Joseangel | José Ángel Martín Baos

A Game-based Model for Pricing and Timetabling in Liberalised Passenger Railway Markets

Sun, 12 Jul 2026 00:00:00 +0000

Abstract

We propose a game-theoretic model for pricing and timetabling in liberalised passenger rail markets under vertical separation. Railway undertakings compete for train paths (on-rail competition) and subsequently set fares facing passenger demand (off-rail competition). Passenger choice is modelled through a nested logit structure. The resulting bi-level equilibrium model determines path bids and ticket prices. A column generation algorithm is developed and validated using data from the Spanish HSR Madrid–Barcelona corridor.

Optimization with constraint learning for pricing services under competition

Sun, 12 Jul 2026 00:00:00 +0000

Abstract

Revenue Management (RM) optimizes pricing and capacity allocation under demand uncertainty. We propose a data-driven RM framework that integrates neural networks or gradient boosting tree models with constraint learning to support joint pricing and capacity decisions. The approach adapts to arbitrary demand patterns learned directly from data, without requiring a predefined demand model, and captures competitive interactions between railway undertakings using only observable information. The methodology is illustrated through a case study of the Madrid-Barcelona high-speed rail corridor.

Code

The code for the experiments presented in this talk is available at under the Apache License 2.0. Please refer to the repository for instructions on how to reproduce the results and access the datasets used in the experiments. Note that the repository contains the current research implementation and the code is still under development, so it may change substantially before publication.

Un enfoque práctico para la enseñanza de Álgebra y Matemática Discreta mediante clase invertida en Ingeniería Informática

Wed, 09 Jul 2025 00:00:00 +0000

Abstract

La enseñanza de conceptos abstractos en asignaturas técnico-científicas plantea un desafío recurrente en la educación universitaria, particularmente en los primeros cursos, donde el alumnado se enfrenta a contenidos complejos y herramientas nuevas. En concreto, en la asignatura de Álgebra y Matemática Discreta, impartida generalmente en el primer curso del Grado en Ingeniería Informática, estas dificultades se ven agravadas por la falta de estudio constante y la escasa participación en clase. Además, con frecuencia los contenidos se perciben como excesivamente abstractos y alejados de aplicaciones reales. Este trabajo describe como se han rediseñado las sesiones prácticas de esta asignatura mediante la implementación de una metodología de clase invertida. Se han desarrollado cuadernos interactivos en lenguaje MATLAB, además de vídeos explicativos, disponibles tanto en español como en inglés, que fomentan el estudio autónomo antes de las sesiones presenciales. Durante la clase, el alumnado resuelve de manera colaborativa un caso de estudio basado en un problema real, mientras el profesor adopta un rol de facilitador, orientando la discusión y atendiendo dudas específicas. La experiencia piloto, realizada durante el curso 2023/24, ha evidenciado mejoras significativas en la motivación, la comprensión y el rendimiento del estudiantado, generando un ambiente de aprendizaje más participativo y dinámico.

El pasado 30 de septiembre, recibí el XXI Premio Abertis a la movilidad sostenible por mi tesis doctoral

Mon, 30 Sep 2024 00:00:00 +0000

La fundación Abertis ha reconocido el pasado día 30 de septiembre de 2024 los mejores trabajos en materia de gestión de las infraestructuras de transporte y de seguridad vial en la XXI edición de los Premios Abertis a la movilidad sostenible. En la categoría de tesis doctorales, el jurado ha otorgado el primer premio a José Ángel Martín Baos, por su tesis doctoral titulada “Machine learning methods applied to transport demand modelling”. Este trabajo se centra en la aplicación de técnicas avanzadas de aprendizaje automático (ML) para optimizar la modelización de la demanda de transporte, un aspecto crucial para mejorar la movilidad sostenible y la planificación y gestión de infraestructuras de transporte.

