La previsión del transporte es el intento de estimar la cantidad de vehículos o personas que utilizarán una instalación de transporte específica en el futuro. Por ejemplo, un pronóstico 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 viaje, costos de viaje, etc., para desarrollar un modelo de demanda de tráfico para la situación actual. Alimentarlo con datos previstos de población, empleo, etc. da como resultado estimaciones del tráfico futuro, normalmente estimado para cada segmento de la infraestructura de transporte en cuestión, por ejemplo, para cada segmento de carretera o estación de ferrocarril. Las tecnologías actuales facilitan el acceso a datos dinámicos, big data, etc., brindando la oportunidad de desarrollar nuevos algoritmos para mejorar enormemente la previsibilidad y precisión de las estimaciones actuales. [1]
Los pronósticos de tráfico se utilizan para varios propósitos clave en la política, planificación e ingeniería de transporte : calcular la capacidad de la infraestructura, por ejemplo, cuántos carriles debe tener un puente; estimar la viabilidad financiera y social de los proyectos, por ejemplo, utilizando análisis de costo-beneficio y evaluación del impacto social ; y calcular los impactos ambientales , por ejemplo, la contaminación del aire y el ruido.
Dentro del marco de planificación racional, los pronósticos de transporte han seguido tradicionalmente el modelo secuencial de cuatro pasos o procedimiento de planificación de 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).
La previsión del uso de la tierra inicia el proceso. Normalmente, los pronósticos se hacen para la región en su conjunto, por ejemplo, del crecimiento demográfico. Dichos pronósticos proporcionan totales de control para el análisis del uso de la tierra local. Normalmente, la región se divide en zonas y mediante análisis de tendencia o regresión , se determina la población y el empleo para cada una.
Los cuatro pasos del modelo clásico del sistema de planificación del transporte urbano son:
Después del modelo clásico, existe una evaluación de acuerdo con un conjunto acordado de criterios y parámetros de decisión. Un criterio típico es el análisis de costo-beneficio. Este análisis podría aplicarse después de que el modelo de asignación de red identifique la capacidad necesaria: ¿vale la pena dicha capacidad? Además de identificar los pasos de pronóstico y decisión como pasos adicionales en el proceso, es importante señalar que el pronóstico y la toma de decisiones impregnan cada paso del proceso UTP. La planificación se ocupa del futuro y depende de las previsiones.
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 detrás de los modelos basados en actividades es que la demanda de viajes se deriva de actividades que las personas necesitan o desean realizar, y las decisiones de viaje forman parte de las decisiones de programación. Entonces, los viajes se consideran sólo uno de los atributos de un sistema. Por tanto, el modelo de viaje se sitúa en el contexto de una agenda, como componente de una decisión de programación de actividades.
Los modelos basados en actividades ofrecen otras posibilidades además de los modelos de cuatro pasos, por ejemplo, para modelar cuestiones ambientales como las emisiones y la exposición a la contaminación del aire. Aunque Shiftan reconoció sus ventajas obvias para fines ambientales hace casi una década, [3] las aplicaciones a los modelos de exposición siguen siendo escasas. Recientemente se han utilizado modelos basados en actividades para predecir las emisiones [4] y la calidad del aire. [5] [6] También pueden proporcionar una mejor estimación total de la exposición y al mismo tiempo permitir el desglose de la exposición individual por actividades. [7] [8] Por lo tanto, pueden usarse para reducir la clasificación errónea de la exposición y establecer relaciones entre los impactos en la salud y la calidad del aire con mayor precisión. [9] Los formuladores de políticas pueden utilizar modelos basados en actividades para diseñar estrategias que reduzcan la exposición cambiando los patrones de actividad temporal o que se dirijan a grupos específicos de la población. [10] [11]
Estos modelos pretenden pronosticar el efecto de los cambios en la red y las operaciones de transporte sobre la ubicación futura 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 la modelización del transporte, la investigación avanza hacia la modelización y 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 se puede hacer fusionando datos por conductor recopilados en las redes de carreteras , como mis cámaras ANPR , con otros datos sobre individuos, como datos de sus perfiles de redes sociales , datos de compras con tarjetas de tiendas e historial de motores de búsqueda . Esto conducirá a predicciones más precisas y a una mayor capacidad para controlar el tráfico para una priorización personalizada de conductores particulares, pero también a preocupaciones éticas a medida que los gobiernos locales y nacionales utilicen más datos sobre personas identificables. Si bien la integración de estos datos parcialmente personales es tentadora, existen considerables preocupaciones sobre la 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 hogares y encuestas de viajes. Las encuestas de entrevistas domiciliarias, los datos sobre el uso de la tierra y las encuestas sobre atracciones de viajes especiales proporcionan la información sobre la cual se ejercen las herramientas de análisis UTP.
Recopilación, gestión y procesamiento de datos; estimación de modelos; y el uso de modelos para producir planes son técnicas muy utilizadas en el proceso UTP. En los primeros días, en los EE.UU., los datos del censo se ampliaban con los 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 conteo de tráfico, acordonar "¿de dónde vienes?" ¿Adónde vas?", y técnicas de entrevista domiciliaria. En el CATS surgieron los protocolos para codificar redes y la noción de análisis o zonas de tráfico.
La estimación del modelo utilizó técnicas existentes y los planes se desarrollaron utilizando cualquier modelo que se hubiera 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 BPR utilizadas en los primeros días.
La naturaleza secuencial y agregada de la previsión del transporte ha sido objeto de muchas críticas. Si bien se han realizado mejoras, en particular dando una base de actividad a la demanda de viajes, aún 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 representar una mejora en la práctica, aún no se ha demostrado que sean mejores (más precisos) que los modelos convencionales. Una versión comercial fue derivada a IBM [13] y también se mantiene activamente una versión de código abierto como 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 comentar?) que en los resultados del transporte (como reducir los tiempos de viaje o mantener las emisiones de contaminantes o gases de efecto invernadero). dentro de los estándares nacionales). [dieciséis]
Uno de los principales descuidos en el uso de modelos de transporte en la práctica es la ausencia de retroalimentación de los modelos de transporte sobre el uso del suelo. Las inversiones en carreteras y transporte no sólo responden al uso de la tierra , sino que también le dan forma. [17]