Inteligencia de Big Data para rutas de autobús ecológicas

El desafío

Proceedings of the 2015 Industrial and Systems Engineering Research Conference S. Cetinkaya y J. K. Ryan, eds.

Matthew Snead, David Holt, Michael Mullen, Michelle Londa, Tongdan Jin
Escuela de Ingeniería Ingram
Universidad Estatal de Texas
San Marcos, TX 78666, EE.UU.

Resumen

El transporte público en autobús es un servicio vital para todas las zonas pobladas, y gran parte de este servicio depende de rutas de conducción estructuradas. Al desplazarse, los autobuses consumen grandes cantidades de combustibles fósiles, lo que repercute en el medio ambiente y genera costes de explotación. El objetivo de este trabajo es proponer una solución sostenible de rutas de autobús que minimice el consumo anual de combustible con una calidad de servicio garantizada. El estudio se realiza a partir de una flota de autobuses que actualmente presta servicio a más de 34.000 estudiantes de una universidad pública de Texas. Utilizando una gran cantidad de datos históricos de la página web del proveedor, se puede determinar la ubicación de autobuses concretos mientras recorren una ruta. Además de las observaciones in situ, los datos en tiempo de ejecución también se recuperan de la página web mediante JavaScript Object Notation y se introducen en herramientas estadísticas avanzadas para la toma de decisiones en tiempo real. El modelo base se construye en SIMIO, se valida y se optimiza mediante funciones complementarias para determinar la ruta de autobús más eficiente en términos de consumo de combustible. El estudio muestra que, sintetizando el análisis de macrodatos con el patrón de llegada de los pasajeros, la eficiencia del combustible puede mejorarse entre un 10 y un 20 por ciento, reduciendo potencialmente un 15 por ciento de los costes de explotación y 24.000 toneladas de emisiones de dióxido de carbono al año.

1. Introducción

En 2013, los estadounidenses realizaron 10.700 millones de viajes en transporte público, la cifra anual más alta en 57 años. El transporte público es una industria de 58.000 millones de dólares que emplea a casi 400.000 personas en 7.100 organizaciones de servicios en Estados Unidos. El acceso a líneas de autobús y ferrocarril reduce la conducción en 4.400 millas (1 milla=1,6 km) por hogar al año y ahorra 450 millones de galones de combustible al año en todo el país, además de reducir las congestiones [1]. A medida que el tráfico sigue aumentando, se produce un incremento constante de la demanda de transporte público de calidad. Una herramienta muy versátil para esta demanda es el uso de sistemas de autobuses. La capacidad de estos sistemas para adaptarse a las nuevas demandas y la flexibilidad de los ajustes de ruta los hacen más viables en comparación con otras opciones que requieren infraestructuras costosas y rígidas como el metro o los sistemas ferroviarios. La ventaja de gestionar el crecimiento orgánico de zonas densamente pobladas es importante para maximizar el rendimiento del transporte a través de la inteligencia de big data, la analítica avanzada y la tecnología de la información.

Minimizar el tiempo de espera de los pasajeros y reducir el coste de explotación son dos criterios básicos para evaluar el sistema de servicio de autobuses. Programar y decidir cómo se organizará una ruta de autobús para ofrecer un servicio óptimo depende de múltiples factores, como la demanda en los lugares, los horarios de las rutas, el tamaño de la flota y las instalaciones de apoyo. Un factor principal a tener en cuenta en esta ecuación es la huella de carbono que dejan los autobuses y el gasto asociado a ella. Por ejemplo, la flota de autobuses objeto de estudio utiliza gasóleo y cada autobús consume aproximadamente 136 galones en un turno de 12 horas a un coste de combustible de 3,05 dólares por galón. Teniendo en cuenta que la combustión de un galón de gasóleo genera 10,18 Kg de CO2 [2], la emisión diaria de carbono alcanza los 1.384 Kg por autobús. Además, el coste de servicio para operar un autobús por turno es de aproximadamente 1.012 dólares, lo que contribuye a un coste de 1.425 dólares por turno de 12 horas por autobús. Por ello, la creación de una ruta y un horario óptimos para los autobuses es esencial para minimizar las emisiones de gases de efecto invernadero y el coste de funcionamiento.

