Nueva app para el Bicing

Los autores concluyen que, a partir de los datos públicos de acceso abierto es posible mejorar todo el sistema del servicio de Bicing

Un nuevo método predice la disponibilidad del Bicing en la ciudad

.

El Bicing, sistema de bicicletas compartidas que opera la ciudad de Barcelona, cuenta con más de cuatrocientas estaciones y un parque de seis mil bicicletas que los usuarios pueden alquilar. Desafortunadamente, casi todos los usuarios del Bicing se han enfrentado alguna vez al problema de no encontrar una bicicleta en una estación o no encontrar un espacio libre para dejarla. Pronto será posible saber si hay de disponibles con dos días de antelación.

.

UPF / Gabriel Martins Dias, creó el prototipo de bicintime, una aplicación que a partir de datos de acceso abierto predice las bicicletas disponibles a las estaciones, proyecto con el cual ganó un concurso en el proyecto europeo Opencities. Ahora, Martins, ya como estudiante de doctorado, conjuntamente con Boris Bellalta y Simon Oechsner, investigadores del Departamento de Tecnologías de la Información y las Comunicaciones (DTIC) de la UPF, ha mejorado el prototipo con un método que permite hacer buenas predicciones del uso del servicio Bicing en Barcelona.

Bicintime es una aplicación que a partir de datos de acceso abierto predice las bicicletas disponibles a las estaciones

El trabajo “Predicting Occupancy Trends in Barcelona’s Bicycle Service Stations using Open Data”, que los investigadores presentarán el próximo mes de noviembre al SAI Intelligent Systems Conference (IntelliSys 2015 ) en Londres (Reino Unido), los días 10 y 11 de noviembre, recoge los detalles de la investigación, cuyo objetivo es mejorar y promover el uso de bicicletas públicas en Barcelona ​​y, por extensión, a otros sistemas de todo el mundo. Se demuestra el potencial que tienen las técnicas actuales de análisis de datos para la mejora la calidad de vida de los ciudadanos.

.

Cómo se hicieron las predicciones

Teniendo en cuenta que el uso del Bicing varía según los días de la semana, la climatología y otras variables, los investigadores recogieron los datos de las estaciones de Bicing, y las cruzaron con los datos climatológicos y las fiestas locales. Así, empleando el método “Random Monte” los investigadores han hecho predicciones de ocupación y disponibilidad del servicio con dos días de antelación.

Con esta misma información, han puesto de manifiesto que, además de la climatología, influyen otros factores, como por ejemplo la proximidad de la estación de Bicing al metro. Los fines de semana las estaciones cercanas al metro se usan menos, lo cual se explica porque este servicio es una extensión del transporte público colectivo.

.

Impacto de los resultados

Los autores concluyen que, a partir de los datos públicos de acceso abierto es posible mejorar todo el sistema del servicio de Bicing. Por ejemplo, las predicciones pueden servir para que la administración del sistema (en este caso un consistorio) utilice los pronósticos para recoger bicicletas en una estación que está casi llena, antes de que los usuarios tengan que hacer frente a no encontrar lugares para dejar las bicicletas de regreso.

Otro uso que se puede hacer de las predicciones es para decidir dónde ubicar nuevas estaciones de Bicing en base al número de usuarios estimados

Otro uso que se puede hacer de las predicciones es para decidir dónde ubicar nuevas estaciones de Bicing en base al número de usuarios estimados a lo largo del año, un análisis que supondría un ahorro de gasto público.

Según han explicado los autores “el siguiente paso del proyecto será desarrollar una aplicación para teléfonos inteligentes que mostrará a los usuarios las predicciones para planificar mejor su siguiente viaje”. Las predicciones para móvil se harán a partir de datos demográficos del barrio, de los transportes públicos de la zona, del número de escuelas y de empresas, etc. Con esto los investigadores esperan que aumente el uso de este medio de transporte urbano, que sea más fácil tanto encontrar vehículos cerca de casa, como encontrar espacios libres para devolver la bicicleta cerca de la escuela, la universidad o el puesto de trabajo de los usuarios.

.
Trabajo de referencia:

Gabriel Martins Dias, Boris Bellalta and Simon Oechsner (2015), “Predicting Occupancy Trends in Barcelona’s Bicycle Service Stations using Open Data”, IntelliSys 2015, 10 i 11 de novembre, Londres.

.

Dejar comentario

Deja tu comentario
Pon tu nombre aquí