Una publicación liderada por el investigador asociado CATLEC y académico de la Universidad de Concepción, Patricio Salas, desarrolló un enfoque que combina información de viajes realizados, rutas generadas mediante herramientas digitales, machine learning e Inteligencia Artificial Explicable para comprender mejor qué factores se relacionan con la elección de un medio de transporte.
Un equipo de la Universidad de Concepción desarrolló una metodología para enriquecer el análisis de cómo las personas deciden entre caminar, utilizar transporte público, automóvil, bicicleta u otras alternativas para realizar sus viajes.
El artículo, titulado Enhancing Travel Mode Choice Modeling with Route-Based Attributes and Explainable Machine Learning, fue desarrollado por el investigador CATLEC Patricio Salas, junto a los investigadores del Departamento de Estadística UdeC Patricio Sáez y Lilian Barría, y combinó conocimientos de transporte, estadística, machine learning e Inteligencia Artificial Explicable para analizar los factores asociados a la elección de modos de transporte.
“La investigación aborda una limitación habitual al estudiar cómo se eligen los modos de transporte: gran parte de la información disponible proviene de encuestas en las que se reportan características de viajes, tiempos o distancias, pero estos datos pueden contener imprecisiones y, normalmente, sólo describen el modo de transporte utilizado, sin entregar información sobre las alternativas que se podrían haber elegido”, explica el investigador CATLEC, Patricio Salas.
Para superar esa limitación, el equipo complementó información proveniente de una encuesta de movilidad con datos obtenidos mediante herramientas digitales de planificación de viajes. Así, fue posible incorporar características de las rutas disponibles para diferentes modos de transporte, incluyendo aspectos como su nivel de rectitud, sinuosidad o cambios de dirección.
El análisis se aplicó a 1.372 viajes correspondientes a un contexto universitario en Hamilton, Canadá. La información provenía de una encuesta de preferencias reveladas, es decir, basada en decisiones de transporte que las personas realizaron. Para cada viaje, los investigadores generaron además alternativas de desplazamiento mediante Google Maps para caminar, utilizar transporte público, automóvil o bicicleta.
“El principal hallazgo fue demostrar que incorporar información sobre la ruta disponible para cada alternativa de viaje permite comprender mejor por qué las personas eligen un determinado modo de transporte”, concluye Salas.
La revista Transportation Research Record: Journal of the Transportation Research Board (TRR) publicó el estudio, que aporta evidencia de que las características del recorrido pueden entregar información complementaria a variables tradicionalmente utilizadas, como los tiempos de viaje, las distancias o las características de las personas.
Datos, movilidad e IA para comprender las decisiones de viaje
La metodología combinó distintas disciplinas y herramientas. Primero, los investigadores tomaron información de viajes realizados y la complementaron con datos de las rutas generadas por un planificador digital para cada alternativa de transporte. Esto permitió caracterizar elementos del recorrido que habitualmente no están disponibles en una encuesta tradicional.
Posteriormente, el equipo utilizó cuatro algoritmos de machine learning basados en árboles para identificar patrones asociados a la elección del modo de transporte. Sobre esos modelos se aplicaron técnicas de Inteligencia Artificial Explicable, principalmente SHAP y LIME, herramientas que permiten examinar qué variables están influyendo en los resultados obtenidos tanto a nivel general como en viajes individuales.
“Al combinar información tradicional con datos más detallados sobre las rutas disponibles y utilizar algoritmos de Machine Learning, es posible aprovechar de mejor manera el creciente volumen y diversidad de información que hoy se genera sobre la movilidad”, asegura el investigador.
A su vez, confía en que la investigación ayude a instituciones públicas en áreas como planificación del transporte, diseño de infraestructura, promoción de modos más sostenibles y evaluación de alternativas de movilidad.
El siguiente paso de esta línea de investigación será evaluar la metodología con mayores volúmenes de información y en otros contextos y ciudades. La proyección planteada por el equipo es continuar integrando machine learning, Inteligencia Artificial Explicable y modelos tradicionales de elección para combinar capacidad predictiva con una mejor comprensión del comportamiento de viaje.
Accede a la investigación completa aquí: https://catlec.cl/enhancing-travel-mode-choice-modeling-with-route-based-attributes-and-explainable-machine-learning/