Los estudios existentes sobre rutas y horarios de autobuses suelen abarcar métodos analíticos y observaciones sobre el terreno. Aunque hay muchas herramientas disponibles, un enfoque muy conocido es la guía de planificación del Bus Rapid Transit (BRT) [3]. La versión actual abarca más de 800 páginas e incluye contribuciones de un amplio abanico de profesionales con experiencia directa en el diseño y la implantación de sistemas de BRT en todo el mundo. La guía proporciona a los planificadores la capacidad de diseñar e implantar un sistema de rutas de autobús. Los métodos utilizados en todo el BRT se basan en modelos analíticos para el análisis del tráfico y la toma de decisiones. Algunos métodos de implementación de rutas proporcionan gráficos comparativos basados en ventajas e inconvenientes como herramienta de toma de decisiones; un ejemplo de ello es la asignación de paradas de autobús [4]. Sin embargo, las metodologías estáticas de enrutamiento de autobuses podrían ser ineficientes o dar lugar a grandes cantidades de emisiones de carbono y costes añadidos de operación y mantenimiento debido al entorno operativo variable.

A diferencia de los enfoques actuales, este estudio integra datos de funcionamiento de autobuses en tiempo real con herramientas avanzadas de simulación (por ejemplo, SIMIO) para generar posibles mejoras de un sistema de rutas de autobuses teniendo en cuenta las variaciones de los pasajeros. El modelo de referencia construido representa la ruta actual en estudio y se utiliza en el diseño de experimentos como enfoque para crear un sistema de transporte más ecológico y rentable. Excel, Minitab y JMP se aplican en el tratamiento y análisis de los datos que se incorporan a SIMIO. El software OptQuest se emplea dentro de SIMIO para generar y simular configuraciones de la línea de base y producir soluciones óptimas.

El resto del documento se organiza como sigue: La Sección 2 presenta un marco general bajo el cual se sintetizan múltiples fuentes de datos y se introducen en SIMIO para crear un entorno de simulación para la decisión de enrutamiento. La Sección 3 lleva a cabo el análisis inicial de los datos y la Sección 4 realiza una verificación y validación en profundidad del modelo de simulación. En la Sección 5 se describe la arquitectura de los experimentos y la metodología de solución. La Sección 6 comprende el modelo propuesto para implementar el sistema real de tránsito de autobuses junto con las previsiones de CO2 y ahorro de costes. La sección 7 concluye el artículo.

La solución

2. Metodología

2. 1 Enfoque

Se utiliza la informática, incluyendo datos históricos y en tiempo real, para ayudar a mejorar la eficiencia de la ruta base actual en estudio. Como resultado, se reducen significativamente los contaminantes nocivos y los gases de efecto invernadero que entran en la atmósfera, y también se ahorran costes debido a la reducción de la distancia total de conducción. Diez rutas regulares componen el sistema básico de autobuses. Además, hay cuatro rutas vespertinas, cuatro nocturnas y cinco sabatinas. Transdev, el contratista de autobuses, opera con un total de 45 autobuses, 43 de los cuales son nuevos. A efectos de este estudio, nos centraremos en la ruta Bobcat Village, que opera con un máximo de tres autobuses, aunque el método propuesto puede generalizarse y ampliarse a otras rutas de autobús. Como se muestra en la figura 1, los tres autobuses siguen la misma lógica de ruta: los autobuses viajan de Bobcat Village Norte a Bobcat Village Sur, de Bobcat Village Sur a LBJ, de LBJ al Quad y del Quad a Bobcat Village Norte y repiten este ciclo durante todo el día. Las secuencias de rutas actuales y el horario diario de los autobuses también se muestran en la Figura 1. Obsérvese que Matthews no es una parada y que todas las paradas de Bobcat Village están situadas en el mismo complejo con 0,05 millas de separación.

2.2 Recogida de Big Data

Durante el verano de 2014, El Servicio de Autobuses del Estado de Texas pasó por algunas actualizaciones significativas no sólo con los autobuses, sino también la forma en que los autobuses son rastreados. Usando iPads de Apple los autobuses envían una señal del Sistema de Posicionamiento Global (GPS) que es típico en la mayoría de los teléfonos celulares y dispositivos de tipo tableta. Los gestores de la web son capaces de tomar esos datos y aplicarlos a un mapa, dando al usuario final una localización en tiempo real de dónde se encuentra un autobús en una ruta determinada. Los datos en tiempo real recogidos en este estudio de caso se recuperan de los enlaces en bruto del mapa utilizando una Notación de Objetos JavaScript. Esto nos permitió recuperar continuamente datos GPS en tiempo real del sitio y almacenar la información diaria en un enorme archivo de texto que contiene más de 700.000 líneas de datos brutos. Las líneas de datos en bruto contienen información como: ruta, identificación del autobús, hora, fecha, grabaciones GPS y otra información que no se utilizaba directamente pero que se manejaba. Los más de siete millones de celdas generadas por cada fichero se llevan a un entorno analítico donde se analizan posteriormente.

