As nosas universidades impulsan a transformación da mobilidade urbana en sustentábel e intelixente
luns, 5 de xullo do 2021
O
proxecto MaGIST pretende diminuír
o impacto ambiental, facendo máis sustentábel
a mobilidade urbana. Para
acadalo está a mobilizar os
sistemas intelixentes de transporte que desenvolven investigadores da
USC, UVigo, UDC e da Universidade Carlos III de Madrid. Segundo
explican, “os
problemas relacionados co tráfico rodado son unha das maiores
preocupacións nas cidades, e por tanto retos chave dos Sistemas
Intelixentes de Transporte (ITS) urbano modernos”.
O
obxectivo do
proxecto MaGIST (Almacenamento
e procesado de datos xeoespaciais masivos para o transporte urbano
intelixente e sustentábel)
consiste en definir a arquitectura dun sistema intelixente de
transporte urbano que permita a incorporación continua de datos e
conte con procesos de aprendizaxe automática, co fin de predicir os
fluxos do tráfico ou detectar aquelas zonas do espazo urbano nas que
exista unha “degradación de activos” que poida afectar á
mobilidade.
Labor do grupo GeoTECH
Co
catedrático da Escola de Enxeñaría Forestal Henrique Lorenzo como
investigador principal, o
grupo GeoTECH (Universidade
de Vigo)
responsabilizase do subproxecto MaGIST-ERIUM:
Intelixencia
xeoespacial como soporte á toma de decisións en mobilidade urbana.
Este céntrase, por unha banda, no desenvolvemento dun sistema de
procesado de datos xeoespaciais e “técnicas de aprendizaxe
automática” que permitan “obter medidas da degradación de
activos” de infraestruturas relevantes para o transporte, como
pavimento ou sinalizacións.
Por
outra banda, nunha segunda liña de traballo, o grupo que integran
investigadores da Escola de Enxeñería Industrial e da EE Forestal
(UVigo)
deseñará unha metodoloxía para a caracterización topográfica das
“zonas navegábeis”
da contorna urbana, o que permitiría a este sistema de transporte
intelixente definir “redes de navegación adaptadas a cada modo de
mobilidade”. Estes dous obxectivos atópanse así mesmo vinculados
ao inicio de dúas teses de doutoramento por investigadores do grupo.
En
liñas xerais, sinalan desde o grupo GeoTECH, un sistema intelixente
de transporte urbano persegue a “xestión integral do tráfico
nunha cidade, optimizando as capacidades existentes e os niveis de
servizo”. Coordinado polo Laboratorio de Bases de Datos da UDC, no
proxecto coordinado MaGIST, que se estende ata 2023, participan tamén
os grupos de investigación en Gráficos por Computador e Enxeñaría
de Datos da USC e de Aplicacións e Servizos Telemáticos da
Universidade
Carlos III.
O
seu obxectivo é deseñar un sistema de transporte “eficiente e
sustentábel”,
actuando a varios niveis e agrupando os resultados dos diferentes
subproxectos nunha aplicación móbil e nun “panel de control”,
que contribúa á toma de decisións por parte dos xestores públicos,
a través da incorporación de datos de tempo real e da “exploración
analítica” dos rexistros de eventos previos, de tal xeito que
permita analizar tanto datos “que reflicten cambios lentos” na
cidade, “como fluxos de información altamente cambiantes”.
Nese
senso, proxéctase unha actuación a varios niveis, que abranga a
monitoraxe
e predición do tráfico e do seu impacto ambiental, tendo en conta
que constitúe un dos principais causantes de emisións de óxidos de
nitróxeno nas áreas urbanas, así como a definición de “rutas
multimodais” que combinen o transporte público “con outros modos
de desprazamento” e que se optimizarían seguindo as predicións do
tráfico e da calidade do aire. Un terceiro eixo céntrase no
seguimento
da degradación das infraestruturas, que é un dos obxectivos do
subproxecto que coordina Lorenzo.
MaGIST-ELA
- Empregando unha aplicación para consultar detalles do tráfico / Imaxe de Santi Alvite (USC)
MaGIST-ELA
é outro dos subproxectos, que colle corpo baixo o epígrafe
Xeoprocesamento
a gran escala para análise exploratorio e baseado na aprendizaxe,
cuxos investigadores principais son os profesores da USC José Manuel
Cotos Yáñez e José Ramón Ríos Viqueira. O obxectivo principal de
MaGIST-ELA é o desenvolvemento de técnicas eficientes de
procesamento de consultas sobre data
lakes
heteroxéneos moi grandes—repositorios de almacenamento
centralizado que conteñen Big
Data
de varias fontes nun formato granular e sen procesar— e a súa
aplicación para a resolución da análise xeoespacial.
MaGIST-ELA
utilizará a aprendizaxe automática para a monitoraxe
e a
predición
de fluxos de tráfico, e para o
seguimento
e predición da calidade do aire. A aprendizaxe automática
utilizarase tamén para estimar a degradación do pavimento a partir
de datos obtidos de dispositivos móbiles. A continuación,
deseñaranse técnicas de almacenamento e procesamento aproximado
para dar soporte á análise exploratoria de fontes xeoespaciais.
Finalmente, aplicará
a aprendizaxe automática sobre datos vectoriais e raster
mediante o procesamento de conxuntos de consultas.