Uso del aprendizaje automático para incentivar el transporte sostenible

El aprendizaje automático es una rama de la inteligencia artificial que permite identificar relaciones en los datos y elaborar predicciones. Entre sus posibles aplicaciones está ayudar a planificar redes de transporte sostenible y estudiar incentivos para utilizarlas.

Algoritmos de aprendizaje automático

Los algoritmos de aprendizaje automático adoptan distintas formas y ya se emplean en numerosos servicios. Entre ellos figuran las redes neuronales artificiales, los árboles de decisión y las máquinas de vectores de soporte. La elección depende de los datos disponibles y del problema que se quiera resolver.

Las recomendaciones de Netflix (NFLX ) y de las redes sociales, algunos chatbots empresariales y determinadas funciones de conducción automatizada utilizan aprendizaje automático. Estos sistemas pueden procesar información con rapidez, aunque sus costes y su eficacia varían. También pueden aportar herramientas para mejorar las redes de transporte sostenible.

Objetivos de transporte sostenible

La contaminación y el deterioro ambiental han aumentado el interés por opciones de transporte más sostenibles. Caminar, desplazarse en bicicleta y utilizar transporte público o vehículos eléctricos son algunas alternativas. Sus efectos ambientales dependen, entre otros factores, de la energía utilizada y del ciclo de vida de cada vehículo.

Fuente Market Watch – Principales tasas de adopción de transporte sostenible en EE. UU.

Se necesita un cambio vital

Mejorar las redes de transporte sostenible es una prioridad para muchas ciudades. La congestión genera pérdidas de tiempo, frustración y daños ambientales. El aprendizaje automático podría ayudar a planificar alternativas que reduzcan la dependencia de los combustibles fósiles.

Para ello, los modelos deben considerar numerosos factores. No se trata únicamente de que un automóvil automatizado consuma menos combustible, sino de crear una ciudad donde resulte práctico y accesible elegir distintas formas de movilidad sostenible.

El impulso verde

Muchas ciudades han ampliado sus carriles y rutas ciclistas. Una red bien situada puede favorecer la actividad local, la salud y el medio ambiente, pero los resultados dependen de la continuidad, la accesibilidad y el diseño de las vías.

Toronto ofrece un ejemplo concreto: en la evaluación piloto de los carriles de Bloor Street, el volumen de ciclistas aumentó un 49 %. El número de colisiones entre bicicletas y vehículos motorizados se mantuvo similar, por lo que disminuyó la tasa de colisiones respecto al mayor volumen de ciclistas. Estos resultados no prueban que todos los carriles de la ciudad hayan reducido el número absoluto de accidentes.

Problemas que enfrentan los planificadores urbanos que los sistemas de aprendizaje automático podrían resolver

Uno de los obstáculos para los planificadores es disponer de datos suficientes sobre la infraestructura y su uso. Antes de añadir un carril ciclista, conviene estudiar sus efectos sobre el tráfico y la conexión con otras rutas. Una red coherente suele ser más útil que tramos aislados.

El aprendizaje automático puede relacionar grandes conjuntos de datos con información local, como el trazado urbano. Combinado con simulaciones y otros métodos de planificación, puede ayudar a comparar alternativas. La mejor ruta depende de mucho más que el espacio disponible o la proximidad a centros de actividad.

Utilitarismo frente a equidad

Un estudio sobre la infraestructura ciclista de Toronto comparó tres enfoques de optimización: maximizar el acceso medio en toda la ciudad, hacerlo por regiones y priorizar las zonas con menor acceso. El enfoque de equidad amplió la cobertura mínima en más regiones, aunque con una menor mejora media. Además, una intervención que beneficia a una región puede situarse fuera de ella. El estudio ilustra la complejidad de estas decisiones; no constituye por sí mismo una demostración de aprendizaje automático. Sus resultados podrían servir para desarrollar futuras herramientas de planificación.

Falta de incentivos para el transporte sostenible

El aprendizaje automático también podría ayudar a estudiar los factores que influyen en la adopción del transporte sostenible. La expansión de los vehículos eléctricos ha variado según el país y el periodo. El precio de la energía, el coste de compra y la disponibilidad de infraestructura pueden influir en las decisiones de los usuarios.

Los enfoques cuantitativos permiten comparar inversiones en infraestructura e incentivos. Otra posibilidad explorada por algunos desarrolladores es combinar herramientas de análisis con cadenas de bloques para registrar recompensas vinculadas a determinadas actividades.

Una cadena de bloques puede registrar transacciones y recompensas mediante tokens, pero no garantiza por sí sola datos correctos, procesamiento masivo en tiempo real ni beneficios ambientales. Las aplicaciones de movimiento para ganar recompensas, conocidas como move-to-earn o M2E, emplean distintos sistemas para registrar pasos, recorridos en bicicleta y otras actividades. La utilidad de un incentivo al transporte depende de su diseño, de la verificación de los datos y de sus efectos reales sobre los desplazamientos.

¿Cómo mejorará la IA la planificación urbana para el transporte sostenible personal?

