Tag: Smart City

0

Como cada año desde 2014, IESE Business School presenta su Índice Cities in Motion y en la edición de 2020, presenta una peculiaridad histórica como consecuencia de la crisis sanitaria de la COVID-19, tal como sus autores indican:

«En el contexto actual de la COVID-19, este análisis adquiere aún más relevancia. Es ahora cuando se puede observar cuán preparadas están realmente las ciudades para hacer frente a una crisis que hace tambalear su estabilidad en muchas de sus dimensiones. Ha llegado el momento de ejercer una gobernanza inteligente que tenga en cuenta todos los factores y actores sociales, con una visión global.» (2020:11) IESE Business School – Índice IESE Cities in Motion 2020 / ST-542

Esta iniciativa tiene la misión de promover el Modelo de Ciudades en Movimiento, que incluye un enfoque innovador de gestión de la ciudad, y un nuevo modelo urbano para el siglo XXI, basado en 4 impulsores principales: ecosistemas sostenibles, actividades innovadoras, equidad entre ciudadanos y conectados territorio.

El índice que integra 9 dimensiones en un solo indicador (un total de 101 indicadores) y recoge 174 ciudades de todo el mundo. Gracias a esta visión amplia e integrada, permite identificar los puntos fuertes y débiles de cada una de ellas.

Como novedad, este año ofrecen en su página web una «Calculadora ICIM» que permite ingresar los datos de cualquier ciudad y, con base en ellos, muestra la posición que esa urbe ocuparía en el ranking. Se trata de una práctica herramienta de utilidad tanto para aquellas ciudades que ya están reflejadas en el ranking y desean ver los cambios que se producen con variables más actualizadas como para aquellas que no se encuentran en el ICIM pero desean conocer cuál sería su lugar en el ranking.

Calculadora ICIM_iese

Cities in motion en España

El objetivo de este post es seleccionar una ciudad que disponga de suficientes datos abiertos de movilidad para futuros estudios, o para su incorporación futura a una plataforma de movilidad. Este post parte del Índice IESE Cities in Montion que, como ya hemos mencionado, establece un ranking de “ciudades inteligentes” según diferentes criterios o dimensiones a nivel mundial. Por este motivo, hemos querido extraer qué ciudades españolas aparecen en el ranking mundial; éstas son A Coruña, Barcelona, Bilbao, Madrid, Málaga, Murcia, Palma, Sevilla, Valencia y Zaragoza.

En ITELLIGENT, hemos realizado un breve estudio donde se ha intentado localizar, para cada ciudad española que aparece en el ICIM, los siguientes data sets relacionados con movilidad en tiempo real

  1. Intensidad de Tráfico. Datos de intensidad de trafico a través de contadores de espiras electromagnéticas en más o menos tiempo real. Estos son datos estáticos espacialmente, pero dinámicos temporalmente y miden la intensidad de tráfico en el punto de medida (ej. autos/hora).
  2. Aparcamientos Rotacionales. Datos de ocupación de aparcamientos en tiempo real o próximos al tiempo real. Estos datos son datos estáticos espacialmente, pero dinámicos temporalmente. En algunos casos además de los aparcamientos de autos también se han localizado de bicicletas.
  3. Cámaras de Trafico. Datos de cámaras en tiempo real o próximos al tiempo real. Estos son datos estáticos espacialmente, pero dinámicos temporalmente. El objetivo es tener acceso a las imágenes de las cámaras con vistas a que puedan servir como sensores de trafico u otros usos (ej. determinar tipología de vehículos).
  4. Autobuses Posición. Datos de movilidad de autobuses en tiempo real o próximos al tiempo real. Estos datos son dinámicos espacial y temporalmente. Estos datos son de interés ya que pueden permitir disponer de muestras de tiempos de trayectos en diversas zonas de la ciudad a modo de “sondas móviles”.

¿Qué ciudad española posee una mayor índice de movilidad urbana?

De todas las ciudades analizadas en nuestro estudio, la que presenta un mejor acceso a los datos es Madrid. A título de ejemplo, algunos de estos recursos para Madrid son:

  1. Intensidad de Trafico
  2. Aparcamientos Rotacionales
  3. Cámaras de Trafico
  4. Autobuses Posición

OPRA blog itelligent

El pasado mes de octubre de 2019, el Ministerio de Economía y Empresa publicaba el listado de proyectos beneficiarios de las ayudas a Tecnologías Habilitadoras Digitales 2019 entre los que se encontraba el Proyecto OPRA de ITELLIGENT en un segundo puesto entre los 46 proyectos seleccionados.

