La predicción del flujo de pasajeros en estaciones de metro es esencial para garantizar un servicio eficaz y prevenir situaciones de hacinamiento que pueden implicar riesgos para la seguridad. Con el fin de mejorar la precisión en estas predicciones, un grupo de investigadores de la Universidad Tongji ha desarrollado un modelo innovador llamado “Red Espacial Temporal de Múltiples Períodos” (MPSTN). Este modelo integra características de diferentes períodos utilizando técnicas de procesamiento de imágenes, específicamente redes neuronales convolucionales (CNN), para extraer información temporal.
El MPSTN combina un módulo dedicado a CNN con otro de redes neuronales gráficas (GNN) para integrar información espacial y temporal de varias estaciones. En pruebas comparativas con métodos de última generación para la predicción de datos espaciotemporales, el MPSTN ha demostrado ser el más preciso, logrando un mínimo de errores en sus predicciones basadas en un conjunto de datos disponible públicamente.
El modelo desarrollado transforma series de tiempo unidimensionales en matrices bidimensionales, lo cual permite integrar de manera más eficaz la información entre distintos períodos. Este enfoque no sólo se enfoca en los datos de intervalos previos del mismo día, sino que también aprovecha información de varios días anteriores, incluso de semanas, para predecir los flujos de pasajeros de futuras horas y reducir los márgenes de error.
Un aspecto innovador del estudio es la conversión de datos de flujo de pasajeros en matrices que pueden ser procesadas como imágenes. Esto se logra organizando datos de flujo en 2D, permitiendo a las CNN extraer correlaciones entre puntos adyacentes, tal y como lo haría al analizar fotografías. Esta técnica se combina con el uso de GNN para considerar las relaciones espaciales entre estaciones.
Tras su implementación, los investigadores realizaron pruebas utilizando datos de flujos de pasajeros del metro de Shanghái en 2016, obtenidos a intervalos de quince minutos. El modelo resultó ser más preciso que otros algoritmos de predicción probados, reduciendo errores a un rango mínimo de MAE de 21.521 cuando se trataba de una predicción de una hora, superando notoriamente otros métodos empleados.
Los estudios han demostrado que no solo los datos de períodos anteriores son cruciales, sino que también factores externos, como las condiciones meteorológicas, influyen significativamente en los flujos de pasajeros. Estas consideraciones han sido incorporadas exitosamente en el modelo, mejorando su precisión predictiva.
A pesar de su éxito, los investigadores identifican que aún hay áreas de mejora, particularmente en la forma en que se exploran las relaciones espaciales entre estaciones de metro. Mediante la aplicación de métodos más avanzados que capten de manera efectiva las relaciones espaciales, especialmente las diversas relaciones en diferentes intervalos de tiempo, es posible alcanzar una mejora notable en la precisión de predicción.
En conclusión, el MPSTN abre nuevas puertas al integrar innovadoras técnicas de procesamiento de imagen y datos temporales para abordar el desafío de predecir el flujo de pasajeros de metro. Con futuras investigaciones y el desarrollo de modelos más sofisticados, se puede esperar un cambio significativo en cómo se administran y anticipan los flujos de tránsito urbano, atendiendo con mayor rapidez y precisión las demandas ciudadanas.