Eines d’IA per a una mobilitat compartida i sostenible
Impactes de la intel.ligència artificial
- Dossier
- jul. 23
- 13 mins
La IA pot ajudar a gestionar processos complexos de la vida urbana, com ara la mobilitat. Gràcies a simuladors i servidors que posen en contacte persones que ofereixen el seu vehicle amb les que necessiten desplaçar-se, es poden arribar a reduir un 80% el trànsit i un 70% les emissions de CO2.
A començaments d’aquesta primavera havia d’anar, passada l’hora de dinar, a un lloc a la ciutat de Barcelona per fer-hi algunes gestions. La perspectiva d’una tarda llarga i assolellada em va fer concebre la idea d’una passejada amb bicicleta per la platja (visc a prop del mar). Com que la meva destinació no estava gaire ben comunicada amb transport públic, vaig decidir agafar el cotxe; a més, hi havia un pàrquing a prop i no era hora punta. Va ser un error. Quan vaig tornar de la meva ocupació fora de la ciutat, aquella tarda vaig continuar amb el cotxe fins a l’aparcament que havia triat. Amb trànsit fluid, els meus plans es complien de manera raonable. Però la tornada va ser molt diferent; en pocs minuts, i sense motiu aparent, em vaig trobar immers en un embús sense possibilitat d’escapar-me’n. Potser hi havia hagut un accident o hi havia carrers tallats per obres o manifestacions. No ho sé. Quan vaig arribar a casa m’havia quedat sense temps, però, sobretot, sense ganes de fer aquella passejada amb bicicleta. L’embús m’havia posat de mal humor, sense comptar la gasolina cremada, el temps malgastat i la contaminació, atmosfèrica i acústica, que havia generat.
Aquest episodi il·lustra la problemàtica del trànsit a les grans ciutats. El transport públic continua essent la millor solució per a la mobilitat, però és una resposta parcial: sempre hi haurà zones que no es comunicaran adequadament, ja que, quan les ciutats creixen, els barris nous triguen un cert temps —anys— a estar connectats de manera ràpida mitjançant el transport públic. Aquesta etapa sol ser prou llarga perquè sorgeixin barris nous en els quals es reprodueix el problema. És clar que la solució genèrica passa necessàriament per la mobilitat compartida; es tracta de treure vehicles que només transporten una persona de l’immens i frenètic formiguer humà en què es converteix una gran urbs en hora punta[1]. Hi ha receptes, conegudes des de fa temps, a les quals avui la intel·ligència artificial està donant un nou impuls.
El viatge compartit, a gran escala
El concepte de viatge compartit —al món anglosaxó rep el nom de carpooling o ridesharing— va néixer alhora que els vehicles, i el seu ús es remunta a dècades enrere. Hi ha diverses versions d’aquesta idea. Aquí ens referim al cas en què un conductor ofereix el seu vehicle per portar altres persones, per aprofitar així el viatge (en la bibliografia especialitzada es coneix com a peer-to-peer ridesharing). Hi ha altres modalitats que fins i tot poden fer augmentar el nombre de vehicles.
Els avenços de la intel·ligència artificial i les facilitats de comunicació permeten construir la tecnologia necessària per implantar la mobilitat compartida en una gran ciutat.
Aquesta fórmula es fa servir des de la segona meitat del segle passat en àmbits restringits, com en el cas de companys de feina que comparteixen cotxe per anar a la mateixa destinació o membres de la mateixa família que es reparteixen per la ciutat. En tots dos casos, la comunicació entre els agents que comparteixen el viatge es produeix de manera directa, sense originar cap despesa extra, i el problema d’optimització que s’ha de resoldre és trivial. Però la seva aplicació a gran escala encara està pendent. Ara, els avenços de la intel·ligència artificial, juntament amb les facilitats de comunicació, permeten construir la tecnologia necessària per implantar aquesta fórmula en una gran ciutat. Hem desenvolupat els mètodes que demostren la viabilitat d’aquesta idea a gran escala, amb un simulador que anticipa els beneficis que se’n poden esperar.
L’operativa del sistema proposat consisteix en l’enviament d’una petició a un servidor per part de cada persona que ofereix traslladar o que vol ser traslladada. Aquest servidor proporciona contínuament un servei de mobilitat compartida: rep les ofertes o les peticions i, en un temps limitat —un minut—, combina les ofertes de trasllat que encara no s’han utilitzat amb les peticions pendents de servir, mitjançant un procés d’optimització estocàstica[2]. A continuació, envia l’assignació corresponent a les ofertes i peticions considerades en aquest cicle, i continua amb el procés. En conjunt, una persona no ha d’esperar més de cinc minuts entre que envia la petició i rep la resposta.
