Predicción a corto plazo en la gestión de movilidad - KAPSCH

Kapsch TrafficCom Transportation

Predicciรณn a corto plazo en la gestiรณn de la movilidad: detecciรณn temprana de perfiles de trรกfico inusuales.

15 de noviembre de 2019

Contenido 1.

El futuro de la gestión de la movilidad: información y predicción

2.

Tecnología y casos de uso

3.

Ámbito interurbano

4.

Ámbito urbano

5.

Conclusiones

Futuro La magia detrás de la nueva tecnología: Big Data, AI y Machine and Deep Learning

Big Data (BD)

Machine Learning (ML)

Usualmente se refiere a datos que no pueden ser procesados efectivamente con aplicaciones tradicionales debido al reto de capturar, almacenar, transferir, consultar y actualizar datos en cantidades tan grandes.

Se refiere a una de las ramas de la IA que se basa en la idea de que deberíamos dar a las máquinas acceso a los datos y dejar que aprendan por sí mismas.

Inteligencia Artificial (IA)

Deep Learning (DL)

Rama de la informática que tiene como objetivo crear máquinas inteligentes. Es decir, máquinas que emulan el rendimiento humano, normalmente mediante el aprendizaje, la comprensión de conceptos complejos, la obtención de conclusiones o el diálogo con las personas.

Se refiere a una parte de una familia más amplia de métodos de Machine Learning basados en representaciones de datos de aprendizaje centradas en redes neuronales, a diferencia de los algoritmos específicos de tareas.

www.kapsch.net | 3

Aplicaciones La Ciencia de los Datos

Diagnósticos Médicos Control del Fraude

Big Data

Conducción Autónoma

Inteligencia Artificial

ITS Movilidad

Machine and Deep Learning Análisis del Comportamiento Meteorología Seguridad

www.kapsch.net | 4

Aplicaciones en ITS Kapsch R&D

Kapsch tiene 4 líneas principales de I+D en relación con estas Tecnologías Clasificación de Vehículos

MADUREZ

Peaje Nacional en Bulgaria

Map Matching

Predicción Analítica

Varios Pilotos Realizados

Detección de Incidentes

Varios Pilotos en Curso

www.kapsch.net | 5

Módulo Predictive Analytics (PAM) EcoTrafiX suite

permite aplicar tecnologías de Inteligencia Artificial (AI) al análisis de información de tráfico y movilidad, posibilitando el desarrollo de diferentes casos de uso relacionados con la caracterización de la demanda (patrones de tráfico, matrices OD), la detección temprana de anomalías o la predicción a corto y largo plazo. está específicamente optimizado para el análisis y tratamiento de información de movilidad utilizando series temporales de datos (históricos).

Generación automatizada de patrones de equilibrio

Detección de anomalías y variación respecto a patrón

Predicción de anomalías y variación respecto a patrón

www.kapsch.net | 6

Módulo Predictive Analytics (PAM) El módulo PAM proporciona patrones y predicciones a corto y largo plazo en tiempo real.

Los patrones permiten caracterizar el comportamiento del tráfico en cada punto de medida y tramo, clasificándolos por las características de los días.

Predicción : Datos reales Patrón Predicción +15m Predicción +30m

Patrones intensidad: Lab L-J Viernes Sábados Festivos

www.kapsch.net | 7

¿Para qué no sirve PAM? El Módulo de Análisis Predictivo es muy bueno en lo que hace, pero no es una varita mágica

Previsión de tráfico para toda una ciudad o región

Análisis “Qué pasaría si…”

¿Tendré una predicción de tráfico para todas y cada una de las carreteras o calles de la ciudad?

Y el accidente acaba de ocurrir, ¿cómo va a ser afectado el tráfico en 30 minutos?

No tiene mucho sentido aplicar esta tecnología a todas las redes de tráfico. El PAM debe desplegarse en las principales vías urbanas (arterias), autopistas, etc.

Ahora mismo, este tipo de análisis debe realizarse con herramientas de simulación.

Mañana tenemos previsto un cierre de carril, ¿cómo afectará al tráfico?

El PAM ha sido probado en entornos controlados. Los proyectos de mayor envergadura deben ser analizados específicamente.

Análisis de la causa raíz

Predicción de incidentes

¿Este empeoramiento del tráfico se debe a un incidente? ¿Cuánto tiempo durará?

¿Cuándo y dónde es más probable que ocurran los incidentes? ¿Qué pasará mañana?

PAM analiza las consecuencias, no las causas.

PAM predice anomalías, no incidentes.

PAM detecta anomalías, pero no detecta incidentes, y no comprueba las anomalías con los datos del incidente.

Es factible hacerlo pero debe hacerse con un enfoque de IA diferente.