El premio, que destaca la innovación en la investigación sobre transporte y seguridad vial, resalta el enfoque seguido en esta tesis doctoral, que demuestra cómo los modelos de aprendizaje automático, como las redes neuronales, pueden superar a los modelos tradicionales de utilidad aleatoria (RUM) en la predicción de la demanda de transporte. Estos modelos son fundamentales para evaluar el impacto social y económico de nuevas infraestructuras y promover políticas de transporte que impulsen la sostenibilidad.

En mi tesis también abordo una limitación importante de los modelos de ML: la dificultad de generar indicadores econométricos fiables, esenciales para la planificación de infraestructuras. Para solucionar esto, propuse una reinterpretación de un modelo llamado Kernel Logistic Regression (KLR), que combina las ventajas de los RUM con las técnicas de aprendizaje automático, logrando predicciones más precisas sin perder la capacidad de derivar estos indicadores.

La ceremonia de entrega de los premios se celebró en la sede de Vocento en Madrid, al final del Foro ABC de Economía Sostenible, con la participación de destacadas figuras del sector. Los galardones fueron entregados por Elena Salgado, presidenta de la Fundación Abertis; José Manuel Vassallo, director de la Cátedra Abertis-UPM; José Miguel Atienza, director de la Escuela de Ingenieros de Caminos de la UPM; y Georgina Flamme, directora de Relaciones Institucionales, Comunicación y Sostenibilidad de Abertis y de la Fundación Abertis.

Compartí este reconocimiento con otros dos investigadores destacados: Tasneem Falah Mohammad Miqdady, de la Universidad de Granada, y Javier Caimari Tur, de la Universidad Politécnica de Cataluña. Los premiados recibimos una dotación económica así como una escultura, simbolizando el compromiso de la Fundación Abertis con la investigación y el desarrollo de soluciones sostenibles para la movilidad.

Noticias relacionadas

Galería de fotos

An Optimization Model for Determining Access Costs in Rail Freight Transportation

Sun, 30 Jun 2024 00:00:00 +0000

Abstract

The liberalization of European railway markets necessitates a vertical separation governance framework, with Infrastructure Managers (IMs) providing resources and Freight Operating Companies (FOCs) utilizing them. Effective pricing of track access between these entities is vital for profitability and system efficiency. Additionally, achieving a modal shift of freight from road to rail is crucial for road safety and EU objectives alignment. This paper introduces a novel pricing methodology for train paths, optimizing infrastructure utilization by IMs while considering competitive dynamics and environmental impacts. It addresses challenges such as elastic demand, integrating network capacity into pricing strategies, and managing non-additive costs and path interdependencies. The proposed model incorporates dynamic demand patterns, temporally variable capacities, and total revenue considerations across the planning horizon. A discretization-based approach, focusing on irregular time intervals and unit freight tonnage, is developed for solving the continuous model. This involves linking freight tonnage units to a prototype train, with a discrete event simulation model employed. The objective function is also discretized, yielding a finite set of optimization variables to be optimized subject to simulation model. An application of this approach is demonstrated through a case study of the Mediterranean Corridor.

Enhancing the convergence speed of line search methods: Applications in Neural Network training

Sun, 30 Jun 2024 00:00:00 +0000

Abstract

The training of machine learning models, such as neural networks, relies on optimisation techniques that necessitate large volumes of data. The algorithms that have demonstrated satisfactory performance on this task frequently use linear searches on subsets of the data. This ensures that, despite the potential low quality of the search direction, the overall computational cost remains low, making this strategy globally efficient. In these methods, strategies employing a constant learning rate have proven to be particularly effective. This paper introduces a novel scheme designed to significantly expedite the convergence process of line search-based methods. Our approach incorporates additional high-quality linear searches derived from the convergence process of the methods, and by making use of an Armijo rule, it dynamically adjusts the step size through successive reductions or expansions based on the evaluated quality of the descent direction. This strategic adjustment enables more substantial progress in the search direction, potentially reducing the number of iterations needed to reach an optimal solution. We have applied our proposed solution to accelerate the performance of widely-used algorithms such as Gradient Descent (GD), Momentum GD, and Adaptive Moment Estimation (Adam). To illustrate the practical implications and effectiveness of our approach, we present a comprehensive case study focusing on the training of Deep Neural Networks and Kernel Logistic Regression.

