RUN-RUN: Inferencia y Visualización de uso de modos de transporte en la ciudad

Este proyecto tiene como objetivo generar una batería de herramientas para medir y visualizar la movilidad en una ciudad vista desde las trazas digitales de telefonía móvil, particularmente Santiago y otras ciudades de Chile. Lo inicié el 2015 cuando trabajaba en Telefónica I+D, y luego lo continué cuando comencé a trabajar en el Instituto de Data Science de la Universidad del Desarrollo. Allí obtuve financiamiento de CONICYT (hoy ANID) Fondecyt de Iniciación 2018 (#11180913).

El principal objetivo del proyecto es inferir el uso de modo de transporte en una ciudad y permitir que esta inferencia, basada en Machine Learning, sea accesible a personas tomadoras de decisiones. El algoritmo base está publicado en EPJ Data Science y la extensión para trabajo en tiempo semi-real está escribiéndose en este momento.

Ahora bien, los modelos no son todo – es necesario que sean accesibles a través de herramientas basadas en visualización, que exploten el contexto cultural y tecnológico común entre las distintas partes involucradas en el proceso. Para eso diseñamos e implementamos sistemas de analítica visual, como Super-Fly (el código fuente está disponible):

Hemos documentado todo el proceso de diseño e implementación en una metodología para desarrollar proyectos colaborativos de Data Science para la Planificación de Transporte, que involucra stakeholders y data scientists por igual en la creación de soluciones basadas en datos:

El proyecto ha generado dos tesis de Master en Ciencias de la Ingeniería, Ignacio Pérez-Messina, hoy haciendo un doctorado en Visual Analytics en TU Vienna, y Paula Vásquez-Henríquez, hoy en Cornershop by Uber; dos proyectos de título de Ingeniería Civil Industrial (Valentina Prado y Javiera Narváez), una patente (la primera patente de la Facultad de Ingeniería de la UDD), y varias publicaciones en revistas indexadas de acceso abierto. También ha generado investigaciones derivadas basadas en el análisis de afluencia en la ciudad. Una de ellas es el estudio de cómo la virtualidad de las aplicaciones de teléfonos se vincula con el entorno urbano, en colaboración con Rossano Schifanella.

Como personal técnico del proyecto han participado Vera Sativa, Victor Navarro, Sebastián Aedo, Karina Flores, Catalina Largo, y Tabita Catalán.

Sobre el nombre: RUN-RUN es el nombre de un hermoso pajarito, y también el de un juego infantil basado en hilos y discos que giran. No solo me gustan los pajaritos, también el mecanismo del juego permite ejemplificar cómo funciona el algoritmo detrás de la inferencia de modo de viaje.

Publicaciones #

Financiadas por Fondecyt:

• Graells-Garrido, E., Peña-Araya, V., & Bravo, L. (2020). Adoption-driven data science for transportation planning: Methodology, case study, and lessons learned. Sustainability, 12(15), 6001.
• Vasquez-Henriquez, P., Graells-Garrido, E., & Caro, D. (2020). Tweets on the Go: Gender Differences in Transport Perception and Its Discussion on Social Media. Sustainability, 12(13), 5405.
• Pérez-Messina, I., Graells-Garrido, E., Lobo, M. J., & Hurter, C. (2020). Modalflow: cross-origin flow data visualization for urban mobility. Algorithms, 13(11), 298.
• Graells-Garrido, E., Serra-Burriel, F., Rowe, F., Cucchietti, F. M., & Reyes, P. (2021). A city of cities: Measuring how 15-minutes urban accessibility shapes human mobility in Barcelona. PloS one, 16(5), e0250080.
• Vasquez-Henriquez, P., Graells-Garrido, E., & Caro, D. (2019, June). Characterizing transport perception using social media: Differences in mode and gender. In Proceedings of the 10th ACM Conference on Web Science (pp. 295-299).
• Pérez-Messina, I., & Graells-Garrido, E. (2019). Visualizing Transportation Flows with Mode Split using Glyphs. In EuroVis 2019 - Short Papers. The Eurographics Association.

Pre-Fondecyt:

• Graells-Garrido, E., Caro, D., & Parra, D. (2018). Inferring modes of transportation using mobile phone data. EPJ Data Science, 7(1), 49.
• Graells-Garrido, E., Peredo, O., & García, J. (2016). Sensing urban patterns with antenna mappings: the case of Santiago, Chile. Sensors, 16(7), 1098.

Resultados #

Las siguientes visualizaciones contienen flujos origen-destino por modo de transporte en el Super Lunes (9 de Marzo) de 2020, inferidos desde datos de telefonía. Los viajes no están estratificados y por tanto se entrega una “intensidad” normalizada, no un número de viajes. Se consideraron los siguientes modos: Massive (Transp. Público Masivo), Cabs (taxis, incluye Uber y otras apps), Motorized (automóviles) y Cycles (bicicletas y patinetes).

Santiago #

Gran Valparaíso #

Gran Concepción #

Coquimbo/La Serena #

Antofagasta #

Rancagua/Machalí #

¿Interesade en colaborar? Contáctame.