2.3 Datos de apoyo

Los datos cuantitativos y cualitativos se recogen mediante los métodos descritos anteriormente. Utilizando prácticas de estudio del tiempo, se recogen datos de observación en las siguientes categorías: Hora de llegada del autobús, tiempo de permanencia del autobús, tiempo entre llegadas de los estudiantes en incrementos de cinco minutos y tiempo entre Bobcat Village Norte y Bobcat Village Sur. Todos los datos de observación llevan un sello de tiempo para su correlación con otras fuentes de datos. Los datos suplementarios también son proporcionados por los Servicios de Transporte del Estado de Texas a petición. Esta información se transfiere a Excel, donde posteriormente se interpreta y organiza para su uso en el diseño y la validación. Los datos cualitativos se utilizan durante el proceso de diseño y los procesos de experimentación que se describen a continuación.

3. Análisis inicial de datos

3.1 Análisis de Big Data

Los datos masivos recopilados se extraen y toda la información pertinente se importa a hojas de Excel en las que se utilizan los puntos GPS y las marcas de tiempo para calcular los tiempos de viaje entre paradas adyacentes. Utilizando intervalos de dos horas, las rutas de tiempo GPS se ordenan según la hora del día para tener en cuenta los distintos patrones de tráfico y ambientales.

Los datos se analizan utilizando herramientas analíticas de Excel, Minitab y JMP para generar las distribuciones adecuadas que se implementarán en la plataforma de simulación SIMIO. La figura 2 representa el intervalo de tiempo de dos horas frente al tiempo de interllegada del autobús entre paradas adyacentes; muestra las variaciones espaciales y temporales existentes en la ruta actual. Los tiempos de Bobcat Village Norte a Bobcat Village Sur no se incluyen en la figura anterior porque los tiempos fueron consistentes debido a un carril bus designado sin interrupción para las 0,05 millas de espaciamiento entre paradas. Los datos interpretados se implementan en un entorno organizado que se deriva del proceso de Markov y la teoría de colas. SIMIO permite ejecutar un modelo con muchas réplicas para lograr resultados con un nivel de confianza del 95%.

3.2 Validación de datos

Los datos y la información facilitados por el servicio de transporte, junto con los datos recopilados, se utilizan para validar los resultados del GPS. Los datos de llegada de los estudiantes se introducen en hojas Excel en el mismo formato en que se registraron, que se utilizarán posteriormente al diseñar el modelo de simulación. El enfoque de diseño para modelar el sistema actual de autobuses se determina analizando los datos en un entorno organizado. Todos los datos recopilados y analizados generan la capacidad de modelar el sistema actual con una representación precisa y en tiempo real de la ruta de autobús existente de Bobcat Village basada en los datos GPS junto con otras fuentes. Los datos se utilizan en la programación, la asignación de autobuses y otra planificación lógica dentro del entorno SIMIO. Los datos cualitativos se interpretan y ayudan en el proceso de diseño para determinar ciertas preferencias a atribuir a la ruta y restricciones adicionales relacionadas con el proceso.

4. Metodología y aplicación de SIMIO

4.1 Entorno SIMIO

SIMIO está diseñado para soportar el paradigma de simulación orientada a objetos con aplicaciones a gran escala basadas en modelado basado en agentes. Los objetos pueden crearse y almacenarse en bibliotecas y recuperarse y compartirse fácilmente. Un objeto genérico puede ser una máquina, un cliente, un autobús, un barco o cualquier otra entidad que pueda encontrarse en los sistemas. Los objetos de este estudio incluyen autobuses, estudiantes, paradas y rutas. Un modelo SIMIO se parece al sistema real, y la lógica del modelo y la animación se construyen en un solo paso. Un objeto puede ser animado para reflejar el estado cambiante del objeto, que corresponde a los movimientos del autobús en este estudio. Este tipo de simulación de eventos discretos nos permite modelar el comportamiento del complejo sistema en estudio utilizando una gran cantidad de datos recogidos. Se ha construido un modelo de visualización simple que se presenta en la Figura 3 junto con un modelo de réplica de la ruta de autobuses de San Marcos utilizando Google Earth, Google Sketch Up, Trimble 3D Warehouse y SIMIO (no se muestra aquí).