Las Tecnologías Habilitadoras Digitales son aquellas tecnologías claves para la transformación y el desarrollo de la economía digital. Entre ellas se encuentran: Inteligencia Artificial, el procesamiento del lenguaje natural, las tecnologías para el tratamiento de datos masivos y bases de datos distribuidas (blockchain), el Internet de las Cosas, las futuras redes de comunicación 5G, la supercomputación (HPC), la computación difusa y en la nube, la robótica, la realidad virtual, la ciberseguridad, la biometría y la identidad digital, la micro/nano electrónica.

Concretamente, OPRA se trata de un proyecto pionero en el que se desarrolla un sistema de OPtimización RÁpida basada en Deep Reinforcement Learning, con aplicación a la Industria 4.0 y Smart Cities. La ayuda concedida por la Secretaría de Estado para el Avance Digital para desarrollar el proyecto OPRA asciende a más de 153 mil euros; pero, ¿en qué consiste exactamente?

OPtimización RÁpida basada en Deep Reinforcement Learning, con aplicación a la Industria 4.0 y Smart Cities

En la actualidad, aunque el avance del IOT está permitiendo disponer de cada vez más datos y la inteligencia artificial permita extraer cierto valor de dichos datos, sigue existiendo una importante laguna en la toma de decisiones automática y esto se debe a que los algoritmos de optimización, que son los auténticos motores de los sistemas de decisión, son lentos y complejos de realizar. Por tanto, para conseguir las mejoras en la sociedad que las tecnologías ligadas a la Industria 4.0 y a las Smart Cities prometen, es necesario un importante avance en los actuales sistemas de toma de decisiones y en los algoritmos que los impulsan.

Gran parte de las decisiones a afrontar por la Industria 4.0 y las Smart Cities están ligadas a “problemas de planificación” (ej. planificación tráfico, planificación operaciones en talleres, planificación de transporte, planificación personal en hospitales, planificación de puertos, planificación de entregas de paquetería, …). Los algoritmos de optimización para resolver problemas de planificación, en el actual estado del arte, están en gran medida basados en algoritmos de búsqueda local, que requieren ir probando distintas soluciones hasta conseguir la óptima (o una cercana a la óptima), esto los hace lentos y difíciles de implementar ya que hay que construirlos ad-hoc para cada problema.

Recientemente el mundo de la Inteligencia Artificial se ha visto sacudido por un importante avance en la resolución de problemas de decisión. Este avance ha venido de la mano del Deep Reinforcement Learning (DRL), tecnología que está detrás de la victoria de Google AlphaGo en el juego del Go y otros avances muy relevantes en problemas que requieren tomas de decisiones automáticas. Frente a los algoritmos tradicionales el Deep Reinforcement Learning (DRL) introduce un nuevo paradigma, basado en que es posible aprender a decidir y este aprendizaje, que se puede realizar off-line y mediante simulación, permite ser aplicado con éxito a problemas reales, consiguiéndose con ello reducir el tiempo necesario para la resolución del problema y simplificando extraordinariamente la generación de nuevos algoritmos para problemas de decisión.

El objetivo de este proyecto es desarrollar nuevos Algoritmos de Optimización basados en Deep Reinforcement Learning (DRL), para dos problemas específicos: Vehicle Routing Problem y Scheduling. En este campo todavía no hay experiencias relevantes (TRL 3), por lo que el objetivo es testear estos algoritmos con datos relevantes e incorporarlos en un prototipo que permita a un usuario interactuar de forma controlada con los resultados (TRL 6) y en el futuro, una vez finalizado el proyecto, el objetivo es comercializarlos en modo SaaS a nivel global.

Actualmente, ingenieros de I+D+i de ITELLIGENT están trabajando en el desarrollo del proyecto OPRA, con lo que esperamos que en un próximo post, os contemos cómo ha evolucionado y qué resultados se han obtenido. Mientras tanto, puedes seguir al proyecto OPRA en Twitter y en LinkedIn.