Creación de un modelo de probabilidad de victoria para partidos de balonmano mediante técnicas de aprendizaje automático

Wed, 19 Jun 2024 00:00:00 +0000

Abstract

Este trabajo desarrolla y valida un modelo de probabilidad de victoria para partidos de balonmano usando técnicas de aprendizaje automático. A través de un análisis de datos provenientes de federaciones internacionales y europeas de balonmano, se aplicaron métodos como la regresión logística, los árboles de decisión y los random forests para identificar variables críticas que determinan el éxito de un equipo. Se ha realizado una evaluación objetivo de la relevancia de cada indicador dentro de cada uno de los modelos utilizados con el fin de optimizar la precisión de los modelos. Los resultados revelan factores significativos que influyen en la victoria, ofreciendo nuevas perspectivas para mejorar estrategias y rendimientos en balonmano profesional. Además, se sugiere la posibilidad de implementar un sistema de valoración objetiva para jugadores basado en el análisis realizado. Este estudio no solo contribuye al avance en la analítica deportiva aplicada al balonmano sino que también proporciona una herramienta valiosa para entrenadores y aficionados, facilitando la comprensión de los determinantes del éxito en este deporte.

An optimal control model for determining freight rail transport access costs

Sun, 19 May 2024 00:00:00 +0000

Abstract

The liberalization of European railway markets, as outlined in European Directive EU 91/440/EEC, mandates a vertical separation governance structure within the railway industry. This vertical separation involves the establishment of two distinct entities: the Infrastructure Manager (IM), responsible for providing railway resources, and the Freight Operating Company (FOC), which operates freight services utilizing the infrastructure provided by the IM. Determining track access pricing between these entities is of utmost interest for European countries extensive monitorings are carried out has emerged as a significant and urgent challenge, one that has profound implications not only for the profitability of IMs and FOCs but also for the efficiency and quality of the entire railway system.

Furthermore, this issue is pivotal in achieving the target objectives set by the European Union (EU), which aims to achieve a modal shift away from road freight transport towards more sustainable modes of transportation. Specifically, the EU has set a goal of achieving a modal shift of 30% by 2030 and at least 50% by 2050 for shipments exceeding 300 km. In this context, rail freight transport is widely recognized as a potentially cost-effective and environmentally sustainable alternative due to its ability to realize economies of scale, reduce pollutant emissions, and mitigate other externalities.

In this paper, we propose an optimal control method for pricing train paths so that the IM maximizes the utilization of public funding while promoting competition in the rail freight market and taking into account both environmental impact and road safety.

The methodology presents several challenges. First, the model needs to account for elastic demand to capture the effect of costs and travel times on modal split. For this reason, road freight transportation is simplified, and a modal split is performed using a logit model.

Second, it involves replacing a basic toll per kilometer scheme with one that incorporates the capacity of the railway network into the pricing process. This means that congested routes should be subject to higher charges than less-demand routes. Hence, a dynamic cargo flow model with capacities on arcs has been chosen. The temporal aspect of the model allows for consideration of dynamic demand patterns and temporally variable capacities (day/night).

The third element of the model deals with a non-additive cost structure and interdependence of train paths when sharing railway segments. This has been achieved by pricing the total revenue received for the use of train paths over the entire planning period.

El 4 de marzo de 2024, daré una charla en la serie de seminarios en línea NeEDS

Tue, 09 Jan 2024 00:00:00 +0000

Estoy emocionado de anunciar que el 4 de marzo, a las 16:30 CET, participaré en la Serie de Seminarios en Línea Machine Learning NeEDS Mathematical Optimization, organizada por Emilio Carrizosa, Dolores Romero Morales y Nuria Gómez Vargas. Durante esta sesión, presentaré “Can machine learning methods effectively model travel mode choice? Beyond predictive performance” ("¿Pueden los métodos de aprendizaje automático modelar eficazmente la elección del modo de viaje? Más allá del rendimiento predictivo"). Esta presentación es el resultado de un esfuerzo colaborativo junto con Ricardo García Ródenas, Luis Rodríguez Benítez, Julio Alberto López Gómez y Tim Hillel. .

