Skootik – Análisis y predicción de la afluencia peatonal de una ciudad
Skootik
Sector: TIC
Business Case
Una ciudad dada cuenta con varios sensores que cuantifica el número de personas que pasa por determinadas calles cada 15 minutos. Estos sensores están distribuidos en varios barrios tanto del centro como de la periferia. Se busca estimar el paso de peatones a futuro para la consecuente toma de decisiones por parte de la administración pública respecto a cuestiones de seguridad ciudadana, movilidad, servicios públicos como mantenimiento de mobiliario urbano y recogida de residuos, planes estratégicos de fomento del comercio local…
Objetivos
Para cada sensor, predecir la afluencia peatonal en el futuro. Se ha de tener en cuenta tanto el calendario laboral (festivos) y cultural (eventos, festividades…) así como dato meteorológico.
Use case
Se propone un modelo de series temporales estacional de tipo Holt-Winters (suavizado exponencial o exponential smoothing). También se desarrolla un sistema para tomar dato meteorológico mediante la API de una plataforma de previsión del tiempo.
Infraestructura
Es un servicio Cloud, por lo que se procura un servidor para alojar al sistema junto con una plataforma para la interacción del usuario con los datos y un sistema de ingesta y preproceso del dato del cliente.
Tecnologías utilizadas
Aprendizaje automático o profundo
Datos utilizados
Datos privados de afluencia peatonal, y públicos de meteorología y calendarios laboral y cultural.
Recursos utilizados
Dos personas de backend; una de ellas más centrada en el tratado del dato, en la ingesta y en el preproceso, y otra en la algoritmia y en validar los resultados. Otra persona de frontend para el desarrollo de la plataforma para la visualización de los datos.
Dificultades y aprendizaje
El dato es altamente cambiante (cada 15 minutos entra dato nuevo), por lo que es importante tener un buen sistema de logs y análisis de datos históricos para poder replicar errores que han sucedido en un pasado inmediato.
KPIs (impacto en el negocio y métricas del modelo)
Como métricas se han usado las usuales para el caso del Machine Learning (MSE, MAD…). Este sistema ha resultado ser util, además de para prever la movilidad futura, para analizar la movilidad histórica y determinar tendencias y cuantificar oleadas de peatones en fechas señaladas.
Financiación
Financiación pública de la institución pública competente a la movilidad y ciudades inteligentes.
Colaboradores
Ayuntamiento de la ciudad
