Noticias | José Ángel Martín Baos

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

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

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.

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