Sensores Virtuales: Inteligencia artificial para la predicción de flujos de personas
Roberto García Lafuente CEO
Dinycon Sistemas S.L. 18 de noviembre de 2.022
• Ingeniería integradora de sistemas de control. • MISIÓN: Desarrollo de sistemas avanzados para optimizar la movilidad peatonal y de vehículos en espacios públicos, edificios y aparcamientos • Fundada en el año 2.000, con sede en Donostia-San Sebastián. • Presencia internacional en Mexico, Chile, Colombia, Ecuador y Oriente Medio. • Nuestro departamento de I+D+i, camina muy ligado a las nuevas tecnologías, la Inteligencia Artificial y al concepto de ciudad inteligente “smart city” SOMOS…
– INTRODUCCIÓN – CONTEXTO – OBJETIVOS – PROCESO DE GENERACIÓN DE LOS SENSORES VIRTUALES – RESULTADOS – CASOS DE USO – CONCLUSIONES – AGRADECIMIENTOS Sensores Virtuales: Inteligencia artificial para la predicción de flujos de personas
• Tradicionalmente, el estudio de la movilidad ha estado enfocada a los vehículos motorizados • La movilidad de las personas, está cobrando cada vez mayor relevancia para: • Conocer los flujos y ocupación de espacios públicos • Predicción de la movilidad peatonal • Sectores de interés: • Administración pública • Comercio • Turismo CONTEXTO
CONTEXTO • Por dónde se mueven las personas en la ciudad? • Qué influencia tiene el entorno en su comportamiento? • Cuales son los focos de atracción? • La información disponible es por ‘sensaciones’ • Desconocimiento del tráfico peatonal • Difícil predecir la evolución • Situaciones de riesgo, aglomeraciones
CONTEXTO EVOLUCIÓN DE LA MOVILIDAD PEATONAL • Cada vez se despliegan más sensores de conteo • Se utilizan diferentes tecnologías: • Visión estereoscópica (identifica volúmenes) • Analítica de imágenes • Detección de señales de teléfonos móviles • Sin embargo, estamos lejos de tener un mapa relevante de la movilidad peatonal, por dos razones: • Dificultad en el despliegue • Altos costes
OBJETIVOS • Generar un mapa de movilidad peatonal de la ciudad, que aporte en tiempo real información sobre la movilidad • Identificar las ubicaciones y variables del entorno que aporten mayor información • Encontrar patrones de comportamiento que faciliten la predicción de la movilidad peatonal a través de los SV
PUNTO DE PARTIDA • Necesitamos disponer de un volumen histórico de datos significativos • Es fundamental que los datos sean de calidad • Manejar herramientas de Inteligencia Artificial
PROCESO GENERACIÓN SENSOR VIRTUAL 1- SELECCIÓN DE LOS SENSORES DONANTES • Siguiendo criterios intuitivos: – Proximidad a los futuros sensores virtuales – Dinámica similar de la zona (comercial, de paso….) • Siguiendo criterios puramente matemáticos: relaciono todos los sensores existentes con el futuro sensor virtual, detectando los que aportan mayor información en base a métricas de error y correlación. • Dependiendo del número de sensores desplegados, el anterior puede ser un proceso largo y tedioso
PROCESO GENERACIÓN SENSOR VIRTUAL EJEMPLO
• R2: Coeficiente de determinación: 1 –(realprediccón)2/(real-media)2. valores en torno a 0,8 se consideran buenos
• RMSE: (Root Mean Square Error): error cuadrático medio: mide la cantidad de error que hay entre dos conjuntos de datos. En otras palabras, compara un valor predicho y un valor observado o conocido
PROCESO GENERACIÓN SENSOR VIRTUAL 2- FASE DE REGISTRO • Hay una fase inicial de registro de datos reales • Se buscarán ubicaciones de interés o complejas donde el despliegue de sensores físicos resulte complicado – Proximidad a los sensores virtuales futuros – Dinámica similar de la zona (comercial, de paso….) • Completar un periodo temporal representativo, donde se puedan identificar todos los patrones • Registro de datos adicionales para la fase de validación entrenamiento validación t
PROCESO GENERACIÓN SENSOR VIRTUAL 3- FASE DE ENTRENAMIENTO • Selección de una parte de los datos registrados • Limpieza y validación para construir el dataset • Entrenamiento con algoritmos de Inteligencia Artificial (machine learning y deep learning), basados en redes neuronales para conseguir buena precisión • Consideramos modelos basados en conjuntos de árboles de decisión, seleccionando Extra Trees Regressor con 200 árboles.
