TravelInt

Contexto

El comportamiento de los pasajeros de transporte aéreo y los hábitos de consumo han cambiado sustancialmente durante los últimos años debido, en parte, a la fuerte digitalización. En este contexto, los aeropuertos deben ser capaces de adaptarse a las nuevas demandas del mercado y adquirir un mejor conocimiento del perfil y patrones de comportamiento de los pasajeros y de aquellos segmentos de población que constituyen una demanda potencial para el aeropuerto. La aproximación tradicional para obtener esta información se basa principalmente en encuestas, que presentan importantes limitaciones en cuanto a coste, tamaño de la muestra, frecuencia de actualización y detalle de la información. Sin embargo, durante los últimos años, la proliferación de diferentes dispositivos móviles personales geolocalizados y la creciente sensorización de los aeropuertos han abierto nuevas oportunidades para recoger cantidades masivas de información sobre la movilidad y el comportamiento de los pasajeros, de manera continua, a un coste muy asequible y con un nivel de detalle imposible de obtener con las metodologías tradicionales.

El proyecto TravelInt

TravelInt es un proyecto de investigación financiado por Red.es que propuso aprovechar las oportunidades que ofrecen estas nuevas fuentes de datos mediante el desarrollo de un conjunto de tecnologías basadas en el procesamiento de datos masivos y el aprendizaje automático para obtener información detallada sobre el comportamiento de los pasajeros y dar soporte a la toma de distintas decisiones de planificación y gestión aeroportuaria.
En particular, TravelInt abordó tres ámbitos específicos para los que mejorar el conocimiento de los usuarios resulta particularmente valioso para el aeropuerto:

1. Identificación de nuevas rutas: análisis y modelización del comportamiento de los viajes de larga distancia con el objetivo de identificar nuevos destinos atractivos y ofrecer nuevas rutas.
2. Accesibilidad e intermodalidad: análisis del comportamiento de los pasajeros, trabajadores y otros visitantes del aeropuerto con el objetivo de mejorar la experiencia del pasajero, impulsar modos de acceso más sostenibles y captar nuevos usuarios que, en caso de una conectividad deficiente, optarían por un aeropuerto más accesible o por un modo de transporte de larga distancia alternativo al avión.
3. Ingresos no aeronáuticos: la caracterización detallada del comportamiento en el interior de la terminal resulta fundamental para optimizar la experiencia del pasajero y adaptar la oferta comercial y de servicios no aeronáuticos a las necesidades y características de la demanda.

Objetivos

Los objetivos específicos de TravelInt fueron los siguientes:

1. Identificar las oportunidades que ofrecen las nuevas fuentes de datos masivos procedentes de dispositivos móviles geolocalizados para mejorar el conocimiento de los pasajeros y otros usuarios de los aeropuerto en tres ámbitos específicos:
   1. El comportamiento de la demanda de viajes de larga distancia.
   2. El comportamiento de los pasajeros, trabajadores y acompañantes en el acceso al aeropuerto.
   3. El comportamiento de los pasajeros en el interior de la terminal.
2. Desarrollar nuevas metodologías para el análisis y fusión de datos que permitan caracterizar el perfil y el comportamiento de los pasajeros y otros usuarios de los aeropuertos.
3. Desarrollar modelos predictivos basados en técnicas de aprendizaje automático que permitan anticipar el comportamiento futuro de los pasajeros y permitir análisis de tipo what-if.
4. Desarrollar el prototipo de una solución de ayuda a la decisión que integre los nuevos algoritmos y modelos desarrollados en el proyecto con una herramientas de visualización interactiva.
5. Validar la solución propuesta a través de un conjunto de experimentos llevados a cabo en colaboración con usuarios finales, que permitan demostrar la madurez de la tecnología y evaluar sus beneficios.

Metodología

TravelInt desarrolló una solución big data de ayuda a la toma de decisiones para operadores aeroportuarios. La plataforma consta de tres componentes principales:

1. El proceso de extracción, tratamiento y carga de datos (ETL, por las siglas en inglés de Extract, Transform, Load), que integra los datos de distintas fuentes y lleva a cabo diferentes tareas de preprocesado (limpieza, formateo, etc.) para su posterior análisis.
2. El motor de cálculo, compuesto por:
   1. Una capa de análisis de datos que integra diferentes algoritmos para analizar y caracterizar el perfil y comportamiento de los usuarios del aeropuerto utilizando las diferentes fuentes de datos disponibles.
   2. Una capa de generación y predicción de indicadores que se alimentan de la información generada en la capa anterior y que consta de tres módulos diferentes, cubriendo los tres casos de uso de la plataforma
3. Una herramienta de visualización y generación automática de informes, consistente en un interfaz que permite analizar y comparar distintos escenarios.

La arquitectura de la plataforma se muestra en la siguiente figura:

Resultados

La finalización del proyecto ha arrojado los siguientes resultados:

• Se ha demostrado cómo los datos generados por dispositivos móviles personales proporcionan información detallada y de gran valor sobre el comportamiento de los pasajeros y otros usuarios del aeropuerto.
• En el marco del proyecto se ha desarrollado un conjunto de metodologías y técnicas innovadoras de análisis y fusión de datos, que permiten una caracterización detallada del perfil y el comportamiento de los pasajeros y otros usuarios del aeropuerto con un nivel de precisión sin precedentes.
• La caracterización detallada del comportamiento histórico de los usuarios permitió calibrar un conjunto de modelos de aprendizaje automático capaces de anticipar el comportamiento de los pasajeros. Estos modelos permiten realizar pronósticos en distintos escenarios, facilitando la evaluación del impacto de diferentes acciones de gestión aeroportuaria.
• Se ha desarrollado un prototipo de la solución de Nommon para la gestión de flujos de pasajeros en aeropuertos, WisePax, una herramienta interactiva que permite la visualización de datos históricos, así como el análisis de posibles escenarios que anticipan el comportamiento de los pasajeros, apoyando el proceso de toma de decisiones del usuario final.

Publicaciones científicas

• Blasco-Puyuelo, J., Burrieza-Galán, J., García-Cantú-Ros, O., Herranz, R., Mocholí, D. (2023). A machine learning approach for predicting airport passenger flows. Proceedings of the 2023 SESAR Innovation Days. https://doi.org/10.61009/SID.2023.1.37

Conferencias y otras presentaciones

• Presentación de póster en el FlyAI Forum 2023 | Multimodal Collaborative Decision Making based on Advanced Passenger Flow Prediction.
• Presentación en el Congreso de Ingeniería y Transporte (CIT) 2023 | Identification of long-distance tour purpose through ML-based data fusion techniques for combining mobile network and survey data.
• Presentación en los SESAR Innovation Days 2023 | A machine learning approach for predicting airport passenger flows.