La previsión del transporte es el intento de estimar el número de vehículos o personas que utilizarán un medio de transporte específico en el futuro. Por ejemplo, una previsión puede estimar el número de vehículos en una carretera o puente planificado, el número de pasajeros en una línea ferroviaria, el número de pasajeros que visitan un aeropuerto o el número de barcos que hacen escala en un puerto marítimo. La previsión del tráfico comienza con la recopilación de datos sobre el tráfico actual. Estos datos de tráfico se combinan con otros datos conocidos, como población, empleo, tasas de viajes, costos de viaje, etc., para desarrollar un modelo de demanda de tráfico para la situación actual. Al alimentarlo con datos previstos para población, empleo, etc., se obtienen estimaciones del tráfico futuro, generalmente estimadas para cada segmento de la infraestructura de transporte en cuestión, por ejemplo, para cada segmento de carretera o estación de tren. Las tecnologías actuales facilitan el acceso a datos dinámicos, big data, etc., lo que brinda la oportunidad de desarrollar nuevos algoritmos para mejorar en gran medida la predictibilidad y precisión de las estimaciones actuales. [1]
Los pronósticos de tráfico se utilizan para varios propósitos clave en la política, planificación e ingeniería del transporte : para calcular la capacidad de la infraestructura, por ejemplo, cuántos carriles debe tener un puente; para estimar la viabilidad financiera y social de los proyectos, por ejemplo, utilizando análisis de costo-beneficio y evaluación de impacto social ; y para calcular los impactos ambientales , por ejemplo, la contaminación del aire y el ruido.
Dentro del marco de la planificación racional, los pronósticos de transporte han seguido tradicionalmente el modelo secuencial de cuatro pasos o procedimiento de planificación del transporte urbano (UTP), implementado por primera vez en computadoras centrales en la década de 1950 en el Estudio de Tráfico del Área Metropolitana de Detroit y el Estudio de Transporte del Área de Chicago (CATS).
El proceso comienza con la previsión del uso del suelo . Normalmente, se realizan previsiones para la región en su conjunto, por ejemplo, sobre el crecimiento de la población. Dichas previsiones proporcionan totales de control para el análisis del uso del suelo local. Normalmente, la región se divide en zonas y, mediante un análisis de tendencias o de regresión , se determinan la población y el empleo de cada una de ellas.
Los cuatro pasos del modelo clásico del sistema de planificación del transporte urbano son:
Después del modelo clásico, se realiza una evaluación según un conjunto acordado de criterios y parámetros de decisión. Un criterio típico es el análisis de costo-beneficio. Este análisis se puede aplicar después de que el modelo de asignación de red identifique la capacidad necesaria: ¿vale la pena dicha capacidad? Además de identificar los pasos de previsión y decisión como pasos adicionales en el proceso, es importante señalar que la previsión y la toma de decisiones permean cada paso en el proceso de planificación de la red unificada. La planificación se ocupa del futuro y depende de la previsión.
Los modelos basados en actividades son otra clase de modelos que predicen para los individuos dónde y cuándo se realizan actividades específicas (por ejemplo, trabajo, ocio, compras, ...).
La premisa principal de los modelos basados en actividades es que la demanda de viajes se deriva de las actividades que las personas necesitan o desean realizar, y que las decisiones sobre viajes forman parte de las decisiones de programación. Por lo tanto, los viajes se consideran solo uno de los atributos de un sistema. Por lo tanto, el modelo de viajes se establece en el contexto de una agenda, como un componente de una decisión de programación de actividades.
Los modelos basados en la actividad ofrecen otras posibilidades que los modelos de cuatro pasos, por ejemplo, para modelar cuestiones ambientales como las emisiones y la exposición a la contaminación del aire. Aunque sus obvias ventajas para fines ambientales fueron reconocidas por Shiftan hace casi una década, [3] las aplicaciones a los modelos de exposición siguen siendo escasas. Los modelos basados en la actividad se han utilizado recientemente para predecir las emisiones [4] y la calidad del aire. [5] [6] También pueden proporcionar una mejor estimación total de la exposición, al tiempo que permiten la desagregación de la exposición individual a lo largo de las actividades. [7] [8] Por lo tanto, se pueden utilizar para reducir la clasificación errónea de la exposición y establecer relaciones entre los impactos en la salud y la calidad del aire de forma más precisa. [9] Los responsables de las políticas pueden utilizar modelos basados en la actividad para diseñar estrategias que reduzcan la exposición modificando los patrones de actividad en el tiempo o que se dirijan a grupos específicos de la población. [10] [11]
Estos modelos tienen como objetivo pronosticar el efecto de los cambios en la red de transporte y las operaciones sobre la futura ubicación de las actividades, y luego pronosticar el efecto de estas nuevas ubicaciones sobre la demanda de transporte.