Acerca de la serie de seminarios

Machine Learning NeEDS Mathematical Optimization es una serie de seminarios en línea, organizada por Emilio Carrizosa (IMUS – Instituto de Matemáticas de la Universidad de Sevilla) y Dolores Romero Morales (CBS – Copenhagen Business School) con la colaboración de los estudiantes de doctorado Nuria Gómez-Vargas (IMUS) y Thomas Halskov (CBS). Uno de los objetivos de esta actividad es destacar el papel de la Investigación Operativa en la Inteligencia Artificial con el apoyo de EURO.

Esta serie incluye una serie de presentaciones de académicos líderes en el campo de la Ciencia de Datos y Analítica que cubrirán temas importantes como la explicabilidad, la equidad, el fraude, la privacidad, etc. El Modelado Matemático y la Optimización Matemática estarán en el núcleo de sus presentaciones. También tenemos la Serie de Seminarios en Línea YOUNG “Machine Learning NeEDS Mathematical Optimization”. En cada sesión YOUNG, tres académicos junior mostrarán sus últimos resultados en esta área en auge.

El formato es una sesión semanal que tiene lugar todos los lunes, a las 16.30 (CET), y ha estado activa desde el 11 de enero de 2021. Es 100% en línea y cuenta con ponentes de todo el mundo. La Serie de Seminarios en Línea es gratuita gracias a la financiación que la UE otorga a nuestro proyecto H2020 MSCA NeEDS, así como el apoyo brindado por la Universidad de Sevilla (US) y la Copenhagen Business School (CBS). Este apoyo se agradece enormemente.

ROBIN: Rail mOBIlity simulatioN

Wed, 06 Sep 2023 00:00:00 +0000

Abstract

The use of simulators is frequent in the study of complex systems. They replicate a real system and allow obtaining data from the simulated process as well as providing a mathematical model that helps answer What If? questions. This opens up the possibility of evaluating laboratory environment techniques and processes that will later be implemented in the real system. Competitive passenger rail services are complex systems. The efficient design of market mechanisms that encourage competition to offer more and better services requires analytical tools on which to test these new policies. This makes it essential to develop a simulator, as real and complete as possible, to carry out this analysis. This paper presents the development of a microscopic simulator, called ROBIN (Rail mOBIlity simulatioN), to simulate rail mobility in a competitive regime. The developed simulator is parameterizable and general enough to simulate passenger flows in competing railway systems. The tests carried out with ROBIN using the Spanish railway market as a case of study are proof of its usefulness, allowing disaggregated modelling of passenger behaviour and their travel choices in a competitive railway market.

The time slots allocation problem in liberalised passenger railway markets: a multi-objective approach

Wed, 06 Sep 2023 00:00:00 +0000

Abstract

The liberalisation of the European passenger railway markets through the European Directive EU 91/440/EEC states a new scenario where different Railway Undertakings (RUs) compete with each other in an auction or bidding process for time slots to optimise its profit. The infrastructure resources are provided by the Infrastructure Manager (IM) who analyses and assesses the bids received, allocating the resources to each RU. Time slots allocation is a fact that drastically influences the market equilibrium and a problem whose resolution makes it possible to ensure competitiveness within the market. In this paper, time slots allocation problem is modeled in the context of a liberalised passenger railway market. Then, the problem is addressed using two approaches: the first one allocates time slots to each company according to a set of priorities, while the second one introduces a criterion of fairness in the treatment of companies to ensure competition. A multi-objective algorithm has been developed and evaluated for its effectiveness in solving the time slots allocation problem in a liberalized high-speed corridor of the Spanish railway network.

