DINYCON - Inteligencia artificial y flujos de personas

Sensores Virtuales: Inteligencia artificial para la predicción de flujos de personas Roberto García Lafuente CEO Dinycon Sistemas S.L. 18 de noviembre de 2.022

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 • Fundada en el año 2.000, con sede en Donostia-San Sebastián.

• Presencia internacional en Mexico, Chile, Colombia, Ecuador y Oriente Medio.

• Nuestro departamento de I+D+i, camina muy ligado a las nuevas tecnologías, la Inteligencia Artificial y al concepto de ciudad inteligente “smart city”

Sensores Virtuales: Inteligencia artificial para la predicción de flujos de personas – – – – – – – –

INTRODUCCIÓN CONTEXTO OBJETIVOS PROCESO DE GENERACIÓN DE LOS SENSORES VIRTUALES RESULTADOS CASOS DE USO CONCLUSIONES AGRADECIMIENTOS

CONTEXTO • Tradicionalmente, el estudio de la movilidad ha estado enfocada a los vehículos motorizados • La movilidad de las personas, está cobrando cada vez mayor relevancia para: • •

Conocer los flujos y ocupación de espacios públicos Predicción de la movilidad peatonal

• Sectores de interés: • Administración pública • Comercio • Turismo

CONTEXTO • Por dónde se mueven las personas en la ciudad?

• Qué influencia tiene el entorno en su comportamiento?

• Cuales son los focos de atracción?

• La información disponible es por ‘sensaciones’ • Desconocimiento del tráfico peatonal • Difícil predecir la evolución • Situaciones de riesgo, aglomeraciones

CONTEXTO EVOLUCIÓN DE LA MOVILIDAD PEATONAL • Cada vez se despliegan más sensores de conteo • Se utilizan diferentes tecnologías: • Visión estereoscópica (identifica volúmenes) • Analítica de imágenes • Detección de señales de teléfonos móviles • Sin embargo, estamos lejos de tener un mapa relevante de la movilidad peatonal, por dos razones: • Dificultad en el despliegue • Altos costes

OBJETIVOS • Generar un mapa de movilidad peatonal de la ciudad, que aporte en tiempo real información sobre la movilidad • Identificar las ubicaciones y variables del entorno que aporten mayor información • Encontrar patrones de comportamiento que faciliten la predicción de la movilidad peatonal a través de los SV

PUNTO DE PARTIDA • Necesitamos disponer de un volumen histórico de datos significativos • Es fundamental que los datos sean de calidad • Manejar herramientas de Inteligencia Artificial

PROCESO GENERACIÓN SENSOR VIRTUAL 1- SELECCIÓN DE LOS SENSORES DONANTES

• Siguiendo criterios intuitivos: – Proximidad a los futuros sensores virtuales – Dinámica similar de la zona (comercial, de paso….)

• Siguiendo criterios puramente matemáticos: relaciono todos los sensores existentes con el futuro sensor virtual, detectando los que aportan mayor información en base a métricas de error y correlación.

• Dependiendo del número de sensores desplegados, el anterior puede ser un proceso largo y tedioso

PROCESO GENERACIÓN SENSOR VIRTUAL EJEMPLO

• •

R2: Coeficiente de determinación: 1 –(realprediccón)2/(real-media)2. valores en torno a 0,8 se consideran buenos RMSE: (Root Mean Square Error): error cuadrático medio: mide la cantidad de error que hay entre dos conjuntos de datos. En otras palabras, compara un valor predicho y un valor observado o conocido

PROCESO GENERACIÓN SENSOR VIRTUAL 2- FASE DE REGISTRO

• Hay una fase inicial de registro de datos reales • Se buscarán ubicaciones de interés o complejas donde el despliegue de sensores físicos resulte complicado – Proximidad a los sensores virtuales futuros – Dinámica similar de la zona (comercial, de paso….)

