¿Cómo optimizar rutas vehiculares utilizando Big Data y otras tecnologías?

Lambda Route: Una propuesta para resolver problemas de tránsito urbano utilizando tecnología de forma centralizada y en línea.

  • Este paper ganó el 3er lugar en el Call for papers Nuevos debates, Datos para el desarrollo.

Creative Commons – Dvortygirl “Corrientes y Callao”

El problema básico del ruteo de flotas de vehículos ha sido introducido hace varias décadas en el ámbito de la investigación operativa y la optimización combinatoria. Es uno de los problemas clásicamente duros de estas disciplinas, en donde se trata de encontrar las rutas óptimas para una flota de vehículos que deben atender los requerimientos de clientes geográficamente dispersos.

Este problema conocido como VRP (Vehicle Routing Problem) admite una gran cantidad de variaciones respecto de su planteo, como por ejemplo: Ventanas de Tiempo (los clientes no pueden atender a los vehículos en cualquier momento, sino que presentan una ventana de horarios de atención posible), Capacidades de los Vehículos (los vehículos tienen una capacidad limitada para transportar mercadería, que puede ser fija o variable), puede haber un depósito central o varios depósitos, etc.

A menudo se observa en la industria logística que las soluciones exactas de los modelos matemáticos del problema VRP suelen funcionar muy bien cuando las distancias son geográficamente importantes, o cuando no hay muchas locaciones en centros urbanos importantes. Cuando la logística se realiza durante horas pico de tránsito en ciudades importantes los modelos exactos suelen tener problemas para arrojar buenas soluciones. Es común que los programadores de rutas descarten las soluciones obtenidas como “óptimas” por los modelos por impracticables.

Es entonces cuando se presenta la necesidad de obtener mejores rutas con el fin de ahorrar combustibles, reducir el tráfico y otros costos asociados. La tendencia hacia Open Data por parte de las administraciones es cada día más fuerte, y será inevitable en un futuro cercano, por lo que es posible obtener una cantidad enorme de información del tráfico vehicular (sobre todo en las grandes ciudades).

El paradigma Big Data es coherente con el fin de procesar esos volúmenes enormes de información. Pero no es suficiente como para poder brindar los tiempos de respuesta necesarios en la industria logística, en función con las novedades del tránsito, por lo que es necesario emplear un paradigma de procesamiento que utilice Big Data, pero que sea superador, a la hora de tener una buena calidad de procesamiento en tiempo cercano al real (streaming) así como por lotes (batch).
En este trabajo consideramos y evaluamos acertada la posibilidad de utilizar el paradigma conocido como “Arquitectura Lambda” introducido por Nathan Martz para cumplir con el objetivo de proveer a una ciudad (o una zona urbana más extensa) de una plataforma centralizada y fiable para el estudio y el ajuste constante de las rutas de distribución y servicios, capaz de:

• Procesar un modelo complejo de predicción de tráfico a partir de información histórica masiva provista por elementos de la red de transporte, como semáforos y cabinas de peaje, así como información proveniente de dispositivos IoT distribuidos en los vehículos,
• Proveer soporte para novedades en línea producidas en la red de tránsito que afecten las rutas resultantes.

El enfoque específico para tratar el problema VRP fue basado en una metaheurística y no en un modelo exacto. Esta decisión de diseño tiene que ver con dos razones principales: Generar un conjunto de soluciones factibles “buenas”, y tratar instancias grandes.

Cada ciudad o zona urbana es tratada como un grafo dirigido en donde cada “esquina” o punto de interés es un nodo y cada calle es un arco que une dos nodos. De esa manera, cada vehículo aporta por cada recorrido los “pesos” necesarios a cada “arco”, vale decir, la velocidad promedio de desplazamiento a cada intervalo de tiempo (ej: 10 segundos).

De esa manera, es posible nutrir al metamodelo de flujo de tránsito con años de estadísticas de cientos de miles de vehículos con el fin de que elabore la mejor predicción posible para “hoy” o “mañana” de cuál podrá ser la velocidad promedio en cada calle de la ciudad en cada intervalo de tiempo (ej: cada 15 minutos), combinando esta información con novedades de tránsito tales como obras, manifestaciones, congestiones o accidentes de tránsito.

Las tecnologías derivadas del paradigma Big Data cada vez estarán más cerca de la vida cotidiana. Es por eso que creemos que hay que avanzar con la investigación y el financiamiento para proveer una solución eficiente, centralizada y de fácil acceso para las ciudades. De esta manera, es decir, estableciendo una plataforma centralizada con gran poder de procesamiento, quienes desarrollen alternativas algorítmicas mejores, tendrán una fuente de verificación comparativa de sus modelos, algo que hoy es muy difícil conseguir.

El hecho de pensar en contar con la mayoría de los problemas de distribución de las organizaciones que requieren una logística de vehículos, y poder compararla con la realidad, es una fuente de recursos incomparable para quienes deseamos mejorar el transporte en las grandes ciudades.

Sobre el autor

Ricardo Di Pasquale es docente Investigador Facultad de Ciencias Fisicomatemáticas e Ingeniería (UCA). Doctorando en Ciencia y Tecnología (UNGS). Profesional de la Ingeniería de Software con veinte años de experiencia en la industria, especializado en Arquitectura de Software. Docenteuniversitario. Ricardo es Ingeniero en Informática (Universidad Católica Argentina). 2001, tiene un Master en Ingeniería de Software (Instituto Tecnológico de Buenos Aires – Universidad Politécnica de Madrid). 2011. Desde 2007 es Docente Pro-Titular en Universidad Católica Argentina en Cátedras de Bases de Datos de la carrera de Ingeniería Informática, donde desempeña dirección de trabajos finales de Ingeniería Informática y trabajos de Investigación. Además es Coordinador Sistemas de Información (SI) – Arquitectura e Ingeniería de Software en CAMMESA (desde 2009) coordinando un equipo de 20 profesionales del desarrollo de Software. Su investigación ganó el 3er lugar en el Call for papers Nuevos debates, Datos para el desarrollo.

Puedes descargarlo aquí: Lambda Route, una propuesta para optimizar rutas vehiculares urbanas de forma centralizada y en línea.

PrintFriendly and PDF
Guest Author
Sobre el autor
Posts written by guest authors. This section is open to experts from the public and private sector, academia, and multilateral organizations who want to contribute to the debate.

Comenta

*