Nyström-based approximations for kernel logistic regression: Application to transport choice modelling

Mon, 17 Jul 2023 00:00:00 +0000

Abstract

The application of machine learning techniques, more specifically kernel-based techniques, to discrete choice modelling using large datasets is limited by the great number of parameters to be considered when building the kernel matrix and the size of the kernel matrix itself. The spatial and temporal complexity is such that these methods are not applicable to large sample sizes. However, there are techniques that allow generating a low-rank matrix approximation to the kernel matrix, one of them is the Nyström method. One limitation of the Nyström method is that the quality of the kernel matrix approximation depends on the proper choice of landmark points. In this work, four variants of this technique are implemented, a basic uniform method, one based on the K-means algorithm and two different implementations of a non-uniform method based on leverage scores. Later, in the experimentation, we conduct a comparison of these methods applied to two big transport mode choice datasets, which contain a large number of samples and variables. Finally, these results are compared with Multinomial Logit and other techniques currently relevant in the Machine Learning field.

El pasado 7 de Julio defendí mi tesis doctoral en Tecnologías Informáticas Avanzadas

Mon, 10 Jul 2023 00:00:00 +0000

El pasado viernes 7 de Julio de 2023 defendí mi tesis doctoral titulada “Machine learning methods applied to transport demand modelling”, dirigida por los profesores Ricardo García Ródenas y Luis Rodríguez Benítez. La tesis doctoral, la cual cuenta con la mencion de Doctorado Internacional, ha sido calificada por el tribunal con la máxima calificación, sobresaliente cum laude por unanimidad.

Galería de fotos

Resumen

La modelización de la demanda de transporte juega un papel fundamen- tal en la planificación del transporte, permitiendo la estimación precisa de la demanda y la evaluación de políticas de transporte como el beneficio social de la creación de nuevas infraestructuras. Sin embargo, a medida que los sistemas de transporte se vuelven cada vez más complejos y los avances tecnológicos recientes permiten una mayor recolección de datos, los métodos analíticos tradicionales como los modelos de utilidad aleato- ria (RUM, por sus siglas en inglés) ya no son suficientes para manejar esta complejidad. Por lo tanto, es necesario incorporar nuevas técnicas que permitan resolver estas limitaciones. Para ello, esta tesis doctoral investiga el potencial de los métodos de aprendizaje automático (ML, por sus siglas en inglés) en este contexto.

En primer lugar, se analiza si los modelos de ML del estado del arte, como las redes neuronales artificiales, las máquinas de vectores de soporte y los métodos basados en ensamble de modelos (como los random forest o los gradient boosting decision trees), mejoran a los RUM en este campo de investigación. Para ello, se comparan estos modelos respecto a su capacidad predictiva y también en cuanto a la posibilidad de derivar indicadores econométricos, aplicados al contexto de la modelización de la demanda de transporte.

Los resultados obtenidos muestran que las técnicas clásicas son superadas por los modelos de ML desde el punto de vista de la calidad de las clasificaciones, sin embargo, estos últimos tienen dificultades para calcular indicadores econométricos confiables. Por ello, se propone un modelo de ML llamado Kernel Logistic Regression (KLR) como alternativa para modelar las funciones de utilidad de los RUM, lo que permite la derivación de indicadores econométricos. Los experimentos realizados demuestran que el KLR proporciona buenos resultados en conjuntos de datos utilizados en otras comparativas de la literatura, al tiempo que proporciona estimaciones insesgadas de los indicadores econométricos.

Además, se propone ampliar la aplicación del KLR a una gama de problemas de clasificación mediante una extensión de los modelos KLR llamada Generalized Kernel Logistic Regression (GKLR). Por ejemplo, la teoría del GKLR ha permitido la derivación de un modelo novedoso llamado Nested Kernel Logistic Regression (NKLR), que permite la aplicación del KLR a conjuntos de datos estructurados jerárquicamente.

Finalmente, esta tesis aborda una de las principales limitaciones del método KLR, que es la alta complejidad computacional y de almacenamiento cuando se aplica a problemas de gran escala. Para superar esta limitación, se sugiere el uso de métodos Nyström y de una novedosa propuesta para acelerar los métodos de entrenamiento de búsqueda lineal. Los resultados demuestran que al incorporar estas técnicas, el KLR puede abordar de manera eficiente problemas a gran escala que involucran cientos de miles de datos.