Il·lustració © Romualdo FauraL’estalvi que pot proporcionar depèn dels criteris que es prioritzin. N’hi ha diversos, i aquí ens centrarem en dos, que es tracten com a paràmetres: el temps extra necessari respecte d’un viatge individual i la ràtio d’adopció (el tant per cent de vehicles a tota la ciutat que fan viatges compartits). A partir de les dades reals de trànsit de dos dies[3] a Nova York, un dia laborable —el dijous 1/12/2016— i un dia de cap de setmana —el dissabte 3/12/2016—, al nostre estudi experimental observem que la reducció de la contaminació atmosfèrica augmenta clarament amb la ràtio d’adopció, cosa que està directament correlacionada amb la disminució del nombre de viatges i de la distància total recorreguda. Aquestes dades milloren a mesura que permetem més temps extra per viatge compartit, acceptant retards superiors, de fins a deu minuts en el pitjor dels casos. En números rodons, amb el 100% de ràtio d’adopció, ocupant tots els seients del vehicle i la màxima prioritat mediambiental, s’assoleix un estalvi del 70% en emissions de CO2 i una disminució del 80% del trànsit. En canvi, en el pitjor escenari, que és el 20% de ràtio d’adopció amb la mínima prioritat mediambiental i que representa un retard mitjà de deu segons, s’obté una disminució del 8% en emissions de CO2 i el trànsit decreix un 15%. Així doncs, fins i tot en nivells baixos d’implantació en una gran ciutat com Nova York, el mètode proposat permet assolir beneficis mediambientals significatius (un 1% de disminució en l’emissió de CO2 significa un estalvi d’1,5 tones d’aquest contaminant). En escenaris intermedis, els avantatges obtinguts se situen entre aquests dos extrems.
Un simulador per ajudar en les decisions
Per disposar d’un sistema flexible que proporcioni resultats diferents en funció de la variació de prioritats en els viatges compartits, hem desenvolupat un simulador que implementa el procés de resolució, tractant com paràmetres les prioritats que se seleccionin. Aquest simulador és una eina valuosa, ja que permet quantificar amb precisió els beneficis que donarà la implantació d’aquesta idea sobre una ciutat específica amb unes preferències concretes. A més, serveix d’ajuda a la decisió per als gestors públics que han concretar polítiques de mobilitat urbana. El simulador s’ha d’alimentar amb les dades del plànol de la ciutat objectiu, i està disponible al web de l’Institut d’Investigació en Intel·ligència Artificial (IIIA)[4] per al cas analitzat.
El simulador ofereix dues modalitats: simulació i anàlisi. En la primera, després de proporcionar valors per als diversos paràmetres del model, resol el problema proposat i mostra els resultats sobre l’àrea urbana considerada. En la segona, permet fer enginyeria inversa: s’estableixen els objectius que cal assolir en termes de beneficis mediambientals i de temps extra permès en viatges compartits, i es calcula la política de viatge compartit (peer-to-peer ridesharing) necessària per assolir-los.
Si la ciutadania hi coopera, la implantació del viatge compartit sembrarà de forats les jungles de cotxes en què es converteixen sovint els nostres carrers.
El procediment és ràpid i sostenible, ja que s’executa en un temps límit (un minut per al procés d’optimització, cinc minuts en total) i no necessita infraestructures especials ni càlcul intensiu. Si la ciutadania hi coopera, la seva implantació sembrarà de forats les jungles de cotxes en què es converteixen sovint els nostres carrers. Representa una manera vàlida de repensar la mobilitat urbana i un element necessari per aprofitar les oportunitats que ofereixen les ciutats als habitants, i obtenir així beneficis mediambientals que són absolutament imperatius al segle XXI.
Altres aplicacions
Hem desenvolupat un altre projecte d’IA de mobilitat sostenible[5] que recomana “rutes verdes” a ciutadans que es desplacen a peu o en bicicleta per Barcelona, tenint en compte la qualitat de l’entorn (nivells reduïts de pol·lució, presència d’espais verds…) i mirant de minimitzar el temps de circulació. Aquestes recomanacions es basen en les dades disponibles a l’Open Data BCN[6] i les recopilades a la xarxa de sensors que monitoren el nivell d’emissions contaminants[7] i la qualitat de l’aire[8]. Les nostres simulacions indiquen que aquestes rutes verdes permeten una reducció significativa de l’exposició dels vianants o ciclistes a la contaminació i al soroll (del 20% al 40%, a costa d’augmentar del 10% al 20% el temps de trànsit), comparat amb les rutes recomanades per serveis estàndard com Google Maps.