El modelo se ejecuta de lunes a jueves de 6AM a 8PM con una hora de calentamiento y enfriamiento. Se crean cuatro tipos de entidades que representan a los estudiantes en función de su destino: LBJ, Quad, Bobcat Village Norte y Bobcat Village Sur. Las entidades entran y salen del modelo a través de "fuentes" y "sumideros", que representan colectivamente las paradas de autobús. El sistema de rutas se conecta mediante trayectorias temporales trazadas en función de la secuencia de rutas actual. Los autobuses permiten a las entidades desplazarse entre las paradas de la ruta. El modelo también incluye un análisis de costes para los autobuses basado en el consumo medio de combustible y el coste de explotación contratado por hora. El modelo contiene estadísticas de salida que se muestran durante la simulación y generan información en tiempo real sobre el coste global, el coste individual por autobús y el número de pasajeros que viajan actualmente en un autobús concreto.

4.2 Entidades

Se crea una tabla de tarifas para cada una de las cuatro paradas de autobús. Las unidades de tasa para las tablas del proceso de llegadas Poisson son llegadas por hora. La tasa se establece utilizando 156 intervalos de cinco minutos. El tiempo se basa en el reloj interno de la simulación. Cada cinco minutos, se da una tasa basada en el número de eventos por hora. Esta tasa se genera utilizando la distribución exponencial. Por ejemplo (véase la tabla 1), el tiempo de llegada durante el periodo de 7:20:00 a 7:25:00 se distribuye exponencialmente con una media de 43,2 llegadas (es decir, eventos) por hora. Cuando la fuente comienza a crear una entidad, se consulta una tabla independiente para determinar el tipo de entidad que se va a crear.

Tabla 1: Extracto de una tabla de llegadas a una parada de autobús en la mañana del día 1

El cuadro 2 ilustra la tabla de referencias utilizada por las fuentes al crear entidades. Se lee como una matriz en la que la fuente es llamada por la columna y la probabilidad de un determinado tipo de alumno se define por las filas de la columna. Una vez creada la entidad, la fuente le asigna un destino en función del tipo de entidad. A continuación, las entidades esperan en las colas de salida de la fuente a ser recogidas por los transportistas.

Tabla 2: Probabilidad de destino de los alumnos

4.3 Transportistas (autobuses)

La ruta de autobús de Bobcat Village utiliza tres autobuses, cada uno de ellos con horas de inicio y fin diferentes (véase la figura 1). Los autobuses siguen las rutas horarias entre paradas, que se establecen para evaluar el tiempo dentro de la simulación y, por tanto, determinar qué distribución y valores utilizar durante un intervalo de tiempo concreto de dos horas. Esto permite utilizar los datos del GPS en relación con la hora del día para imitar las condiciones del tráfico. A medida que se recogen las entidades, el transportista debe esperar a que éstas se carguen y descarguen. Para ello se utiliza la función aleatoria uniforme integrada en Minitab. El tiempo de carga de cada autobús se distribuye aleatoriamente entre uno y tres segundos por entidad. Cada autobús tiene una capacidad máxima de 60 plazas, incluido el conductor. Para el modelo es apropiado elegir 59 como capacidad máxima del autobús excluyendo el asiento del conductor.

4.4 Procesos

Un desencadenante, un paso de ejecución o un evento pueden iniciar un proceso. Los procesos se diseñan utilizando diferentes pasos que se llevan a cabo cuando se lanzan. Los procesos se utilizan en todo el modelo de simulación para realizar una serie de acciones lógicas.

