Análisis del transporte público en la Comunidad de Madrid a través de los sistemas inteligentes de pago

Resumen del proyecto

Una de las fuentes de datos de mayor interés para la caracterización de la movilidad urbana en servicios de transporte público es la procedente de los sistemas inteligentes de pago. Desde el punto de vista de la operación, estos sistemas presentan varias ventajas con respecto a los métodos de cobro y control tradicionales como, por ejemplo, facilitar y agilizar el acceso al vehículo y permitir la integración tarifaria de un sistema de transporte público multimodal. Desde el punto de vista de la planificación y la gestión, los sistemas inteligentes de pago generan un conjunto de datos que, con un adecuado tratamiento y análisis, permite obtener múltiples indicadores sobre la demanda de transporte público.

Por otro lado, los datos procedentes de los sistemas inteligentes de pago también presentan algunas limitaciones. La más importante es que estos datos sólo proporcionan información sobre las etapas realizadas dentro del sistema de transporte público, pero no sobre la cadena modal completa del viaje puerta a puerta (origen-destino). Asimismo, la información sociodemográfica de los usuarios suele ser limitada en comparación con la que podemos obtener a través de otros métodos, como las encuestas. Para superar estas limitaciones, una de las aproximaciones más interesantes es la fusión con otras fuentes de datos, como los datos de telefonía móvil, que nos permiten complementar la información obtenida a través de los sistemas inteligentes de pago.

En el marco del proyecto Big Data For Public Transport (BD4PT), financiado por el Ministerio de Asuntos Económicos y Transformación Digital y el Fondo Europeo de Desarrollo Regional (FEDER), Nommon desarrolló Transit Insights, una plataforma software que aplica técnicas de fusión de datos para proporcionar a las autoridades y los operadores de transporte público información precisa, fiable y permanentemente actualizada sobre la utilización del transporte público. En BD4PT se utilizaron para el desarrollo datos de la red del Consorcio Regional de Transportes de Madrid (CRTM), que da servicio a toda la Comunidad Autónoma de Madrid (CAM) e incluso a algunas ciudades fuera de la misma. La gran relevancia del caso de uso realizado con el CRTM se debe a un factor triple:

1. La red de transporte público de la CAM, que incluye autobuses, metro, metro ligero y ferrocarril de cercanías, es, con diferencia, la más extensa, densa y utilizada de España. Posee más de 13.000 paradas, más de 600 líneas y cada día más de 1,5 millones de viajeros realizan en torno a 4,5 millones de validaciones. El reto consistió en desarrollar la tecnología de forma que pudiera manejar y explotar esta información de forma rápida y eficiente. 
2. A la hora de analizar los datos de los sistemas inteligentes de pago en el transporte público, el problema más habitual para establecer el origen y el destino de un viaje es el de inferir la parada de destino por no disponer de validación a la salida. En el caso de la CAM, sin embargo, existe una amplia casuística que Transit Insights debe ser capaz de gestionar. Por ejemplo, en las cercanías ferroviarias, es imprescindible validar la tarjeta tanto para entrar en la estación como para salir de ella. En estos casos, la inferencia de la parada de bajada no es necesaria. Adicionalmente, existen algunos casos en los que la parada que debe ser inferida no es la de bajada, sino la de subida.
3. La intermodalidad de la red de transporte de la CAM hace que el funcionamiento del sistema de validación varíe de acuerdo al modo utilizado: mientras que en los autobuses urbanos la validación se hace usualmente a bordo del vehículo y para cambiar a otra línea es necesario validar de nuevo, en el metro, una vez el viajero ha entrado en una estación y ha validado su tarjeta, puede realizar los transbordos que desee hasta llegar a su estación de destino. Transit Insights contempla esta heterogeneidad y aplica la lógica correspondiente a cada uno de los casos.

Solución

Transit Insights integra datos de tarjetas inteligentes de pago, sistemas de ubicación de vehículos y tecnologías de conteo de pasajeros para ayudar en la planificación y gestión de los servicios en función del comportamiento de la demanda. El proceso de cálculo se automatiza de modo que el usuario de la herramienta tiene a su disposición de forma continua toda la información acerca de lo que sucede en la red que debe gestionar.

La herramienta está compuesta por tres componentes principales: un estandarizador, que limpia y prepara los datos a utilizar; un motor de inferencia, que transforma los datos de entrada en información completa y detallada del uso de la red de transporte público; y un componente de generación de indicadores que, a partir de los resultados del motor de inferencia y mediante la fusión con otros datos de fuentes complementarias, genera información entendible y explotable a través un panel de control interactivo con distintos gráficos y tablas.