Es factible hacerlo pero debe hacerse con un enfoque de IA diferente.

www.kapsch.net | 8

Aclaraciones Hay dos maneras de hacer predicciones de tráfico, Ambos son diferentes, pero pueden ser complementarios: • basado en análisis de datos (AI), o • basado en simulación

Análisis de datos (AI) El sistema aprende de los datos históricos y del comportamiento normal (patrones). Prevé las condiciones de tráfico en función de la situación actual de cada nodo de la red y de los nodos relacionados.  Reducción del tiempo y del coste de implementación.  Muy alta precisión, incluso en el caso de anomalías (siempre que haya

experiencia previa de la que el sistema pueda aprender).  No requiere calibración manual, el sistema aprende (sólo) de los datos

históricos.  Predicción continua en tiempo real. Requisitos de rendimiento reducidos  Depende de la disponibilidad y calidad de los datos. En realidad, ambas

soluciones dependen de ello.  Requiere un período mínimo de datos históricos.  No permite el análisis de "qué pasaría si”.  Los cambios importantes en la infraestructura pueden requerir un nuevo

proceso de captura de datos históricos.

Simulación Se trata de crear un entorno que simule todas las variables físicas y de comportamiento del tráfico, lo más cerca posible de la realidad, para estimar los resultados a partir de las ejecuciones del modelo con datos de entrada específicos (demanda).  Permite generar análisis de "qué pasaría si…”.  Permite el análisis de cambios en la capacidad o infraestructura.  Permite el análisis bajo demanda (offline).  Depende de la disponibilidad y calidad de los datos. En realidad, ambas

soluciones dependen de ello.  Requiere la creación de redes y la calibración de modelos para obtener

resultados fiables.  Debe ser mantenido y recalibrado periódicamente o en el caso de cambios en

la infraestructura. Alto coste.  Requiere simulación de modelo continua (en línea) si se desea un pronóstico

continuo. www.kapsch.net | 9

Casos de Uso ¿Qué se puede hacer con el Análisis Predictivo?

mejora operativa casos de uso

Es una herramienta que nos permite construir casos de uso que mejorarán la operación en los CGTs.

análisis predictivo datos

Day 0 use cases Listo para ser desplegado

Day 1 use cases Listo para ser desplegado pero será necesario algún desarrollo

PoC use cases Listo para ser analizado

www.kapsch.net | 10

Casos de Uso Day 0 use cases

Day 1 use cases

PoC use cases

Patrones de tráfico

Cuadros de mando de alto valor

Predicción de otras series temporales (parking, etc.)

Detección de anomalías

Análisis y uso de variables correlacionadas

Proactive Traffic Control (PTC)

Predicción de anomalías

Predicción de tiempo de viaje

www.kapsch.net | 11

UC 1: Patrones Los ingenieros de tráfico utilizan patrones de tráfico para caracterizar la demanda real y cómo se distribuye a lo largo del calendario.

Entender la tipología de los días que impactan en las condiciones de tráfico Exportación de datos para alimentar sistemas externos, como herramientas de ingeniería de tráfico, simuladores, etc. Por ejemplo, "hay un evento con un cierre de carril este viernes, ¿qué datos de demanda debo usar para probar el impacto?

Predicción a largo plazo para los próximos días Detección de anomalías de datos, errores, calendario mal configurado, etc.

Los clusters residuales permiten analizar días con comportamientos especiales pero impredecibles, así como incidentes que afectaron significativamente al tráfico.

Estimación VS cálculo real basado en datos Tradicionalmente, los ingenieros de tráfico calculan los patrones manualmente, basándose en su experiencia.

Calculan los perfiles promedio de los días que estiman que pueden tener un comportamiento similar. Esta generalización incorpora altas tasas de error. Sin embargo, PAM selecciona automáticamente la mejor combinación posible de patrones.

¿Cuál es la demanda de tráfico y cómo varía? ¿Qué características lo determinan? ¿Cuál es la evolución en los últimos años?¿Qué datos debo utilizar para alimentar las herramientas de ingeniería?¿Cómo será el tráfico mañana? ¿A qué hora será mañana el pico de la mañana? www.kapsch.net | 12

UC 2: Detección de anomalías Una anomalía es una situación de tráfico significativamente peor de lo esperado.

PAM monitorea continuamente las variables de tráfico.

Compara las condiciones actuales con las que cabría esperar según el patrón, detectando las anomalías que se producen.

Capa específica en el mapa de EcoTrafiX que muestra dónde el tráfico es peor de lo esperado

¿Dónde está el tráfico y no debería estar? ¿Dónde deben centrar su atención los operadores? ¿Cómo puedo informar a las partes interesadas de una situación anómala?

Evaluación de disparadores para activación/desactivación de alarmas Notificaciones automatizadas Parámetros de comparación configurables y umbrales de habilitación Ejecución opcional de planes de respuesta Generación de eventos opcional

En muchos casos, los mapas tradicionales de estado del tráfico son de uso limitado. Indicando que el tráfico es malo donde siempre es malo no proporciona información valiosa a los operadores. El interés está en detectar dónde ocurre una anomalía.

www.kapsch.net |

UC 2: Detección de anomalías

1. Detect anomaly by comparison to pattern Trigger enabling threshold

Pattern Actual data

43%

63%

2. Evaluate and activate trigger 3. Activate alarm

Example of results from DGT test. A-4 Southbound (PK008)

4. Notify (distribution lists, ETX, etc.)

5. Show on map (“current vs pattern”)

6. Execute response plan (Optional) 7. Create event based on the alarm (Optional)

www.kapsch.net | 14

UC 3: Predicción de anomalías Una anomalía es una situación de tráfico significativamente peor de lo esperado PAM detecta anomalías futuras esperadas comparando los valores pronosticados con la situación actual y el patrón futuro.