La figura 4 muestra uno de los 14 procesos desarrollados en el entorno de simulación de viajes en autobús. Un proceso inicializado al principio del modelo evalúa cuándo permitir que un autobús arranque basándose en los controles. El tiempo de llegada de dos autobuses se realiza mediante un proceso similar. El tercer autobús utiliza un proceso que permite la opción de que el autobús salga del turno durante el día y luego vuelva al turno hasta la hora de finalización. Los operadores de autobuses intentan mantener una separación de diez minutos entre cada autobús a lo largo del día. Cuando un autobús se adelanta al horario, siempre se sitúa en el Quad. El espaciado se crea utilizando una entidad separada, fuente, trayectoria temporal y sumidero. Cuando un autobús abandona el lugar de residencia asignado, se inicia un proceso que hace que una fuente cree una entidad que sigue una ruta temporal con un espaciado predeterminado de diez minutos. El siguiente autobús que entra en la ubicación de vivienda asignada evalúa si hay una entidad en la ruta de tiempo, si es así el autobús habita hasta que el sumidero es provocado por la entidad para realizar un proceso que dispara un evento para liberar el autobús. En el modelo se utilizan muchos procesos, incluida la mayor parte de la lógica responsable de las propiedades de referencia.

4.5 Propiedades de referencia

Las propiedades de referencia (controles) se definen dentro del modelo utilizando métodos similares de la lógica contenida en este documento. Como se ha mencionado, las horas de inicio y fin de los autobuses son controladas por el usuario y establecidas por los procesos. Además, las configuraciones de las viviendas y la opción de eliminar una parada pueden establecerse con diferentes combinaciones de los controles. La relación entre los controles y la configuración base se muestra en la Tabla 3. El horario actual se basa en el reloj interno de la simulación que funciona durante 14 horas desde las 6 de la mañana hasta las 8 de la tarde. Estos controles se utilizarán posteriormente en el proceso de experimentación como un enfoque sistemático para generar posibles mejoras en la ruta.

Tabla 3: Resumen de los parámetros de control

4.6 Validación del modelo

La configuración de referencia se replica 200 veces y se comprueba con los datos. Las simulaciones SIMIO proporcionan una gran cantidad de estadísticas de salida para todos los objetos del modelo que se utilizan para validar el sistema. Las numerosas réplicas del escenario de referencia proporcionan datos valiosos que se comparan con los datos de observación en tiempo real junto con los datos recogidos por la oficina de transporte de la universidad. Las expectativas y los resultados de la simulación convergen, lo que demuestra la validez del modelo y su representación del sistema del mundo real objeto de estudio. Mediante la utilización de esta información, se determina que se pueden buscar soluciones después de utilizar este modelo para diseñar múltiples experimentos e identificar una solución probable que conduzca a un menor coste de explotación y a un menor impacto medioambiental.

5. Experimentos

5.1 Diseño de experimentos

El experimento es un diseño multiobjetivo en el que los tiempos de espera medios son el objetivo más ponderado, seguido de los tiempos de espera máximos y el coste, respectivamente. Las respuestas se definen utilizando expresiones que se relacionan con cada estadística de salida particular. Las respuestas se definen para minimizar el tiempo o el coste y se les asigna un peso objetivo. Las propiedades de referencia son los controles del experimento que pueden manipularse fácilmente para generar escenarios de rutas alternativas.

A las respuestas se les asignan valores mínimos y máximos con el incremento en el que puede cambiar un valor de respuesta concreto. Además, las restricciones se implementan escribiendo expresiones generales para evitar que el modelo de optimización genere configuraciones inviables. Las soluciones óptimas se obtienen mediante el programa OptQuest. En este experimento se establecen en OptQuest un mínimo de 35 réplicas y un máximo de 3.000 escenarios. El software genera y simula escenarios utilizando los controles e interpreta las respuestas antes de generar nuevos escenarios. Los datos históricos de cada escenario simulado se utilizan al generar los nuevos escenarios en un intento de encontrar posibles soluciones basadas en la función objetivo. OptQuest continúa duplicando el proceso hasta que se encuentra una solución óptima o se simula el máximo número de escenarios.

5.2 Realización de experimentos

OptQuest ejecuta el experimento y realiza hasta 105.000 simulaciones en función del diseño del experimento. Una vez completado, los resultados se ordenan utilizando los ajustes de los parámetros de las variables de respuesta para eliminar los escenarios que están fuera de los objetivos. Los escenarios restantes se exportan a otro experimento para realizar más réplicas y compararlas con el modelo de referencia. En el nuevo experimento, el diseño se simula para 200 réplicas por escenario, incluyendo las posibles soluciones y seis configuraciones de la línea de base con el mismo programa de rutas. A efectos de comparación, las seis configuraciones que representan diferentes escenarios se resumen como sigue
1) Situación de partida
2) Situación de partida con vivienda LBJ
3) Línea de base con Bobcat Village Sur eliminado
4) Línea de base con parada eliminada y vivienda dividida para la mañana y la tarde
5) Línea de base con parada eliminada y vivienda dividida donde la vivienda de la tarde se produce en LBJ
6) Línea de base con vivienda dividida

A continuación, los resultados del nuevo experimento se investigan más a fondo para seleccionar posibles mejoras basadas en los mayores escenarios replicados para la precisión de los datos.

