El Bicing, sistema de bicicletes compartides que opera  la ciutat de Barcelona,  compta amb més de quatre-centes estacions i un parc de sis mil bicicletes que els usuaris poden llogar. Desafortunadament, gairebé tots els usuaris del Bicing s’han enfrontat alguna vegada al problema de no trobar una bicicleta en una estació o no trobar un espai lliure per deixar-la. Aviat serà possible saber si n’hi ha de disponibles amb dos dies d'antelació.

Gabriel Martins Dias, va crear el prototip de bicintime, una aplicació que a partir de dades d’accés obert prediu les bicicletes disponibles a les estacions, projecte amb el qual va guanyar un concurs en el projecte europeu Opencities. Ara, Martins, ja  com a estudiant de doctorat, conjuntament amb Boris Bellalta i Simon Oechsner,  investigadors del Departament de Tecnologies de la Informació i les Comunicacions (DTIC) de la UPF, ha millorat el prototip amb un mètode que permet fer bones prediccions de l’ús del servei Bicing a Barcelona.

El treball “Predicting Occupancy Trends in Barcelona’s Bicycle Service Stations using Open Data”, que els investigadors presentaran el proper mes de novembre al SAI Intelligent Systems Conference (IntelliSys 2015 ) a Londres (Regne Unit), els dies 10 i 11 de novembre, recull els detalls de la recerca, l’objectiu de la qual és millorar i promoure l'ús de bicicletes públiques a Barcelona ​​i, per extensió, a altres sistemes de tot el món. Es demostra el potencial que tenen les tècniques actuals d’anàlisi de dades per a la millora la qualitat de vida dels ciutadans.

Com es van fer les prediccions

Tenint en compte que l’ús del Bicing varia segons els dies de la setmana, la climatologia i altres variables, els investigadors van recollir les dades de les estacions de Bicing, i les van creuar amb les dades climatològiques i les festes locals. Així, emprant el mètode “Random Forest” els investigadors han fet prediccions d’ocupació i disponibilitat del servei amb dos dies d’antelació.

Amb aquesta mateixa informació, han posat de manifest que, a més de la climatologia, influeixen altres factors, com ara la proximitat de l’estació de Bicing al metro. Els caps de setmana les estacions properes al metro s’usen menys, la qual cosa s’explica perquè aquest servei és una extensió del transport públic col·lectiu.

Impacte dels resultats

Els autors conclouen que, a partir de les dades públiques d’accés obert és possible millorar tot el sistema del servei de Bicing. Per exemple, les prediccions poden servir per a que l'administració del sistema (en aquest cas un consistori) utilitzi els pronòstics per recollir bicicletes en una estació que està gairebé plena, abans que els usuaris hagin de fer front a no trobar llocs per deixar les bicicletes de retorn.

Altre ús que es pot fer de les prediccions és per decidir on ubicar noves estacions de Bicing en base al nombre d’usuaris estimats al llarg de l’any, una anàlisi que suposaria un estalvi de despesa pública. 

Segons han explicat els autors “el següent pas del projecte serà desenvolupar una aplicació per a telèfons intel·ligents que mostrarà als usuaris les prediccions per tal de planificar millor el seu següent viatge”. Les prediccions per a mòbil es faran a partir de dades demogràfiques del barri, dels transports públics de la zona, del nombre d’escoles i d’empreses, etc. Amb això els investigadors esperen que augmenti l’ús d’aquest mitjà de transport urbà, que sigui més fàcil tant trobar vehicles a prop de casa, com trobar espais lliures per retornar la bicicleta prop de l’escola, la universitat o el lloc de treball dels usuaris.

Treball de referència:

Gabriel Martins Dias, Boris Bellalta and Simon Oechsner (2015), “Predicting Occupancy Trends in Barcelona’s Bicycle Service Stations using Open Data”, IntelliSys 2015, 10 i 11 de novembre, Londres.

Altres e-notícies relacionades:

Investigadors de la UPF estudien els comportaments de les persones als espais urbans