PONENCIA BIDEMAP. ESTUDIO DE LA MOVILIDAD PEATONAL Y PREDICCIÓNES EN BASE A LOS DATOS OBTENIDOS DE SMARTKALEA
Noviembre 2018
1
# SOMOS_ • Ingeniería integradora de sistemas de control. • MISIÓN: Desarrollo de sistemas avanzados para optimizar la movilidad peatonal y de vehículos en espacios públicos, edificios y aparcamientos • Con sede en Donostia-San Sebastián; cuenta con más de 17 años de experiencia. • Presencia internacional en Mexico, Chile, Colombia, Ecuador y Oriente Medio. • Nuestro departamento de I+D+i, camina muy ligado a las nuevas tecnologías y al concepto de ciudad inteligente “smart city” 2
Conteo de personas, control de aforo, tracking y geomarketing
Conteo de vehículos, clasificación, tracking y gestión de aparcamientos
BIDEMAP. ESTUDIO DE LA MOVILIDAD PEATONAL EN BASE A LOS DATOS OBTENIDOS DE SMARTKALEA – INTRODUCCIÓN – Diagnóstico de la situación – OBJETIVOS – – – –
SOLUCIÓN PROPUESTA Predicción a corto plazo Predicción a largo plazo Predicción contextual y correlaciones entre sensores
– CONCLUSIÓN
4
• Tradicionalmente, la problemática de la movilidad ha estado centrado en los vehículos • Conocer el estado del tráfico • Transporte público • Disponibilidad de plazas libres de aparcamientos
MOVILIDAD DE PERSONAS
• Sin embargo la movilidad de las personas no ha tenido la misma relevancia que la de los vehículos: • Por dónde se mueven las personas en la ciudad? • Qué influencia tiene el entorno en su comportamiento? • Cuales son los focos de atracción? 6
# CONTEXTO_ LA MOVILIDAD PEATONAL • • • •
La información disponible es por ‘sensaciones’ Desconocimiento del tráfico peatonal Situaciones de riesgo, aglomeraciones Difícil predecir la evolución
#CONTEXTO_ CONSECUENCIAS NEGATIVAS • • • •
Formación de colas Aglomeraciones en eventos Dificultad en la planificación de recursos Uso deficiente de los espacios públicos
#CONTEXTO_ INTRODUCCIÓN AL PROYECTO • Contamos con una larga experiencia en la captura de datos para el conteo de personas • Innovación continua en nuestras soluciones • Disponemos de datos históricos de una zona emblemática de la ciudad • Contamos con la colaboración de Tecnalia, con un importante ‘know how’ en el área de movilidad • En resumen, tenemos una base sólida para abordar el proyecto BIDEMAP 9
# FASES Y FINANCIACIÓN
#PROYECTO_
DATOS DE PARTIDA DEL PROYECTO BIDEMAP: SMARTKALEA • • • • • •
En 2.014 Fomento de San Sebastián lanza el proyecto Smartkalea Es un proyecto de colaboración público-privada Inicia su recorrido en la Calle Mayor de la Parte Vieja Donostiarra En la actualidad cubre la Parte Vieja (7 calles) y una zona de Altza Prevista una ampliación en Amara durante 2019 Se han desplegado diferentes verticales, orientadas al ahorro energético, el consumo de agua y en general a la mejora del comercio en esta zona • Una de las aportaciones más novedosas del proyecto es el despliegue de un sistema de conteo de personas y tracking 11
SENSORES
13
BASE DEL PROYECTO SMARTKALEA • •
Se dispone de un histórico de datos significativo La anterior información nos permitirá: • Mejorar la calidad del registro de datos • Predecir datos futuros
Partiendo de los datos anteriores, abordamos el proyecto BIDEMAP El proyecto se está desarrollando en colaboración con TECNALIA