5.3 Análisis de los experimentos

Los escenarios que son inferiores a la ruta y al servicio requerido (con respecto a los tiempos de espera máximo y medio) se eliminan utilizando funciones "menos que" en el experimento. A continuación, se analiza la comparación de configuraciones y respuestas para seleccionar los recorridos que superan a otras soluciones posibles. En SIMIO se elaboran gráficos para determinar la calidad de cada escenario. Los gráficos se basan en la Medida de Riesgo y Error (MORE) desarrollada por Barry Nelson [7] y en las etiquetas SMORE de SIMIO [8]. Los gráficos muestran gráficos de caja, histogramas y gráficos de puntos mejorados en función de las respuestas deseadas y los escenarios seleccionados. La figura 5 muestra un ejemplo de gráfico SMORE del tiempo medio de espera en Bobcat Village North frente a las seis configuraciones de la línea de base. El software permite trazar todas las variables de respuesta de esta manera para compararlas. Se eliminan los posibles escenarios de solución seleccionados que producen grandes variaciones o valores atípicos. Las soluciones finales se determinan en función de la calidad de las estadísticas de salida. Aunque existe una gran cantidad de soluciones factibles, muchas se eliminan basándose en las comparaciones y preferencias deducidas de los datos cualitativos y cuantitativos.

El impacto empresarial

6. Resultados y recomendaciones

Utilizando determinadas configuraciones de programación, supresión de una parada y prácticas de habitabilidad del autobús, la ruta puede esperar una gran reducción de costes y ahorro de carbono sin dejar de prestar servicios de calidad a los estudiantes (véanse las Tablas 4-6).

Tabla 4: Resultados de la respuesta (la unidad de tiempo son los minutos)

6.1 Reducción de costes

El gráfico SMORE de los escenarios de costes demuestra que los costes calculados a partir de las réplicas pueden considerarse válidos (véase la Figura 6). Los escenarios presentan muchas soluciones acertadas con una amplia gama de posibles ahorros. El cuadro 5 muestra el ahorro de costes previsto según un escenario pesimista, realista y optimista. El ahorro previsto oscila entre el 10% y el 20%. Por ejemplo, el escenario pesimista muestra que podrían ahorrarse hasta 400 dólares por autobús y día, mientras que la solución optimista muestra que el ahorro podría alcanzar los 800 dólares. Incluso en la hipótesis pesimista, el ahorro anual puede alcanzar los 420.000 dólares al año, lo que reduce el coste actual en un diez por ciento.

Cuadro 5: Reducción de costes prevista

Coste calculado ($)

6.2 Ahorro de carbono

La reducción de la distancia recorrida no sólo beneficia a la reducción del coste de funcionamiento, sino que también ahorra la etiqueta de precio medioambiental. En combinación con otros controles, el ahorro de carbono previsto se basa en los mismos escenarios descritos en la sección 6.1 y presentados en la tabla 6. El ahorro de CO2 estimado se sitúa entre el 10 y el 23%. El total resultante puede ascender a 11.556 kg de ahorro de carbono al día o casi 24.000 toneladas de emisiones de carbono evitadas al año.

Tabla 6: Ahorro de CO2 previsto

6.3 Recomendaciones

Basándose en el resultado de la simulación, el servicio de autobús puede mejorarse aplicando una o más de las siguientes recomendaciones: 1) eliminar la parada Bobcat Village Sur; 2) reasignar la vivienda a Bobcat Village Norte hasta las 9:30AM; y 3) continuar hasta LBJ durante el resto del día. Por otra parte, la alteración de la programación de los autobuses puede resultar en una cantidad significativa de reducción de costes y ahorro de carbono. Aunque se pueden aplicar muchas soluciones, la solución propuesta (véase el cuadro 7) proporciona el servicio deseado y, al mismo tiempo, reduce en gran medida el presupuesto de explotación y el impacto ambiental. El propósito se sitúa entre los escenarios realista y optimista, con un ahorro de más de 600 dólares (véanse los cuadros 5 y 6), lo que supone más de un 15 % de ahorro tanto en emisiones de carbono como en costes de explotación.

