Cara a un sistema intelixente de transporte urbano

Isto permitirá, entre outras cuestións, predicir os fluxos do tráfico ou detectar aquelas zonas do espazo urbano nas que exista unha “degradación de activos” que poida afectar á mobilidade.

No marco deste consorcio, sitúase o subproxecto ‘MAGIST-ELA: 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 monitorización e predición de fluxos de tráfico, e para a monitorización 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, implementará a aprendizaxe automática sobre datos vectoriais e raster mediante o procesamento de conxuntos de consultas.

Cambio de paradigma

“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. Inclúen a análise do fluxo de tráfico rodado e o seu impacto ambiental e a análise da degradación das infraestruturas”, explican os investigadores. Neste senso, os avances nas tecnoloxías de sensorización e a implicación dos cidadáns a través de aplicacións móbiles de crowdsensing están a desembocar na produción de cantidades de datos con cocientes de xeración sen precedentes. “Identificouse un cambio de paradigma dos tradicionais ITS dirixidos pola tecnoloxía aos modernos dirixidos por datos, que aplican algoritmos de aprendizaxe sobre grandes volumes de datos de sensores”, engaden. O Big Data gañou gran interese aquí, implicando importantes retos en todas as capas de software. “Moitos destes datos teñen natureza xeoespacial. Tradicionalmente, os datos vectoriais e raster almacénanse e xestiónanse con tecnoloxías distintas”, explican. Nesta liña, o chamado Data Lake xurdiu como unha nova arquitectura de almacenamento de datos pero as súas extensións espaciais deseñáronse tendo en mente só os datos vectoriais. Mentres no modelo vectorial as liñas e puntos son os elementos principais do sistema, no modelo ráster, é a cela. A principal diferenza con respecto a un arquivo vectorial é que o arquivo ráster almacena píxel mentres no vectorial almacena coordenadas dos vértices de cada elemento xeométrico.

“A pesar dos avances en tecnoloxías de procesamento a gran escala, e mesmo se nos centramos en datos vectoriais, os tempos de resposta necesarios para a análise exploratoria interactiva de grandes conxuntos de datos son aínda inalcanzables. Doutra banda, as implementacións paralelas da aprendizaxe automática teñen favorecido o seu escalamento, pero cun custo e impacto ambiental frecuentemente moi altos”, conclúen os investigadores. O subproxecto está financiado ao abeiro do ‘Programa Estatal de I+D+i Orientada a los Retos de la Sociedad, Ministerio de Economía y Competitividad, PID2019-105221RB-C42’.