Actualmente, se detectan necesidades no cubiertas en el ámbito de la gestión municipal en Ayuntamientos y se requiere voluntad política y financiera para poder implementar soluciones tecnológicas con el fin de optimizar dicha gestión en los municipios. Existen diversas iniciativas tales como la lanzada por la Asociación Red Innpulso el pasado mes de junio: una consulta al mercado para la búsqueda de soluciones innovadoras en retos municipales.

Tras las aportaciones de ITELLIGENT en algunas de estas iniciativas de Red Innpulso, en este post, hemos querido desglosar algunas de las soluciones tecnológicas presentadas en la consulta con el fin de cubrir tres necesidades:

  1. Ineficiencia en la recogida de residuos en municipios
  2. Tardía activación de los cuerpos de seguridad y emergencias de municipios
  3. Consumo de energía ineficiente en municipios

Solución 1: Sistema Inteligente de Gestión de Residuos

El principal objetivo a cubrir es mejorar la eficiencia en la prestación de los servicios en la vía pública, en este caso, la recogida de residuos en los municipios.

La solución ITELLIGENT se centra en desarrollar un sistema de Inteligencia Artificial para predecir la situación de llenado de cada contenedor cuyas principales características son:

  • Con los recursos disponibles, tener una planificación óptima de recogida de residuos en el municipio
  • Tener en cuenta algunas restricciones en el sistema, tales como:
    • Restricciones de Negocio. Por ejemplo, en zonas turísticas recoger solo en determinadas horas y un mínimo de veces por semana.
    • Restricciones Operativas. Por ejemplo, camiones disponibles.
    • Restricciones de Contexto. Por ejemplo, situación del tráfico en tiempo real.
  • What-if-analysis, una evaluación manual de escenarios alternativos que puedan ser de interés
  • Intercambio dinámico de información con los servicios de la ciudad. Por ejemplo, la ciudad podrá ofrecer al ciudadano información de la situación de recogida de basura en su distrito.

contenedor_lleno

 

Solución 2: Sistema Inteligente de Soporte a los Planes de Emergencia

El objetivo de esta solución se centra en reducir tiempos en la activación de los cuerpos de seguridad y emergencias en municipios a través de una aplicación informática para la gestión de los planes de emergencia.

La propuesta de ITELLIGENT a esta problemática es el desarrollo de un Sistema Inteligente de Soporte a los Planes de Emergencia (SISPE) compuesto por:

  • Un sistema de alerta temprana (Early Warning System) cuya misión es recopilar datos de sensores y de sondas sociales para la detección temprana de posibles emergencias.
  • Un sistema inteligente de apoyo a la toma de decisiones. Utilizando técnicas de Inteligencia Artificial (IA) y Optimización a partir de los datos provenientes de una gran variedad de fuentes (sensores, open data, sistemas de los servicios de emergencia,…), ayudar a la toma de decisiones en el momento que se detecte una emergencia. El objetivo es dar soporte inteligente a las decisiones una vez que se produce la emergencia.

Por otro lado, una característica adicional que permitirá el SISPE será la simulación de situaciones de emergencia para la formación y evaluación de los cuerpos de seguridad y emergencias.

Solución 3: Sistema Inteligente de eficiencia energética en edificios municipales

El objetivo se centra en mejorar la gestión de consumo de energía de los Organismos Públicos y tomar decisiones de compra eficiente en cuanto a la energía.

En ITELLIGENT, junto  a la start-up Energintel, hemos desarrollado un Sistema Inteligente para la Eficiencia Energética. Para este reto, el sistema se centraría en estudiar los consumos eléctricos de los diferentes edificios municipales objetivo y, aplicando técnicas de Data Science y Big Data, lograr un balance perfecto entre eficiencia energética, confort interno y eficiencia operacional en dichos edificios. Las principales funcionalidades del sistema serán:

  • Recomendaciones de compra de electricidad. Empleando técnicas matemáticas de analítica predictiva y optimización, proponer cuántos MWh hay que comprar para ahorrar.
  • Eficiencia energética en el mantenimiento. Determinando patrones de consumo, permitiendo una monitorización en tiempo real del edificio que optimice la relación entre eficiencia energética y mantenimiento, y teniendo en cuenta diferentes fuentes de datos hibridadas con los consumos eléctricos.
  • Priorización de inversiones por identificación de resultados