Tabla 7: Solución propuesta para controlar parámetros y variables

7. Conclusión

El objetivo de esta investigación es conseguir un sistema de servicio de autobús sostenible utilizando la informática de macrodatos en tiempo real para reducir los costes operativos y el consumo de combustible sin comprometer la calidad del servicio. Debido a las condiciones dinámicas de funcionamiento, las metodologías estáticas de enrutamiento de autobuses pueden ser ineficientes y dar lugar a grandes cantidades de emisiones de carbono junto con costes añadidos de operación y mantenimiento. Este estudio de caso demuestra que la fusión de los datos GPS en tiempo real con la información de viaje disponible puede crear un modelo de simulación preciso que permite al planificador optimizar la ruta temporal y la ruta física. A diferencia de la optimización estática de rutas, el modelo basado en datos puede evolucionar con las características cambiantes de una ruta y generar además una solución adaptativa dentro de un entorno incierto. El modelo propuesto y el método de simulación pueden aplicarse fácilmente con programas informáticos disponibles en el mercado. El estudio se encuentra ahora en la fase de posible aplicación de una solución en el sistema universitario de transporte en autobús basada en los resultados preliminares. Se calcula que la configuración de rutas sugerida supondrá un ahorro de costes de entre 11,3 y 20,2 millones de dólares en diez años, con una reducción adicional de entre 11,4 y 24,3 mil toneladas de la huella de carbono. Para futuras investigaciones, este estudio ampliará y generalizará el modelo de simulación en un esfuerzo por promover la analítica de big data junto con los sistemas de transporte actuales para reducir en gran medida los gases contaminantes nocivos y el coste.

Agradecimientos

Un agradecimiento especial a Steven Herrera, Stephanie Daniels, y Alex Vogt con los Servicios de Transporte del Estado de Texas que proporcionaron datos esenciales y una visión de la ruta del autobús. También a Phillip Bateman por su ayuda con la recopilación de datos y a Jacob Warren por proporcionar los enlaces web a los datos en bruto y dirigirnos hacia el uso de un JSON. También a Rick Swan por crear el JSON y almacenar los datos. Esta investigación es apoyada en parte por el USDA bajo la subvención #2011-38422-30803.

Referencias

1.(WPTGCG) "Where PublicTransporte Público, la Comunidad Crece"
http://www.publictransportation.org/news/facts/Pages/default.aspx,(consultado el 20 de enero de 2015)
2.EPA, "Greenhouse Gas Emissions froma Typical Passenger Vehicle", disponible en
http://www.epa.gov/otaq/climate/documents/420f14040.pdf,(consultado el 21 de enero de 2015)
3. L. Wright, W. Hook, Bus Rapid Transit Planning Guide, 3ª edición, Institute for Transportation & Development Policy, publicado en junio de 2007,https://www.itdp.org/wp-content/uploads/2014/07/Bus-Rapid-Transit-Guide-Complete-Guide.pdf,(consultado el 1 de diciembre de 2014)
4. Transit Capacity and Quality of Service Manual, 2ª edición, Transportation Research Board, Washington, D.C. http://www.trb.org/main/blurbs/169437.aspx(consultado el 14 de noviembre de 2014).
5. TCRP Report 118, Bus Rapid Transit Practitioner's Guide, Transportation Research Board, Washington, D.C. http://onlinepubs.trb.org/onlinepubs/tcrp/tcrp_rpt_118.pdf,(consultado el 20 de noviembre de 2014)
6. Route 12-Bobcat Village,http://www.shuttle.txstate.edu/springschedule/Campus/route12.html, (consultado el
30 de enero de 2015).
7. B. L Nelson, "The more plot: Displaying measures of risk and error from simulation output", en Proceeding of the 2008 Winter Simulation Conference, 2008, pp. 413-416.
8. D. Kelton, J. Smith, D. Sturrock, Simio & Simulation: Modeling, Analysis, Applications, 2ª edición, McGraw Hill, Boston, 2011.

Matthew Snead, David Holt y Michael Mullen pertenecen a la Universidad Estatal de Texas y representana Simgineers.