A medida que la ciencia de datos y las tecnologías de big data se vuelven disponibles para el modelado del transporte, la investigación se está moviendo hacia el modelado y la predicción de comportamientos de conductores individuales en ciudades enteras a nivel individual. [12] Esto implicará comprender los orígenes y destinos de los conductores individuales, así como sus funciones de utilidad. Esto puede hacerse fusionando datos por conductor recopilados en redes viales , como por cámaras ANPR , con otros datos sobre individuos, como datos de sus perfiles de redes sociales , datos de compra con tarjeta de tienda e historial de motores de búsqueda . Esto conducirá a predicciones más precisas, una mayor capacidad para controlar el tráfico para la priorización personalizada de conductores particulares, pero también a preocupaciones éticas a medida que los gobiernos locales y nacionales usan más datos sobre individuos identificables. Si bien la integración de tales datos parcialmente personales es tentadora, existen considerables preocupaciones de privacidad sobre las posibilidades, relacionadas con las críticas a la vigilancia masiva .
Aunque no se identifican como pasos en el proceso de UTP, el proceso de análisis de UTP implica una gran cantidad de recopilación de datos . Se obtienen datos del censo y del uso de la tierra, junto con encuestas de entrevistas en el hogar y encuestas de viajes. Las encuestas de entrevistas en el hogar, los datos de uso de la tierra y las encuestas de atracciones especiales para viajes proporcionan la información con la que se ejercitan las herramientas de análisis de UTP.
La recopilación, gestión y procesamiento de datos, la estimación de modelos y el uso de modelos para generar planes son técnicas muy utilizadas en el proceso UTP. En los primeros tiempos, en los EE. UU., los datos del censo se complementaron con métodos de recopilación de datos que habían sido desarrollados por la Oficina de Carreteras Públicas (un predecesor de la Administración Federal de Carreteras ): procedimientos de recuento de tráfico, recuentos de cordón de "¿de dónde viene y hacia dónde va?" y técnicas de entrevistas en el hogar. Los protocolos para codificar redes y la noción de análisis o zonas de tráfico surgieron en el CATS.
La estimación de modelos utilizaba técnicas existentes y los planes se desarrollaban utilizando los modelos que se habían desarrollado en un estudio. La principal diferencia entre ahora y entonces es el desarrollo de algunos recursos analíticos específicos para la planificación del transporte, además de las técnicas de adquisición de datos de BPR utilizadas en los primeros tiempos.
La naturaleza secuencial y agregada de las previsiones de transporte ha sido objeto de muchas críticas. Aunque se han realizado mejoras, en particular al dar una base de actividad a la demanda de viajes, todavía queda mucho por hacer. En la década de 1990, la mayor parte de la inversión federal en investigación de modelos se destinó al proyecto Transims en el Laboratorio Nacional de Los Álamos , desarrollado por físicos. Si bien el uso de supercomputadoras y las simulaciones detalladas pueden ser una mejora en la práctica, aún no se ha demostrado que sean mejores (más precisas) que los modelos convencionales. Una versión comercial se escindió en IBM [13] , y también se mantiene activamente una versión de código abierto con el nombre de TRANSIMS Open-Source [14] [15]
Un informe de la Oficina de Responsabilidad Gubernamental de 2009 señaló que la revisión federal de los modelos de transporte se centró más en los requisitos del proceso (por ejemplo, ¿tuvo el público la oportunidad adecuada de hacer comentarios?) que en los resultados del transporte (como la reducción de los tiempos de viaje o el mantenimiento de las emisiones de contaminantes o gases de efecto invernadero dentro de los estándares nacionales). [16]
Uno de los principales descuidos en el uso de los modelos de transporte en la práctica es la ausencia de cualquier retroalimentación de los modelos de transporte sobre el uso del suelo. Las inversiones en carreteras y transporte público no sólo responden al uso del suelo , sino que también lo moldean. [17]