Estandarizador

El primer paso para obtener los indicadores de transporte público consiste en depurar, limpiar y estandarizar los datos que se emplean en el flujo de la solución. Es especialmente importante preprocesar las validaciones de tarjeta inteligente, no solo por tratarse de la principal fuente de datos de Transit Insights, sino también por la inexistencia de un formato estándar. El módulo de estandarización está diseñado para manejar de manera eficiente diferentes implementaciones de sistemas de tarjeta inteligente, con el objetivo de traducir cada tipo de dato bruto a un formato único, sencillo y entendible por la herramienta para su posterior explotación.

Los datos de oferta de transporte público, en contraposición, sí disponen de formatos estandarizados ampliamente utilizados, como el formato GTFS (por las siglas en inglés de General Transit Feed Specification), lo que facilita el proceso de estandarización. No obstante, la información de la red no siempre se encuentra disponible en este formato, por lo que, en estos casos, se requiere también una estandarización particular.

Al margen de los datos de validaciones y de información de la red, la herramienta integra datos de fuentes secundarias para refinar, mejorar o ampliar los resultados obtenidos. Es el caso de las matrices origen-destino (OD) de movilidad general obtenidas mediante la solución de Nommon Mobility Insights, así como de los datos de capacidades y emisiones de diferentes tipos de vehículos.

Motor de inferencia

El motor de inferencia es el núcleo de Transit Insights, ya que se encarga de solventar el principal desafío técnico que plantea la naturaleza de los sistemas inteligentes de pago: el pasajero habitualmente debe validar su tarjeta para acceder al servicio de transporte público, pero no necesariamente vuelve a validar al salir. Esta ausencia de información del destino de los trayectos suscita la necesidad de inferir la parada de bajada de los viajes asociados a cada validación de subida. 

Para la inferencia de las paradas de bajada se emplea una técnica denominada encadenamiento de viajes, aplicable gracias a que las tarjetas de pago mantienen la trazabilidad de los registros de cada viajero a lo largo del tiempo y, por tanto, permiten considerar la secuencia completa de validaciones. El encadenamiento de viajes consiste en asignar como parada de bajada una parada próxima a la parada de comienzo del viaje inmediatamente posterior. Esta hipótesis es plausible dado que la mayoría de los viajeros son usuarios habituales de la red de transporte público y sus viajes siguen patrones muy determinados, como casa-trabajo/trabajo-casa o casa-trabajo/trabajo-ocio/ocio-casa, en los que el destino de cada viaje en transporte público coincide aproximadamente con el origen del viaje siguiente.

A pesar de esto, existen casos en los que el encadenamiento de viajes no es aplicable: por ejemplo, si el usuario ha utilizado algún medio de transporte alternativo entre dos viajes en transporte público, o si el usuario ha validado su tarjeta una única vez. En estos casos, para la inferencia de la parada de bajada se recurre a una asignación probabilística, partiendo de los viajes que sí han podido determinarse mediante el encadenamiento. En primera instancia, se consideran los patrones observados del mismo viajero objeto de estudio; si no se dispone de un tamaño de muestra suficientemente explicativo, se consideran los patrones de todos los usuarios de la red, asumiendo que el viajero se comporta de forma similar al resto de usuarios de la red de transporte. 

Llegados a este punto, se conoce la actividad de los viajeros en el interior de la red de transporte. Para proporcionar la imagen completa de la movilidad en transporte público, la información de cada uno de los viajes debe refinarse con el origen y el destino exactos, para obtener así el viaje puerta a puerta completo. Para ello, los puntos de origen y destino se asignan de forma probabilística dentro de un área de influencia de las respectivas paradas de subida y bajada. Los factores que determinan esta asignación son la distancia entre el punto y la parada, la ubicación de otras paradas de la línea y, de estar disponible, la movilidad general en estas zonas. Este último factor puede determinarse con datos de telefonía móvil, mediante nuestra solución Mobility Insights.

Generador de indicadores

Finalmente, Transit Insights incluye un módulo de visualización que permite analizar los resultados de forma sencilla para el usuario. El generador de indicadores es el componente encargado de transformar el resultado bruto, obtenido del motor de inferencia, en información representable en tablas y gráficos, a través de un panel de control.

Gracias a la fusión con otras fuentes de datos, se obtiene una imagen completa de la actividad diaria en la red de transporte público, lo que permite analizar una gran variedad de indicadores. Algunos de ellos se enumeran a continuación:

• Indicadores de demanda:
  • Volúmenes de viajes, etapas y viajeros.
  • Matrices OD de viajes.
  • Matrices de viajes y etapas entre paradas.
  • Perfil horario de viajes.
  • Distribución de distancias y duraciones de viaje.
  • Distribución por modos, operadores y líneas.
  • Perfiles de usuario.
• Indicadores de transbordos:
  • Volumen de transbordos.
  • Ranking de paradas más utilizadas para transbordar.
  • Modos y líneas entre los que se producen los transbordos.
• Indicadores de conectividad entre zonas:
  • Número de viajes según número de transbordos.
  • Número de transbordos mínimo, máximo y promedio.
  • Existencia de conexión directa.
  • Duración media del viaje y relación con la duración en vehículo privado.
• Indicadores de ocupación:
  • Ocupación por línea o interestación.
  • Alertas de sobreocupación o sobredimensión.
• Indicadores de cuota modal:
  • Cuota modal global y por par OD.
• Indicadores de fraude y evasión:
  • Indicadores de fraude por líneas o zonas.
• Indicadores de emisiones:
  • Volumen de emisiones contaminantes y de gases de efecto invernadero.
  • Volumen de emisiones ahorrado gracias al transporte público.