#OBJETIVOS DEL PROYECTO_ Se trata de disponer de un mapa de movilidad peatonal de la ciudad o una zona dentro de la misma y realizar una predicciรณn tanto a corto como a largo plazo de la movilidad, basรกndonos en datos histรณricos y algoritmos de inteligencia artificial que nos permitan realizar una predicciรณn fiable 15
INFLUENCIA FACTORES EXTERNOS • • • • • • •
Lloverá mañana? Hay un concierto la próxima semana Aumenta el parque automovilístico? Empieza el festival de jazz Es festivo en una ciudad vecina? Se inaugura un edificio …………
#DETALLES DEL PROYECTO. BASE DE DATOS • Análisis preliminar y alcance • En la actualidad se dispone de datos de las 7 calles principales de acceso a la Parte Vieja • Rango de fechas
17
#DETALLES DEL PROYECTO. BASE DE DATOS
o Consideraciones sobre los datos: o Depuraciรณn de los datos o Correcciรณn valores nulos
18
#DETALLES DEL PROYECTO. BASE DE DATOS o Dataset final: o Periodo: 11/08/2017 al 19/04/2018 o Volumen de datos tratados: 540.000 instancias o Trabajamos con el 70% de datos de la parte inicial y el 30% restante para contrastar los resultados o LimitaciĂłn de la muestra: no se dispone de los datos completos de una aĂąo, lo que limita las predicciones en periodos donde no hay datos
19
#DETALLES DEL PROYECTO
Predicción a corto plazo • Actualmente se registran los datos cada 15’ • Queremos predecir un dato en las próximas horas • Se construye un modelo predictivo que tiene que como entradas una ventana de lecturas anteriores al dato a predecir, y como salida el dato predicho (modelo autoregresivo) METODOLOGÍA
Se definen 2 variables: • Profundidad • Horizonte de predicción
20
#DETALLES DEL PROYECTO
21
#DETALLES DEL PROYECTO RESULTADOS Trabajamos con series temporales de entrada y salida de cada uno de los sensores, para los horizontes de predicción 1, 2 y 3 (15, 30 y 45 minutos) con ventanas de profundidad de 20 posiciones. Dependiendo del sensor, las salidas o las entradas, la predicción es más o menos ajustada a los datos reales, con coeficientes de correlación R2* superiores a 0,7 y errores cuadráticos medios (RMSE) entorno al 10% Aumentando el horizonte de predicción, ésta se degrada, invariablemente para todas las localizaciones. Estos modelos predictivos básicos pueden mejorarse incluyendo nuevas características (meteorología, eventos, etc.) Utilidad: previsión temporal próxima: eventos, dinámica comercial de un día….. * El R2 es el porcentaje de variación de la variable de respuesta que explica su relación con una o más variables predictoras. Por lo general, mientras mayor sea el R2, mejor será el ajuste del modelo a sus datos. El R2 siempre se encuentra entre 0 y 100%2 superiores a 0.7 (buen resultado
#DETALLES DEL PROYECTO
#DETALLES DEL PROYECTO
Predicción a largo plazo • Basadas en caracterizaciones temporales de los sensores • Se pueden obtener para cualquier momento futuro, sin depender de disponer de lecturas inmediatamente anteriores • El modelo se construye de forma que vaya actualizándose y corrigiéndose a medida que se tengan nuevas observaciones.
#DETALLES DEL PROYECTO METODOLOGÍA • Se basa en la detección de patrones en los datos conocidos • Los datos se agrupan por días, y éstos se agrupan por similitud, formando patrones. Cualquier día del año podría predecirse • Transformamos cada día (96 lecturas de flujo), en otras características de las que sí dispongamos en el futuro, como por ejemplo, variables de calendario.
Características Lunes Soleado Invierno ……. Sábado Frío Sª quincena ..….