Capas específicas en el mapa de EcoTrafiX que muestran el estado previsto en comparación con los valores actuales o el patrón futuro Evaluación de disparadores para activación/desactivación de alarmas

Notificaciones automatizadas Parámetros de comparación configurables y umbrales de habilitación

¿Dónde va a empeorar el tráfico? ¿Dónde va a empeorar el tráfico, y no debería? ¿Dónde deben centrar su atención los operadores? ¿Cómo puedo informar a las partes interesadas de una situación anómala?

Saber de antemano dónde se producirá un empeoramiento significativo del tráfico puede permitir una gestión proactiva de la situación, anticipando un plan de respuesta e informando a los conductores.

Ejecución opcional de planes de respuesta Generación de eventos opcional

www.kapsch.net | 15

UC 3: Predicción de anomalías 14:00

+30m

1. Detect anomaly by comparing forecasted values and future pattern

-28% Tigger enabling threshold

2. Evaluate and activate trigger Pattern Actual data 30m forecast

Example of results from DGT test. A-4 Northbound (PK012)

3. Activate alarm 4. Notify (distribution lists, ETX, etc.)

5. Show on map (“forecast vs pattern”, “forecast vs current”) 6. Execute response plan (Optional)

7. Create event based on the alarm (Optional)

www.kapsch.net | 16

Piloto Interurbano - DGT Demostrar algunas de las capacidades de Gestión de Operaciones de Movilidad que ofrece la plataforma sobre un entorno real.

¿Qué hacemos?

¿Dónde?

Despliegue de EcoTrafiX. Virtualizado.

CGT de Madrid

Gestión de equipos ITS: monitorización y control.

Del PK4 (M-30) al PK68 (comienzo R-4):

Pruebas de concepto de acceso directo 3G/4G sin pasar por ERU.



Dentro de la A-4 es la zona de mayor intensidad de tráfico.



Entorno de operación exigente.

Casos de uso relacionados con la gestión de la movilidad. Módulo avanzado de Predicciones.  Patrones de tráfico

Vías alternativas 

Alternativa principal: R-4. Tiempos de recorrido inferiores en determinadas franjas horarias (ejemplo: lunes 7AM).



Alternativas secundarias: A-42, M-307/M-301

 Predicción (corto y largo plazo)

www.kapsch.net | 17

Quality metrics - Tráfico interurbano

94%

96%

Accuracy in longterm forecast *

Accuracy in shortterm forecast *

66% Anomalies forecasted**, with no false alarms

(*) Based on DGT test results (variable: speed; short term forecast horizons: 15min and 30 min; KPI: MAPE). Accuracy may be higher or lower depending on several factors: data quantity and quality, network coverage, etc. (**) An anomaly is defined as a 30% decrease in speed compared to the expected speed (pattern).

More than 450 anomalies analyzed. False positives <1,5%. Results based on historical data analyzed in lab environment

Cómo mejorar la precisión?  Elementos relacionados (red de tráfico bien configurada)  Calidad y cantidad de los datos (datos fiables, sin lagunas, etc.) (historial)  Distribución de datos (por ejemplo, disponibilidad de datos de los elementos que pueden influir en nuestra área de

estudio)  Mayor profundidad de los árboles de decisión (mayor dimensionamiento del hardware y tiempo de formación)  Incorporar variables adicionales relacionadas (como el clima, etc.)

www.kapsch.net |

Quality metrics - Tráfico Urbano

96%

97%

Accuracy in longterm forecast ***

Accuracy in shortterm forecast ***

XX% Anomalies forecasted****, with no false alarms

(***) Based on Valladolid test results (variable: load; short term forecast horizons: 10min, 20min; KPI: MAPE). Accuracy may be higher or lower depending on several factors: data quantity and quality, network coverage, etc. MAPE is highly affected by low values (!) (****) Anomalies detection and prediction results is pending.

Cómo mejorar la precisión?  Elementos relacionados (red de tráfico bien configurada)  Calidad y cantidad de los datos (datos fiables, sin lagunas, etc.) (historial)  Distribución de datos (por ejemplo, disponibilidad de datos de los elementos que pueden influir en nuestra área de

estudio)  Mayor profundidad de los árboles de decisión (mayor dimensionamiento del hardware y tiempo de formación)  Incorporar variables adicionales relacionadas (como el clima, etc.)

www.kapsch.net |

Conclusiones

La tecnología ya está probada y depurada.

Para obtener resultados de calidad es necesario disponer de información de calidad.

Es necesario invertir en herramientas que permitan convertir los datos en información útil.

Es necesario adecuar los recursos y procedimientos a las nuevas herramientas y tecnologías.

www.kapsch.net | 20