Pablo García, Director de Investigación y Desarrollo (I+D)
En el año 2024 enfrentamos el desafío de ayudar a los equipos de la IM a generar una matriz origen-destino de la ciudad usando información de viajes en buses y desplazamientos de teléfonos entre antenas.
La EOD (encuesta origen-destino) es un estudio que se hace generalmente cada 10 años en las ciudades, en un día común (un miércoles sin eventos climáticos), es costoso y permite tomar una “foto” de una muestra significativa de viajes en la ciudad, la cual se expande usando el último censo disponible, para tener una herramienta de planificación urbana, detectando necesidades de transporte público o de infraestructura en la ciudad.
Esta foto es muy útil, pero deja fuera del cuadro el comportamiento de la ciudad en días no habituales, con eventos climáticos o eventos sociales o deportivos. Además, la ciudad cambia mucho en 10 años.
Hoy en día, existen fuentes de información electrónica que nos permiten generar una matriz Origen-Destino cada una hora, dando una herramienta de planificación urbana que es órdenes de magnitud más eficiente que la foto cada 10 años.
Por un lado, la Intendencia confecciona su matriz Origen y Destino en base a los viajes realizados en ómnibus. Esta matriz se basa en un censo (contiene todos los viajes realizados en ómnibus) y en la precisión de GPS y tiempo que reportan los ómnibus.
Por otro lado, se tiene la matriz de desplazamientos de celulares entre antenas, la cual, expandida por el censo, es una matriz completa de desplazamientos en la ciudad.
El problema al que nos enfrentamos, junto con el equipo de datos de la IM, es que al comenzar el trabajo estas matrices no coincidían, aunque cada una era correcta por sí, pero no era posible encontrar dentro de la matriz de telefonía, la matriz de la IM, la cual podíamos definir, por su método de confección, como “Golden Records” o datos verdaderos que debíamos identificar como un sub-conjunto dentro de la matriz de telefonía.
La validación inicial, considerando los desplazamientos entre los segmentos censales del departamento de Montevideo, nos mostraba una correlación muy baja, simplemente usando una distancia de tanimoto por hora, considerando como coincidencia cuando se ve al menos un desplazamiento con origen en un segmento censal y destino en otro segmento censal, donde se ven viajes en ambas matrices, y como diferencia cuando se observan viajes en una matriz y no se observan en la otra, con las mismas condiciones.
La primera evaluación de esta coincidencia era extremadamente baja, no llegando al nivel para validar la matriz.
Ilustración 1: Viajes entre segmentos censales, coincidencias por hora entre ambas matrices
Aun así, observábamos alta correlación en algunos segmentos.
Ilustración 2: Sectores donde correlacionan casi perfectamente los viajes observados en bus con los observados por telefonía
Estas coincidencias (aunque sea en un pequeño porcentaje de los segmentos) son indicativos de que tenemos un problema de asignación a segmentos censales, debido principalmente a las limitaciones de la tecnología, ya que los segmentos censales están creados con diversos criterios, relacionados con si la población vive o pernocta en esa parte de la ciudad, pero tanto las paradas del transporte público como las antenas de red celular están ubicadas en donde las personas las necesitan, y esto está correlacionado con el lugar donde la gente vive, pero también con los lugares donde trabajan, o donde realizan otras actividades (por ejemplo, donde van de compras, o la playa, etc.)
Para resolver este problema, primero ajustamos la resolución del mapa, fusionando algunos segmentos censales. Esto lo hicimos “aprendiendo” cuál es la “distribución-Montevideo” que nos muestra cómo se comporta la población de Montevideo para ir a trabajar o estudiar.
Ilustración 3: Distribución típica del desplazamiento de los montevideanos par air a trabajar, estudiar y regreso al hogar
Una vez determinada esta distribución típica, podemos observar sectores de la ciudad que están muy lejos de esta distribución, y que, al unirlos con sectores aledaños, se aproximan a esta distribución. Así fusionamos 100 segmentos censales con sus vecinos, reduciendo la resolución del estudio en aproximadamente 1/10, obteniendo algo más de 1000 segmentos censales que son representativos y que permiten resolver la primera fuente de descuadre y aproximar la solución.
En segundo término, abordamos la asignación a segmentos censales de las paradas de autobús, considerando la trayectoria de los buses, ya que la primera aproximación asignaba al segmento censal donde está ubicada la parada el destino final de las personas que bajan o suben en esa parada.
Ilustración 4; Asignación de destino de las personas que bajan en la parada
Comenzamos el estudio usando el alcance de las antenas de telefonía (zona roja) y agregando distancia de cada segmento censal a las diversas paradas, podemos asignar los segmentos verdes como los más probables que sean el destino de las personas que bajan en la parad marcada con el pin rojo, ya que de no ser ese el destino, preferirían otra parada.
Así redujimos fuertemente la asignación de destinos en base a cada parada de bus:
lustración 5: Distribución de cantidad de segmentos censales a los que se asigna cada parada
Al trabajar con probabilidades (algunas paradas están en la esquina de 4 segmentos censales distintos) pudimos alinear ambas matrices, llegando a la siguiente matriz de correlación.
Ilustración 6: Matriz con alineación final, y distribución de coincidencias
Finalmente, tenemos una altísima coincidencia en la mayoría de los segmentos censales y en algunos tenemos diferencia total (por ejemplo, en la diagonal, esos viajes son dentro del mismo segmento censal, los cuales tienen en algunos casos 2 x 5 cuadras de tamaño, por lo cual, nadie se tomaría un bus para ir a la panadería, por lo cual, esta divergencia extrema es totalmente esperable y explicable).
Así, trabajando junto al equipo de datos de la IM, pudimos generar una herramienta de planificación urbana que permitirá estudiar muy en detalle los diversos patrones y necesidades de desplazamiento dentro de la ciudad, pudiendo estudiar el comportamiento de la ciudad en diversas horas del día, en diversos días o ante diversos eventos sociales, deportivos, o climáticos, entre otros. En definitiva, mejores datos y herramientas para usarlos con facilidad, permitirán a los funcionarios de la IM, tomar decisiones con mejor información disponible.