El aprendizaje automático puede combinar datos históricos con información actualizada para apoyar decisiones. Los planificadores pueden utilizar esos análisis para formular, probar y simular distintas opciones de transporte.

Los modelos pueden incorporar patrones de tráfico y variables ambientales, entre otros factores. La precisión de sus predicciones depende de la calidad de los datos, del método y de cómo cambien las condiciones locales.

¿Aumentar la versatilidad de las rutas incentiva las prácticas de transporte sostenible?

Ampliar las conexiones y la variedad de rutas puede hacer más atractivo el transporte sostenible. Caminar y pedalear ofrecen oportunidades de actividad física, mientras que reducir el uso del automóvil puede disminuir el ruido y el consumo de combustible. Los modelos pueden ayudar a comparar recorridos que ahorren tiempo y conecten los centros de actividad, aunque ningún diseño garantiza por sí solo una mayor adopción.

Infraestructura de carga

El aprendizaje automático podría ayudar a decidir dónde instalar puntos de carga para vehículos eléctricos, identificando zonas con demanda potencial y poca cobertura. Para favorecer la adopción, la infraestructura debe ser accesible y adecuada a las necesidades locales.

Los algoritmos también pueden contribuir a gestionar la carga según la demanda, la temperatura y el estado de la batería. Reducir el tiempo de carga y proteger la vida útil exige equilibrar objetivos que a veces entran en conflicto; no se garantiza una mejora simultánea en todas las condiciones.

Disminuir la contaminación del aire

La contaminación del aire afecta a la salud, y vivir cerca de vías con mucho tráfico puede aumentar la exposición a contaminantes y el riesgo de ciertos problemas respiratorios. Reducir esas emisiones es una de las razones para promover alternativas de movilidad más limpias.

Los vehículos totalmente eléctricos no producen emisiones por el tubo de escape. Sin embargo, la generación de electricidad, la fabricación y las partículas de neumáticos y frenos también influyen en su impacto ambiental. Sustituir vehículos de combustión puede mejorar el aire local, pero la mejora no es necesariamente proporcional al porcentaje de vehículos eléctricos.

Apoyo a las comunidades de vehículos eléctricos

Algunos fabricantes utilizan herramientas de aprendizaje automático para responder consultas de los clientes. En el futuro, aplicaciones similares podrían facilitar el uso de patinetes y otros vehículos eléctricos, o ayudar a sus propietarios a compartir información y experiencias.

Empresas que podrían beneficiarse de sistemas de incentivos de transporte adecuados basados en aprendizaje automático

La movilidad eléctrica abarca tanto automóviles como bicicletas. Los fabricantes podrían utilizar herramientas de análisis para comprender la demanda y mejorar sus productos, aunque incorporar aprendizaje automático no garantiza mayores ingresos. Vista Outdoor ofrece un ejemplo histórico de exposición empresarial a las bicicletas eléctricas.

Vista Outdoor

Vista Outdoor comenzó a cotizar como empresa independiente en 2015 y reunió distintas marcas estadounidenses de productos para actividades al aire libre. En 2021 adquirió QuietKat, fabricante de bicicletas eléctricas todoterreno, que posteriormente formó parte de su negocio Revelyst.

QuietKat fabrica bicicletas eléctricas todoterreno con distintas configuraciones, incluidos modelos con motores centrales o de buje y opciones de 750 o 1.000 W. Su tecnología VPO permite seleccionar modos de potencia y clasificación según el modelo; no debe confundirse con la asistencia al pedaleo y los sensores que regulan esa asistencia. La posibilidad de utilizar una configuración en una vía pública depende de las normas locales.

La demanda de bicicletas eléctricas creció durante la pandemia. En sus resultados del segundo trimestre del ejercicio fiscal 2022, publicados en 2021, Vista Outdoor señaló que QuietKat superaba sus expectativas gracias a una demanda sólida. Por tanto, no resulta adecuado afirmar de forma general que la pandemia provocó grandes pérdidas de beneficios en QuietKat.

En octubre de 2024, Vista Outdoor anunció acuerdos para vender Kinetic Group a CSG por 2.225 millones de dólares y Revelyst a SVP por 1.125 millones. El valor empresarial combinado era de 3.350 millones de dólares, incluida la deuda. A la fecha de este artículo, las operaciones estaban sujetas a condiciones de cierre. La capitalización de 2.580 millones citada en el texto original era una referencia de mercado de aquel momento, no el precio de venta ni una valoración garantizada. Estos anuncios no bastan para recomendar comprar acciones de VSTO: deben analizarse los términos de las operaciones, los riesgos y los resultados financieros.

Una nueva era del transporte sostenible

El desarrollo del transporte sostenible requiere coordinación entre planificadores, fabricantes y comunidades. El aprendizaje automático puede apoyar esa labor si se utiliza con datos adecuados y una evaluación de sus resultados. Una mayor integración podría contribuir a desplazamientos más limpios y accesibles, pero sus beneficios deben comprobarse en cada contexto.

Conozca otros proyectos de inteligencia artificial.