Noticias

Optimization techniques for Kernel Logistic Regression on large-scale datasets: A comparative study

Wed, 28 Jun 2023 00:00:00 +0000

Abstract

In recent years, machine learning techniques have been increasingly applied to modelling the decision-making processes of individuals. One technique that has shown good results in the literature for modelling complex behaviours is the Kernel Logistic Regression (KLR). However, standard KLR implementations have a time complexity of 𝒪(𝑛^{3), which is not feasible for large datasets. To overcome this limitation, one of the purposed alternatives is to approximate the kernel matrix using the Nyström method. The aim of this work is to evaluate the Nyström KLR model on large-scale datasets and to study, at the experimental level, which of the optimisation techniques that allow training this model is the most efficient. As results, the authors show that the Nyström method efficiently computes the objective function and its gradient, enabling the training of KLR models with up to 10}5 parameters. Then, it is evaluated the performance of several optimisation methods, including gradient descend, Momentum, Adam, and L-BFGS-B. It can be concluded that L-BFGS-B is the most efficient method for training the Nyström KLR model. However, given enough computational time and proper hyperparameter tuning, the Adam method can also yield good results.

image title

A Unimodal Ordered Logit model for ranked choices

Sun, 12 Sep 2021 00:00:00 +0000

Abstract

Ordinal scale responses capture qualitative user feedback which can be used to model individual choice preference, or are employed in traffic accident analysis to evaluate accident severity. We present a new choice model for ordinal scale responses in choice tasks that combines a Multinomial Logit model with a Poisson probability mass function. The Poisson distribution, which is suitable for modelling the occurrence of the number of events in a fixed time frame, independent of previous events, can be adapted into the unobserved error distribution of a standard MNL model to capture the natural ordering of the choices by imposing a unimodal constraint on the a posteriori choice probability. In this paper we describe the theoretical framework and the specification of the Unimodal Logit model. We apply our model to evaluate accident severity concerning road collisions. Our results are compared against the traditional ordered logit model and the MNL model.

A comparative study of machine learning, deep neural networks and random utility maximization models for travel mode choice modelling

Wed, 08 Sep 2021 00:00:00 +0000

Abstract

Traditionally, Random Utility Maximization (RUM) models have been widely applied to travel mode choice modelling. Currently, Machine Learning (ML) models are being applied as an alternative to RUM models, since they provide better results in terms of prediction capability and they can manage large volumes of data. In this paper, a comprehensive comparison between classic RUM models and ML models, including single and ensemble classifiers as well as Deep Neural Networks (DNNs), is provided in order to assess systematically the performance of different models over two different datasets which have different sizes and nature of data. Numerical experiments show Random Forest (RF) is the best classifier in terms of accuracy index and the computational cost to train the model.

A Python package for performing penalized maximum likelihood estimation of conditional logit models using Kernel Logistic Regression

Tue, 06 Jul 2021 00:00:00 +0000

DOI:

Abstract

In the last few years, Machine Learning (ML) methods have acquired great popularity due to their success in numerous applications such as autonomous cars, image and voice recognition systems, automatic translation systems, etc. This success has led to an increase in the use of ML methods and the extension of their applications to areas such as transport planning.

One of the main tasks within transport planning is the analysis of transport demand. To do so, it is necessary to analyse the way in which users make their decisions about the trips they make and, therefore, be able to predict the number of passengers on the transport network in relation to respect to interventions made on the transport system. Consequently, transport policies and plans can be evaluated according to the behaviour of the passengers. Discrete choice models based on random utility maximization have been developed over the last four decades and currently they have acquired a high degree of sophistication, becoming the canonical tool for transport demand analysis. Nowadays, the use of ML methods could provide an alternative to discrete choice models, as they offer a high level of accuracy in their predictions. In addition, the analyst is relieved from the need of specifying the functional expressions for the utility functions beforehand.

