No obstante, Carolina Osorio, profesora del Departamento de Ingeniería Civil y Ambiental del Instituto Tecnológico de Massachusetts (MIT), en Estados Unidos, ha observado que cada vez es más difícil para los gestores determinar a priori un conjunto de estrategias con un buen rendimiento. Por ello, esta joven de tan solo 29 años ha desarrollado una serie de algoritmos que -en lugar de basarse en unas estrategias predeterminadas- permite un uso mejorado de los simuladores microscópicos para determinar sistemáticamente cuáles de ellas ofrecen un rendimiento optimizado. El trabajo de Osorio sobre modelos analíticos, métodos de optimización y sus aplicaciones en la reducción de la congestión de red ha sido reconocido este mes con el premio de Asociación Europea de Sociedades de Investigación Operativa (EURO, por sus siglas en inglés) a la mejor tesis doctoral entre los 30 países asociados.
Coincidiendo con su participación en la ponencia sobre ciudades inteligentes de la conferencia EmTech Colombia, Osorio ha analizado para MIT Technology Review en español cómo puede utilizarse la tecnología para determinar esas líneas previas que reducirían la congestión de las ciudades y su impacto energético y ambiental.
TR.es: ¿En qué consisten los simuladores de tráfico que utilizas?
Carolina Osorio: Los simuladores describen cómo toman los individuos decisiones sobre el modo de viaje, la hora de salida, la elección de ruta, la respuesta a la información del tráfico en tiempo real o el comportamiento cuando conducen. También proporcionan una descripción detallada de la oferta, por ejemplo, de las características de las carreteras o las estrategias de control de tráfico dominantes. Estos simuladores representan a cada viajero en una red y yo estudio cómo puede utilizarse la información sobre su comportamiento individual para identificar estrategias de gestión del tráfico que mitiguen la congestión y mejoren la experiencia del viaje.
¿Cómo lo haces exactamente?
Me centro en las técnicas de cómputo eficientes, es decir, los usuarios establecen un límite en su 'presupuesto de cálculo' (por ejemplo, tiempo o número máximo de vueltas de simulación), y a continuación, mis algoritmos derivan una estrategia de cálculo dentro de ese presupuesto -la red de diseño, la gestión del tráfico, etc.- con un mejor rendimiento, es decir, con una reducción de tiempos de viaje o de consumo de energía. Esto significa que los investigadores que utilizan simuladores pueden ir más allá de un análisis que consista en probar y evaluar un conjunto de estrategias predeterminadas: pueden utilizarlos para deducir estrategias con un rendimiento mejorado.
¿Qué diferencia tu tecnología de otras como la de Bitcarrier?
Bitcarrier recoge información y ofrece visualizaciones en tiempo real que tienen influencia sobre las operaciones relativas al tráfico. Yo trabajo en el uso de información sobre las condiciones pasadas y actuales del tráfico que puedan influir en las operaciones. Mi trabajo se ha centrado en el uso de información muy detallada que ahora mismo no se puede recoger en la escala urbana (por ejemplo, información instantánea del consumo de combustible de un vehículo específico), y por eso trabajo con simuladores (calibrados generalmente con datos sobre la densidad de tráfico o encuestas de viajes) en lugar de con los datos de tráfico en tiempo real.
¿Es esta tu última línea de investigación?
Sí, se centra en el acoplamiento de simuladores de tráfico con simuladores de vehículos que pueden proporcionar estimaciones detalladas de rendimiento de los mismos de una manera computacionalmente eficiente. Hemos desarrollado una técnica para el diseño de planes de señales de tráfico que reducen los tiempos de viaje y el consumo de energía en toda la ciudad, y ahora estamos trabajando en la cuantificación de emisiones y en el uso de estos modelos combinados que ayuden a integrar nuevos diseños de vehículos y nuevas estrategias de movilidad.
¿Qué retos se le plantean a esta tecnología?
Los desafíos y los avances en el campo de la movilidad de la próxima década estarán marcados por nuestra capacidad de aprovechar al máximo las enormes cantidades y la variedad de datos de movilidad que ahora pueden ser recogidos en todas partes a través de, por ejemplo, los dispositivos móviles. Estos datos permitirán a los investigadores comprender mejor el comportamiento complejo de los viajeros: cómo actúan y toman las decisiones de viajar, y cómo éstas están motivadas por el objetivo subyacente de mejorar su bienestar. Estos datos conducirán a simuladores más detallados pero también más complejos e ineficientes desde el punto de vista computacional, por eso su uso para resolver eficazmente los problemas de optimización del transporte seguirá siendo un reto.