#DETALLES DEL PROYECTO
26
#DETALLES DEL PROYECTO RESULTADOS La prueba de este modelo se ha realizado usando la misma partici贸n que para la predicci贸n de corto plazo; hay una degradaci贸n de la calidad de la predicci贸n, como se puede observar en la Tabla
#DETALLES DEL PROYECTO
La curva de predicciรณn tiene un trazado sin cambios bruscos por la forma de calcular la misma
#DETALLES DEL PROYECTO Predicción contextual y correlación entre sensores La predicción contextual permite obtener predicciones de los resultados que va a obtener un sensor, usando como entradas los datos capturados por los demás sensores. Utilidades • Predicción en un sensor cuando no está operativo (avería…) • Predicción en un lugar en el que no hay sensor, previo modelado con un sensor temporal durante un periodo de tiempo • Establecer correlaciones entre sensores, pudiendo analizar cómo se comportan en función de los demás • Establecer correlaciones con sensores de otras partes de la ciudad cuyo tráfico de peatones en principio no está relacionado. 29
#DETALLES DEL PROYECTO Predicción contextual y correlación entre sensores METODOLOGÍA El método de predicción funciona de forma análoga al método presentado para la predicción a corto plazo, con la diferencia de que en este caso en vez de usar una ventana de observaciones del sensor predicho, se usan tantas ventanas de observaciones como sensores circundantes
30
#DETALLES DEL PROYECTO
5.2 Resultados 31
#DETALLES DEL PROYECTO SMARTKALEA. CORRELACION ENTTRE CALLES SAN JERร NIMO Y NARRIKA MESES FEBRERO-MARZO 2018 (ENTRADAS) 14000 12000 10000 8000 6000 4000 2000 0
San Jerรณnimo
Narrika
MESES FEBRERO-MARZO 2018 (SALIDAS) 18000 16000 14000 12000 10000 8000 6000 4000 2000 0
San Jerรณnimo
Narrika
#DETALLES DEL PROYECTO SMARTKALEA. CORRELACION ENTRE CALLES SAN JERร NIMO Y NARRIKA DIAS 8, 9 Y 10 OCTUBRE. ENTRADAS POR HORA 1800 1600 1400 1200 1000 800 600 400 200 0
San Jerรณnimo
Narrika
DIAS 8, 9 Y 10 OCT - 2018. SALIDAS POR HORAS 1600 1400 1200 1000 800 600 400 200 0
San Jerรณnimo
Narrika
#DETALLES DEL PROYECTO IMPORTANCIA RELATIVA PARA SOFT-SENSING CALLES
S1. San Jerónimo S2. Mayor S3. Narrika S4. 31 de Agosto S5. Puerto S6. San Lorenzo S7. Fermín Calbetón
#DETALLES DEL PROYECTO RESULTADOS
De los resultados de la tabla se desprende que salvo en la ubicaciรณn 5, (muchas lecturas con valor 0), para el resto de localizaciones es posible obtener predicciones de las salidas a partir de las entradas de los demรกs sensores Los errores se mantienen entorno al 20%, siendo unas predicciones razonablemente buenas.
35
#DETALLES DEL PROYECTO RESULTADOS
En la matriz se observa que las entradas registradas en S2 son muy relevantes para la mayorĂa de sensores, mientras que para S6 las entradas mĂĄs relevantes son las de S3 36
#DETALLES DEL PROYECTO MAPAS DE CALOR Visualización de los flujos registrados por los sensores, mediante un gráfico interactivo que permite observar el tráfico de gente que entra y sale de cada acceso en cada instante de tiempo, con el fin de: Comprobar si existen las correlaciones entre las salidas y entradas de cada sensor (puntos de aglomeración constante) Analizar si los flujos registrados por un sensor, están correlacionados con otros Verificar de forma visual si existen conexiones directas entre los diferentes sensores en instantes de tiempo contiguos, de forma que puedan percibirse patrones que puedan sustentar hipótesis basadas 37 en flujos
#DETALLES DEL PROYECTO MAPAS DE CALOR
Para la representación mantenemos en el espacio la colocación original de los sensores (según sus coordenadas geográficas) situando las burbujas por pares que representan las entradas y salidas del mismo sensor
38
CONCLUSIONES • Predicción
• Aumenta la seguridad: Aviso automático de exceso de aforo o aglomeraciones • Mejora en la calidad del dato • Monitorización en tiempo real. Mapas de calor. • Información de interés para los diferentes actores • Gestión eficiente de los recursos • Reorganización de espacios públicos 39
# BENEFICIARIOS DE LOS RESULTADOS VENTAJAS Y BENEFICIOS El servicio tendrá tres actores beneficiarios: • Los peatones, que pueden tener una información en tiempo real del movimiento de personas en el entorno y una predicción, para planificar su actividad • El Comercio y Turismo que dispondrá de información del entorno y con ello realizar actuaciones que permitan captar más visitantes, ofreciendo promociones y midiendo el impacto de sus campañas de marketing • La Administración, que dispondrá de una información global, que le permitirá mejorar la movilidad de peatones en la ciudad y aumentar la seguridad, anticipándose a posibles situaciones de riesgo que se generen ante cualquier evento que previsiblemente convoque un número elevado de personas. 40
Muchas gracias! Eskerrik asko! Roberto GarcĂa Lafuente robertogl@dinycon.com
DINYCON SISTEMAS 41