Tránsito, una compañía que ha pasado toda su vida tratando de facilitar el desplazamiento por las ciudades, está presentando una nueva función de predicción del tiempo de llegada estimada por aprendizaje automático para ayudar a abordar una de las cosas más molestas de tomar el transporte público: no saber cuándo El próximo autobús va a llegar.
Transit, con sede en Montreal, ya ofrece ETA en la aplicación para las llegadas a las 175 ciudades donde opera en todo el mundo, pero la información que proporciona se basa en datos en tiempo real proporcionados directamente desde la propia ciudad o en información de fuentes múltiples directamente. por sus usuarios. La realidad es que ninguno de estos es necesariamente una forma confiable o consistente de ofrecer ETA realmente precisos.
Por supuesto, no es tarea fácil predecir cuándo llegará algo tan inconstante como un autobús urbano en carreteras urbanas llenas de vehículos impulsados por humanos. Y como lo explicó Stephen Miller, líder de Transit Communications, en una llamada, la compañía también tiene en cuenta al determinar qué constituye la “precisión” de que, naturalmente, va a tener un margen de error mucho más amplio cuando un autobús está a 20 minutos de distancia en comparación con solo un minuto o dos fuera
Dicho esto, en Montreal, donde se lanzan primero las nuevas predicciones de ETA generadas por aprendizaje automático, el equipo de Transit predice una mejora de alrededor del 15% en la precisión de sus predicciones sobre cuándo llegará el próximo autobús operado por la autoridad de tránsito de Montreal, STM. Eso debería traducirse en “miles” de menos autobuses perdidos para los pasajeros, según la compañía, y esa es la mejora que las personas deberían experimentar desde el primer día, con más mejoras por venir.
“Eso es lo que podemos hacer con los datos que tenemos hoy, y la exploración de datos que hemos hecho”, explicó Juan Borreguero, el líder en datos en tiempo real de Transit. Mientras hablamos, estamos investigando más formas de mejorar los datos, por ejemplo, estamos explorando datos meteorológicos. Estamos explorando el análisis de los retrasos que están presentes en un momento determinado en una ciudad, lo llamamos 'actualidad', porque el aprendizaje automático se basa en datos históricos, por ejemplo, si es domingo y son las 12 de la noche, haremos una La ETA se basa en los datos históricos que tenemos para ese momento, o alrededor de ese tiempo, pero puede suceder que algo suceda en el vecindario en ese mismo instante que esté teniendo un gran impacto en las ETA, por lo que estamos trabajando en eso “.
Borreguero también explicó que la compañía planea expandirse a otros mercados también, pero que la forma en que funciona el tránsito en cada ciudad donde opera Transit varía considerablemente. La compañía ya ha recogido información sobre cómo y por qué los autobuses se retrasan en Montreal en comparación con cómo funcionan en Roma, por ejemplo.
Pero, en última instancia, la razón de ser de Transit es mejorar la vida de las personas que intentan navegar por sus ciudades (y las ciudades que visitan), razón por la cual la compañía siguió el camino del uso del aprendizaje automático para mejorar lo que ya estaba haciendo. para empezar. Relativamente recién salido de una ronda de financiación que incluye la participación de los brazos de la empresa de fabricantes de automóviles prominentes, Transit parece estar bien posicionado para continuar haciendo la vida un poco más fácil para los pasajeros del transporte público.
Source link