PROCESO GENERACIÓN SENSOR VIRTUAL
Finalizada esta fase, disponemos del algoritmo que será la base de funcionamiento del sensor virtual
El proceso de entrenamiento se puede repetir en cualquier momento en que se disponga de nuevos datos.
3- FASE DE ENTRENAMIENTO •
•
PROCESO GENERACIÓN SENSOR VIRTUAL 4- FASE DE VALIDACIÓN • Se realizará con una parte de los datos registrados • Aplicaremos el algoritmo de IA sobre los datos registrados de los sensores donantes para la generación de datos del sensor virtual • Compararemos los datos generados anteriormente con los datos reales registrados por el ‘sensor virtual’ • Establecemos unos márgenes de confianza, dentro del cual consideramos que el dato generado es aceptable 0 20 40 60 80 100 120 140 160 180 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 Real Predicción confianza + confianza -
PROCESO GENERACIÓN SENSOR VIRTUAL
ESQUEMA GENERAL
RESULTADOS
Se detectan correlaciones bastante precisas en diferentes puntos de entornos próximos, lo que hace válido el planteamiento de sensores virtuales en este escenario
La obtención de patrones en los datos registrados reduce el tiempo de despliegue del sensor virtual en su fase registro de datos reales • Del conjunto de sensores donantes, se seleccionan finalmente los que más similitud tengan con el sensor virtual • El intervalo de confianza será nuestro indicador de la precisión del sensor en su fase de validación 0 200 400 600 800 1000 1200 1400 1600 1800 00:00 04:00 08:00 12:00 16:00 20:00 00:00 04:00 08:00 12:00 16:00 20:00 00:00 04:00 08:00 12:00 16:00 20:00
•
•
CASOS
USO
DE PLAYAS
Entorno más simple y dinámica similar en cada playa, muy dependiente de la meteorología
Identificación de patrones más sencilla, por lo que no requiere un periodo largo de entrenamiento
Recomendable hacer una selección de sensores donantes en los puntos de mayor flujo de personas
DE
ENTORNO
•
•
•
CASOS DE USO • Entorno más complejo al reunir una ciudad diferentes dinámicas de movilidad peatonal: Zonas comerciales, paseos, zonas de ocio, etc. • Cada zona tiene sus propios patrones, horarios, etc. dependiendo de la actividad • Recomendable hacer una selección de sensores donantes de la misma zona para generar el sensor virtual más preciso ENTORNO DE CIUDAD • En la actualidad estamos desplegando un piloto en Donostia, utilizando datos del proyecto Smartkalea, facilitados por Fomento de San Sebastián
CONCLUSIONES • Ahorro en los costes de despliegue (en torno al 50%) • Creación de puntos de conteo ilimitados • Precisión suficiente para obtención de datos estadísticos • Creación del sensor virtual desde la propia plataforma de software • Podemos generar mapas de calor de movilidad peatonal más completos
AGRADECIMIENTOS
• TECNALIA, que se encargó de generar los algoritmos de Inteligencia Artificial en los que se basa el desarrollo de sensor virtual
• FOMENTO DE SAN SEBASTIÁN, que nos facilitó los datos de campo y el despliegue del piloto para la validación de los sensores y también parte de la financiación a través de los Bonos Tecnológicos
• SPRI, que nos financia parte del desarrollo a través del programa HAZITEK
Roberto García Lafuente robertogl@dinycon.com DINYCON SISTEMAS
Muchas gracias! Eskerrik asko!