A més, hem identificat una alternativa a la distribució habitual de mercaderies a les ciutats, coneguda en anglès com a co-loading: quan diversos proveïdors logístics comparteixen el mateix vehicle per distribuir els seus productes. En termes pràctics, significaria una reducció dels vehicles de transport a cada barri, ja que un mateix vehicle de repartiment distribuiria les comandes de diversos proveïdors. Aquesta idea s’ha mostrat molt útil en logística industrial, unida a la de backhauling, que consisteix a aprofitar el viatge de tornada dels camions buits per transportar altres mercaderies. La seva aplicació resulta prometedora a les ciutats (el que s’anomena last mile delivery en el món del transport).
La intel·ligència artificial per al bé (AI for good) pot aconseguir ciutats més habitables, augmentar en quantitat i en qualitat els entorns naturals, reduir les desigualtats socials i millorar l’accés a la salut i al coneixement.
Hi ha moltes altres aplicacions d’IA per millorar la mobilitat a les ciutats: transport públic adaptat de manera dinàmica a les demandes dels usuaris, semàfors intel·ligents, gestió de l’aparcament… Un segon nivell inclou vehicles autònoms i internet de les coses. En conjunt, aquestes funcionalitats defineixen un nou concepte de ciutat smart o intel·ligent, on les necessitats de les persones estan intervingudes per la tecnologia, a fi de satisfer-les de manera eficient i saludable.
Les estratègies descrites en aquest article no són res més que granets de sorra en el que es coneix com a intel·ligència artificial per al bé (AI for good). Aconseguir ciutats més habitables, augmentar en quantitat i en qualitat els entorns naturals, reduir les desigualtats socials i millorar l’accés a la salut i al coneixement són alguns dels seus objectius bàsics. I aquestes dimensions de millora del món són les que donen un sentit més profund al nostre treball tècnic. Estan alineades amb els Objectius de Desenvolupament Sostenible[9], establerts per les Nacions Unides en la seva Agenda 2030. En aquesta iniciativa, la intel·ligència artificial hi té molt a dir.
[1] El director de l’Agència d’Ecologia Urbana de Barcelona afirmava en una entrevista: “El 65% de l’espai de les capitals és per aparcar o per circular i això comporta que no puguem fer servir llocs públics per a altres finalitats”. http://ow.ly/LkuY50OyQtz
[2] En la resolució també s’inclouen dades de la zona urbana considerada, aconseguides mitjançant el Google Maps. Una heurística aproxima la funció objectiu, cosa que permet accelerar-ne l’optimització. El procediment complet es detalla a http://ow.ly/j6OU50OyQwk.
[3] Es va fer una anàlisi diferent per a cada dia i es van obtenir resultats molt similars. Les dades precises d’ambdós estudis es poden consultar a http://ow.ly/72On50OyQwP.
[4] https://ridesharing.iiia.csic.es.
[5] Calo, S., Bistaffa, F., Jonsson, A. i Gómez, V. “A novel message passing approach to spatial air quality prediction in urban areas”. Deep Learning Barcelona Symposium, 2022.
[7] Xarxa de Vigilància i Previsió de la Contaminació Atmosfèrica (XVPCA). http://ow.ly/gzNp50OyQxG
[8] Departament d’Acció Climàtica, Alimentació i Agenda Rural de la Generalitat de Catalunya. Qualitat de l’aire. http://ow.ly/Aunt50OyQyp
[9] Organització de les Nacions Unides (ONU). https://sdgs.un.org/goals
Referències bibliogràfiques
Bistaffa, F., Blum, C., Cerquides, J., Farinelli, A. i Rodríguez-Aguilar, J. A. “A computational approach to quantify the benefits of ridesharing for policy makers and travellers”, IEEE Transactions on Intelligent Transportation Systems, 22(1), 119-130. 2021. http://ow.ly/OLT350OyQqB
De Jonge, D., Bistaffa, F. i Levy, J. “Multi-objective vehicle routing with automated negotiation”. Applied Intelligence, 52, 16916-16939. 2022. http://ow.ly/Lfpl50OyQrc
Diao, M., Kong, H. i Zhao, J. “Impacts of transportation network companies on urban mobility”. Nature Sustainabiliy, 4, 494-500. 2021. http://ow.ly/kZYh50OyQsx
Nikitas, A., Michalakopoulou, K., Njoya, E. T. i Karampatzakis, D. “Artificial intelligence, transport and the smart city: Definitions and dimensions of a new mobility era”. Sustainability, 12(7), 2789. 2020. http://ow.ly/HZJR50OyPKq
Inteligencia artificial Ramon López de Mántaras Badia i Pedro Meseguer González. Col·lecció “¿Qué sabemos de?”, Los Libros de la Catarata, 2017
El butlletí
Subscriu-te al nostre butlletí per estar informat de les novetats de Barcelona Metròpolis