activa)39
  40. 40. Otras áreas de experiencia inLab FIB40
  41. 41. Áreas de especialización I+D+iinLab FIB integra profesorado de diferentes departamentos dela UPC y su propio personal técnico para ofrecer solucionesen diferentes áreas41
  42. 42. Smart Cities• Simulación de eficiencia energética de edificios (EeB)• Eficiencia energética en el transporte• Aplicaciones contextuales para el deporte y la salud• Participación ciudadana• Smart Mobility42
  43. 43. Más información http://inlab.fib.upc.edu inlab@fib.upc.edu +34 93 401 69 41 c/ Jordi Girona 1-3 Campus Nord. Edifici B6 08034 Barcelona Twitter: @inLabFIB43

×