• Completar un periodo temporal representativo, donde se puedan identificar todos los patrones • Registro de datos adicionales para la fase de validación t entrenamiento

validación

PROCESO GENERACIÓN SENSOR VIRTUAL 3- FASE DE ENTRENAMIENTO

• Selección de una parte de los datos registrados • Limpieza y validación para construir el dataset • Entrenamiento con algoritmos de Inteligencia Artificial (machine learning y deep learning), basados en redes neuronales para conseguir buena precisión • Consideramos modelos basados en conjuntos de árboles de decisión, seleccionando Extra Trees Regressor con 200 árboles.

PROCESO GENERACIÓN SENSOR VIRTUAL 3- FASE DE ENTRENAMIENTO

• Finalizada esta fase, disponemos del algoritmo que será la base de funcionamiento del sensor virtual • El proceso de entrenamiento se puede repetir en cualquier momento en que se disponga de nuevos datos.

PROCESO GENERACIÓN SENSOR VIRTUAL 4- FASE DE VALIDACIÓN

• Se realizará con una parte de los datos registrados • Aplicaremos el algoritmo de IA sobre los datos registrados de los sensores donantes para la generación de datos del sensor virtual • Compararemos los datos generados anteriormente con los datos reales registrados por el ‘sensor virtual’ • Establecemos unos márgenes de confianza, dentro del cual consideramos que el dato generado es aceptable 180 160 140 120 100 80 60 40 20 0

Real Predicción confianza + confianza -

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73

PROCESO GENERACIÓN SENSOR VIRTUAL ESQUEMA GENERAL

RESULTADOS • Se detectan correlaciones bastante precisas en diferentes puntos de entornos próximos, lo que hace válido el planteamiento de sensores virtuales en este escenario • La obtención de patrones en los datos registrados reduce el tiempo de despliegue del sensor virtual en su fase registro de datos reales • Del conjunto de sensores donantes, se seleccionan finalmente los que más similitud tengan con el sensor virtual • El intervalo de confianza será nuestro indicador de la precisión del sensor en su fase de validación

20:00

16:00

12:00

08:00

04:00

00:00

20:00

16:00

12:00

08:00

04:00

00:00

20:00

16:00

12:00

08:00

04:00

00:00

1800 1600 1400 1200 1000 800 600 400 200 0

CASOS DE USO

ENTORNO DE PLAYAS

• Entorno más simple y dinámica similar en cada playa, muy dependiente de la meteorología • Identificación de patrones más sencilla, por lo que no requiere un periodo largo de entrenamiento • Recomendable hacer una selección de sensores donantes en los puntos de mayor flujo de personas

CASOS DE USO

ENTORNO DE CIUDAD

• Entorno más complejo al reunir una ciudad diferentes dinámicas de movilidad peatonal: Zonas comerciales, paseos, zonas de ocio, etc.

• Cada zona tiene sus propios patrones, horarios, etc. dependiendo de la actividad • Recomendable hacer una selección de sensores donantes de la misma zona para generar el sensor virtual más preciso • En la actualidad estamos desplegando un piloto en Donostia, utilizando datos del proyecto Smartkalea, facilitados por Fomento de San Sebastián

CONCLUSIONES • Ahorro en los costes de despliegue (en torno al 50%) • Creación de puntos de conteo ilimitados • Precisión suficiente para obtención de datos estadísticos • Creación del sensor virtual desde la propia plataforma de software • Podemos generar mapas de calor de movilidad peatonal más completos

AGRADECIMIENTOS • TECNALIA, que se encargó de generar los algoritmos de Inteligencia Artificial en los que se basa el desarrollo de sensor virtual • FOMENTO DE SAN SEBASTIÁN, que nos facilitó los datos de campo y el despliegue del piloto para la validación de los sensores y también parte de la financiación a través de los Bonos Tecnológicos • SPRI, que nos financia parte del desarrollo a través del programa HAZITEK

Muchas gracias!

Eskerrik asko!

Roberto García Lafuente robertogl@dinycon.com

DINYCON SISTEMAS