Integración de Métodos de Inteligencia Artificial y Aprendizaje Automático para la Planificación Táctica de Sistemas Ferroviarios de pasajeros bajo competencia

Entidad financiadora Entidades participantes Duración
Ministerio de Ciencia e Innovación (MCIN). Agencia Estatal de Investigación.
  • Universidad Politécnica de Cataluña.
  • Universidad de Castilla-La Mancha.
  • Universidad Rey Juan Carlos.
1/9/2021 — 31/08/2025

Parte del proyecto coordinado "Técnicas Analíticas para la transición hacia un transporte sostenible de pasajeros y mercancías en entornos de competitividad".

Investigador/es principal/es:

Equipo de investigación:

Equipo de Trabajo:

 

Resumen:

La eficiencia, rendimiento y sostenibilidad ambiental de los sistemas de transporte depende del diseño, planificación, gestión y operación de la infraestructura y de la oferta de servicios, estando orientados todos estos elementos a satisfacer los niveles y características esperados de la demanda de transporte. Este proyecto de investigación está orientado a contribuir metodológicamente a adecuar la planificación, gestión y operación a los escenarios de desregulación y demanda irregular provocados por la situación pandémica a la movilidad aérea, ferroviaria y urbana y al transporte interurbano. La competencia entre operadores, establecida a través de directivas a nivel europeo, en combinación con escenarios de inusual demanda, motivada por una pandemia, exigen que los modelos de planificación y gestión en estos sistemas de transporte se adapten y amplíen para ser útiles en la evaluación de las medidas y planes diseñados para hacer frente al cambio climático y garanticen un transporte eficiente y seguro. Los escenarios competitivos surgieron antes en el transporte aéreo que en el ferroviario y en España las primeras directivas europeas están empezando a ser consideradas. Además, el Libro Blanco del transporte de la UE en 2011 fijó el objetivo de trasladar, para 2030, el 30% del transporte de mercancías por carretera al transporte ferroviario o acuático, y el 50% en 2050. A la vez, debido a la reducción de demanda, es necesario revisar el sistema de tasas de las entidades reguladoras por el uso de las infraestructuras ferroviarias. Otro componente es el comportamiento de los usuarios en situación irregular o pandémica para tener predicciones de demanda aceptables. En el transporte aéreo la planificación estratégica de la flota y las interrelaciones capacidad-demanda han pasado a ser factores críticos para las compañías aéreas. En el contexto urbano han surgido nuevos conceptos de movilidad (sistemas de coche compartido y micro-movilidad entre otros) que hacen necesario estudiar el comportamiento de los usuarios en situaciones de pandemia y el impacto en estos modos.

Este proyecto es altamente interdisciplinar y multidisciplinar. A nivel metodológico se utilizarán: a) modelos clave de la Ingeniería del Transporte para el diseño, planificación y gestión de los anteriores sistemas de transporte y su interacción con los modelos de demanda b) técnicas y modelos basados en optimización robusta y estocástica, ya sean solos o combinados/ complementados con aprendizaje automático (ML) e inteligencia artificial y c) simulación social combinada con modelos de demanda basados en actividades alimentados con datos originados en las TIC. Los escenarios de operadores en competencia se modelarán mediante equilibrios de Nash formulados como problemas de factibilidad enteros lineales, incorporándose modelos de demanda clásicos o modelos que combinen regresión kernel-logística y utilidad aleatoria (RUM). Los problemas de gestión de flotas y las interacciones demanda-capacidad en transporte aéreo se estudiarán utilizando optimización robusta/estocástica. En el campo de la gestión de trayectorias, sistemas de navegación y control en transporte aéreo, el proyecto tiene como objetivo hibridar información de ML y sensores y el diseño de algoritmos de control para vehículos basados en información proveniente de algoritmos ML. También se desarrollarán enfoques novedosos basados en observadores de estado óptimos, incluidos filtros de Kalman.

José Ángel Martín Baos
José Ángel Martín Baos
Profesor Ayudante Doctor

Relacionado