A Python software package called PyKernelLogit was developed to apply a ML method called Kernel Logistic Regression (KLR) to the problem of predicting the transport demand. This package allows the user to specify a set of models using KLR and the estimation of those using a Penalized Maximum Likelihood Estimation procedure. Moreover, this tool also provides a set of indicators for goodness of fit and the application of model validation techniques. Finally, it allows to obtain the willingness to pay or value of time indicators commonly used in transport planning.

Seminario: Discrete choice modelling using Kernel Logistic Regression

Fri, 18 Jun 2021 09:00:00 +0100

Seminario en el grupo Transport and Mobility Laboratory (Transp-or) de la École polytechnique fédérale de Lausanne (EPFL), Lausana (Suiza).

Abstract

Durante los últimos años, los métodos de aprendizaje automático han ganado gran popularidad debido a su éxito en aplicaciones como los vehículos autónomos, los robots inteligentes, el reconocimiento de imágenes y de voz, etc. Esto ha llevado a un mayor uso de estos métodos y a un creciente interés por ampliar el ámbito de aplicación de estos métodos de aprendizaje automático, como por ejemplo en el campo de la modelización del transporte. Este seminario presenta uno de estos métodos, el Kernel Logistic Regression (KLR), desde el punto de vista de los modelos de utilidad aleatoria (RUM). El seminario presenta cómo el KLR puede utilizarse para especificar las utilidades en los modelos RUM, liberando al modelador de la necesidad de postular una relación funcional entre las características de los usuarios de antemano. Se lleva a cabo un estudio de simulación de Monte Carlo para comparar el KLR con el modelo Logit Multinomial y con dos de los métodos de aprendizaje automático más destacados: las máquinas de vectores de apoyo (SVM) y los random forest. Hemos comprobado que, en usando datos simulados, el KLR es el único método que alcanza la máxima precisión y conduce a un estimador insesgado del indicador willingness to pay los fenómenos no lineales. También hemos llevado a cabo un experimento con un problema real de elección de modo de viaje, en el que los random forests lograron la mayor precisión de predicción, seguidos por el KLR.

Transp-or logo

EPFL logo

A python package for performing penalized maximum likelihood estimation of conditional logit models using kernel logistic regression

Wed, 24 Jun 2020 00:00:00 +0000

Abstract

El grupo MAT ha desarrollado una web para monitorizar la propagación del COVID-19

Thu, 16 Apr 2020 00:00:00 +0000

El grupo de Modelos y Algoritmos para Sistemas de Transporte (MAT) de la Universidad de Castilla-La Mancha (UCLM), al que pertenezco, ha desarrollado una página web para la monitorización y visualización de la enfermedad COVID-19. Esta página, mediante el uso de técnicas matemáticas, así como de análisis de datos e inteligencia artificial, analiza la evolución y expansión del coronavirus con el objetivo de proporcionar información para monitorizar el progreso de la pandemia. Según el director del grupo, el profesor del Departamento de Matemáticas de la UCLM Ricardo García Ródenas, “Estas técnicas analíticas permiten apoyar los procesos de toma de decisiones”.

La página web está disponible en .

Para cada país, es posible ver el número total de casos, los casos activos, los fallecimientos y las recuperaciones. Los datos de cada país se actualizan diariamente y se han obtenido de un repositorio público. Además, para cada uno de los países, se proporciona una previsión de una semana de vista del número de nuevos casos, recuperaciones y muertes.

Asimismo, en el sitio web se muestra la evolución del virus a nivel de las Comunidades Autónomas de España. Los datos de cada una de las comunidades se obtienen diariamente de la base de datos proporcionada por el Instituto de Salud Carlos III de Madrid, cuyos datos son utilizados por el Ministerio de Sanidad español. Así, para cada una de las comunidades autónomas se informa del número de casos totales, casos activos, fallecimientos y recuperaciones, así como del número de pacientes hospitalizados o críticos (en la UCI). Además, se puede ver una previsión de una semana del número de nuevos casos, recuperaciones y fallecimientos para cada comunidad autónoma.

