Aplicación para la predicción de rutas de movilidad urbana
22 de noviembre de 2024
Inteligencia artificial y Big Data al servicio de los ciudadanos
A principios del año 20 la empresa de Transports Metropolitans de Barcelona (TMB) detectó que sus usuarios necesitaban tener en su app un sistema de predicción de rutas alternativas a la ruta habitual en caso de alguna incidencia como un atasco, obras, una huelga, un evento...
Como requisito necesario además, querían aprender y entender el manejo y funcionamiento de Google Cloud Platform.
Los Team de Inteligencia Artificial y ** Big Data propusieron varias ideas de soluciones en relación sobre todo al manejo de datos, su recopilación, almacenamiento y visualización.
Reto
En los meses de arranque del proyecto, llegó la COVID-19 y todos los usuarios de la App se quedaron en casa, por lo que ya no había datos que recopilar, ni mediciones, ni predicciones que hacer.
TMB y SNGULAR decidimos pivotar el proyecto, de hacer predicciones de ruta a hacer predicciones de usuarios acumulados en una parada, vagón o autobús.
“Vivimos el inicio de la pandemia junto a TMB, por lo que el proyecto inicial ya no tenía sentido. La propia pandemia nos ayudó a encontrar el nuevo foco del proyecto: medir la cantidad de personas en cada estación de metro o parada de autobús.”
Sergio Estaban Adán, Cloud Engineer en SNGULAR.
Solución
Empezó a ser importante saber cuánta gente había en tal o cual parada, y se decidió tomar datos de la afluencia de pasajeros de una parada de metro o bus en cada franja del día.
Había que diseñar el modelo de datos y para ello se usó una herramienta interna.
Un producto conceptual, nacido de nuestra experiencia acumulada en proyectos con procesamiento de datos en tiempo real y Big Data. Orientado a maximizar el valor de los datos, y que proporciona una rápida implementación, robustez y escalabilidad con un coste de mantenimiento reducido.
Desarrollo con el cliente
Esos datos recopilados de varias fuentes, como sensores en paradas o vagones, hay que mostrarlos y saber interpretarlos, y darle a TMB un dashboard de fácil acceso, configuración y administración de datos. Ya que el proyecto se estaba haciendo sobre la nube de Google, tenía todo sentido usar Data Studio para la interpretación de datos.
“Poder trabajar sobre esa info y obtener resultados automáticos, parece abstracto, pero si lo planteas que se pueda visualizar bien, eso ayuda a que la info sea relevante y se le saque el mejor provecho.”
Resumen de la solución
La rápida reacción y adaptación del cliente y el equipo SNGULAR dio como resultado una App al servicio de los usuarios de TMB, con una nueva utilidad frente a la COVID-19.
- Arquitectura robusta y escalable
- Potencial crecimiento vertical para incluir datos de otros operadores
- Capacidad para manejar información casi en tiempo real
- Almacenaje de datos considerable para análisis futuros
- Cuadros de mando con información actualizada
- Paneles que son fáciles de compartir con terceros
- Una solución que no tiene bloqueos de proveedores
Luis Mesa nos resume toda la evolución del proyecto y todo lo que aprendimos con esta frase:
“Si algo define el ADN de SNGULAR es la capacidad de adaptarse al cambio y sacar situaciones innovadoras en situaciones complicadas. Fue un cambio drástico de proyecto, y creo que se demostró que nos adaptamos y sacamos el máximo partido a los recursos para darle al cliente el mayor valor posible.”
Luis Mesa Data Engineer & Cloud Architect en SNGULAR.
A lo que Penélope Los Arcos, Sales Manager Media Platforms at Google, añade además
"El trabajo realizado por SNGULAR en el caso de TMB demuestra su dominio de las herramientas de GCP y su conocimiento avanzado en desarrollos en IA y su aplicación en casos prácticos."
Ficha técnica
La arquitectura del proyecto se ubica en Google Cloud Platform.
La mayor parte de la arquitectura se implementa en Google Kubernetes Engine (GKE).
Para sincronizar los datos se ha usado el subsistema Kafka PubSub.
Google Data Studio utilizará ese archivo para mostrar información de ocupación en un mapa. Y facilita la visualización de datos en un dashboard para el cliente.
Los recursos de infraestructura, como el clúster de GKE, el conjunto de datos de BigQuery y el depósito de GCS, se implementan mediante Terraform.
Esta es la arquitectura del proyecto, alojado en Google Cloud Platform.