Resultados

Para demostrar la propuesta de valor de Transit Insights se realizó un estudio con los datos de validaciones del CRTM de la semana del 14 al 21 de febrero de 2022. A continuación se describen algunos de los análisis realizados. En la Figura 1 se aprecia la distribución temporal de los viajes en metro del lunes 14 de febrero de 2022. Puede apreciarse la curva característica de un día laborable típico, con los picos de la mañana, del mediodía y de la tarde, cuando finaliza la jornada laboral. Al establecer los filtros en el panel izquierdo, se actualizan tanto las gráficas como los volúmenes indicados en la parte superior del panel de control (total de viajes, promedio diario de viajes y viajes-kilómetro).

La Figura 2 muestra la tendencia en el uso de las líneas de metro ligero y tranvía durante la semana del 14 al 20 de febrero de 2022. Puede apreciarse un mayor uso durante los días laborables y un descenso en la utilización del tranvía de Parla el jueves 17 de febrero.

La Figura 3 muestra un análisis comparativo de los modos más utilizados los días 14 de febrero y 20 de febrero de 2022 (lunes y domingo, respectivamente). Puede observarse que la demanda de metro se incrementa durante el domingo, en detrimento del cercanías y el autobús interurbano, dos modos de transporte muy utilizados para la movilidad entre la residencia y el lugar de trabajo.

En la Figura 4 se analizan los tipos de tarjeta más empleados, por título y por zona de aplicación. Destaca con claridad el abono mensual estándar, seguido por el abono mensual joven, muy empleado entre los menores de 26 años por su gran área de aplicación (toda la comunidad autónoma) y su asequibilidad económica.

La Figura 5 ilustra las paradas más empleadas para realizar transbordos desde el Cercanías a cualquier otro modo. El intercambiador de Atocha-Renfe se erige como el más utilizado, seguido a una distancia considerable por Chamartín, Nuevos Ministerios y Méndez Álvaro.

En la Figura 6 se analiza la conectividad de la céntrica zona de Moncloa-Aravaca-CIU (resaltada en amarillo) en función del promedio de transbordos realizados por los usuarios para llegar al resto de zonas. Los tonos rojizos indican zonas a las que los usuarios de la red llegan realizando pocos transbordos, mientras que, para llegar a las zonas con tonos verdosos, los viajeros usan conexiones que requieren más transbordos.

Lecciones aprendidas

El transporte público, como cualquier otro servicio, debe conocer a su cliente objetivo para adaptar su oferta a las necesidades del usuario y garantizar, de esta manera, que el transporte público sea la opción preferente para sus desplazamientos. Considerando la velocidad a la que actualmente se producen los cambios en los patrones de movilidad, los métodos tradicionales para analizar el comportamiento de los pasajeros, normalmente basados en encuestas, no son suficientes para disponer de información actualizada. 

Los datos de los sistemas inteligentes de pago son la mejor alternativa para monitorizar de forma continua la demanda de pasajeros: ofrecen información detallada y continuamente actualizada sobre el uso de los sistemas de transporte público, permiten comprender el comportamiento de los pasajeros en una ciudad o región y suponen un coste bajo de adquisición en comparación con las encuestas tradicionales. En el proyecto BD4PT, Transit Insights ayudó al CRTM a sacar el máximo provecho de sus datos, permitiéndole analizar los patrones de comportamiento de usuarios de transporte público, monitorizar el uso del servicio y generar indicadores de movilidad para una planificación y gestión eficientes del transporte público.

La monitorización continua del uso que los pasajeros hacen del transporte público es un primer paso imprescindible hacia el objetivo final: mejorar la calidad del servicio para atraer más usuarios. Para ello es necesario ajustar la oferta de forma dinámica de acuerdo con la evolución esperada de la demanda para así ofrecer el servicio más eficiente, tanto desde el punto de vista de la comodidad del pasajero como en términos de recursos empleados. La plataforma WiseTransit de Nommon complementa de manera natural las funcionalidades de Transit Insights para proporcionar las capacidades de predicción de flujos de pasajeros y de optimización del servicio necesarias para alcanzar este objetivo.