Finalmente, la página web muestra la evolución de la tasa de infección por COVID-19 a lo largo del tiempo para cada país y para todas las comunidades autónomas de España, junto con una predicción a una semana. También es posible comparar la tasa con un punto de equilibrio que permite aclarar si un país o una comunidad autónoma determinada se encuentra en una fase de expansión o contracción de la epidemia. El objetivo es vigilar el estado de la epidemia y proporcionar información y conocimientos a las autoridades que se esfuerzan a diario por reducir sus efectos.

Discrete choice modeling using Kernel Logistic Regression

Wed, 18 Sep 2019 00:00:00 +0000

Abstract

The Kernel Logistic Regression is a popular technique in machine learning. In this work this tech- nique is applied to the field of discrete choice modeling. This approach is equivalent to specifying non-parametric utilities in random utility models. A Monte Carlo simulation experiment has been carried out to compare this approach with Multinomial Logit models, comparing the goodness of fit and the capability of obtaining the specified utilities.

A methodology for monitoring traffic flow and air pollution in urban areas

Mon, 29 Jul 2019 00:00:00 +0000

Abstract

Road transportation has become the main source of air pollution in urban areas, which has a major impact on local air quality and human health. For this reason, it is increasingly necessary to accurately estimate the contribution of road transport to air pollution in the cities, so that pollution-reduction measures can be properly designed and implemented appropriately. These pollution reduction measures are becoming increasingly important due to the continued growth in vehicle use and the deterioration of driving conditions (traffic congestion). Authorities find it difficult to meet their environmental objectives and, therefore, reliable mathematical emission models are needed to accurately predict the impact of road transport on air pollution.

Nowadays, intelligent cities are essential to prevent high-level pollution situations and to act when such situations occur. Cities must anticipate pollution peaks and take mitigating measures, such as restricting traffic to a certain number of vehicles or according to their license plates, closing traffic on certain streets, reducing speed limits, etc. In addition, traffic flows must be monitored as they affect pollution levels in that city.

Typical pollution monitoring and control systems often consist of large and expensive devices that are only limited to a few points in the city, hence, they provide information for vast areas and sometimes these systems are not scalable. However, cities are distributed environments where events occur in real time and on a massive scale. Therefore, cities should rely on a low-cost Internet of Things (IoT) infrastructure connected to a cloud platform that supports this type of systems, as well as sensor-based big data applications. These pollution control systems can be combined with a traffic monitoring infrastructure to provide a complete system that can be used as a Decision Support System (DSS) to help authorities make decisions about the environmental impacts caused by pollution before they occur.

In this work, a methodology has been developed for determining the traffic flow and the air pollution in several streets of a city using low-cost devices. An artificial intelligence heuristic algorithm has been employed to process video images from a camera and estimate the traffic flow in the street. This algorithm uses statistical techniques to process the motion vectors generated by the GPU when the video is encoded. Moreover, the computational time required by the algorithm is in the order of 2.5 milliseconds, which allows to count the number of vehicles in real time. This algorithm has been tested proving 90% of accuracy. Finally, this information is uploaded to a cloud service where machine learning techniques can be applied to predict the pollution levels in the city or recommend palliative actions.

Sysorm 2019

Fri, 07 Jun 2019 00:00:00 +0000

Esta semana he asistido al 2º Encuentro de Jóvenes Estadísticos e Investigadores Operacionales de España (SYSORM) donde he presentado una plataforma para la monitorización de la contaminación atmosférica y el tráfico rodado en las ciudades.

Esta reunión ha tenido lugar en El Escorial del 5 al 7 de junio de 2019. El encuentro, promovido por la Sociedad Española de Estadística e Investigación Operativa (SEIO), está organizado por y para jóvenes investigadores (jóvenes: con menos de tres años de experiencia postdoctoral). El objetivo del encuentro es representar y dar visibilidad a las nuevas generaciones de investigadores con talento en estadística e investigación operativa, desde temas metodológicos hasta investigación aplicada, y fomentar la comunicación profesional entre ellos.

José Ángel Martín talking about a platform for monitoring air pollution and road traffic in cities #sysorm2019 pic.twitter.com/8Lra0As68B
— SYSORM2019 (@sysorm2019) 5 de junio de 2019