L’eficiència en el transport públic depèn de la capacitat per adaptar-se a les demandes canviants dels usuaris. Les dades de demanda en temps real i les sèries històriques poden jugar un paper fonamental en l’optimització de l’oferta de servei. Aquest article explora com incorporar les dades de demanda en temps real en els contractes de transport públic en autobusos, combinant-les amb sèries històriques de dies similars de l’any per millorar l’eficiència operativa.

El transport públic, especialment l‘autobús, és una de les formes més eficients de mobilitat. No obstant això, la seva eficiència depèn de la capacitat d’adaptar l’oferta, número de vehicles i freqüència de les línies, a la demanda real, la qual varia al llarg del dia, de la setmana i segons les estacions de l’any.

Importància de les dades de demanda en temps real

Les dades de demanda en temps real permeten conèixer en qualsevol moment la situació d’un servei de transport. A través de dispositius com sensors d’aforament, GPS i sistemes de seguiment de passatgers, s’obté informació actualitzada sobre l’ocupació dels vehicles, les zones més demandades i el temps estimat de pas en cada parada. Aquesta informació és bàsica per a la gestió dinàmica de l’oferta, cosa que permet ajustar-la de manera immediata a les condicions del moment. Tot això es potencia quan es combina amb sèries històriques que permeten entendre els patrons de demanda repetitius. Les sèries històriques poden ajudar a preveure els nivells de demanda en dies similars als del passat, la qual cosa permet als operadors ajustar l’oferta amb antelació i més precisió.

Ús de sèries històriques i dades dinàmiques en temps real

1. Classificació de la demanda en funció del dia i de l’estació de l’any

Una de les primeres passes és classificar les dades de demanda per tipus de dia – laboral, festiu, cap de setmana- i per període de l’any. Per exemple, l’evolució de la demanda durant un dilluns laborable serà molt diferent de la d’un dia festiu, així com la demanda de l’estiu varia respecte a l’hivern. Aquests patrons estacionals es poden identificar mitjançant anàlisis de les sèries històriques, que poden proporcionar una base sòlida per ajustar la demanda futura.

2. Tècniques de modelització predictiva

Un cop classificades les sèries històriques, es òptim utilitzar tècniques de modelització predictiva per ajustar l’oferta en temps real. Algunes de les tècniques que poden ser útils són:

• Models ARIMA (AutoRegressive Integrated Moving Average): Aquest model és ideal per a sèries temporals amb tendències estacionals i pot utilitzar-se per preveure la demanda futura en funció de la demanda històrica. Per exemple, es pot preveure quants passatgers hi haurà en una línia d’autobús en funció de dades històriques dels mateixos dies de l’any anterior.
• Machine Learning i Xarxes Neuronals: Les tècniques d’aprenentatge automàtic poden aprendre dels patrons passats per realitzar previsions més acurades. Els models de regressió i les xarxes neuronals poden identificar relacions complexes entre variables com les condicions meteorològiques, els esdeveniments al territori i la demanda de passatgers.

La combinació d’aquestes tècniques amb dades dinàmiques (com l’aforament actual i la ubicació dels vehicles) permet tenir una predicció més precisa i flexible.

3. Ajustament dinàmic de l’oferta

Mitjançant l’ús d’aquestes previsions i dades en temps real, els operadors poden ajustar de manera dinàmica la freqüència de les línies i la capacitat dels vehicles. Algunes possibles accions inclouen:

• Ajustar la flota d’autobusos: Si es detecta un augment de la demanda en una línia específica.
• Reduir serveis en períodes de baixa demanda: Si els patrons històrics indiquen que una línia sol tenir poca demanda durant determinades hores del dia, es poden reduir les freqüències per estalviar costos operatius.
• Reassignació de recursos: Si es detecta que una línia està experimentant una sobrecàrrega, els operadors poden desviar recursos d’altres línies o utilitzar vehicles amb més capacitat per garantir un servei adequat.

4. Integració de variables externes

Les dades de demanda en temps real i històriques poden complementar-se amb altres variables externes per millorar la predicció. Per exemple:

• Dades meteorològiques: La pluja o les temperatures extremes poden influir considerablement en la demanda de transport. Això es pot incorporar al model per ajustar la flota.
• Esdeveniments especials: Conèixer activitats com concerts, festivals o actes esportius també pot ajudar a preveure una pujada de la demanda. 

Contractes de transport públic

1. Condicions generals d’ús de les dades

Els contractes de transport públic han de reflectir clarament la responsabilitat de l’operador en la recopilació i utilització de les dades de demanda en temps real. Les clàusules bàsiques que han de ser incloses són:

• Recollida de dades: L’operador ha d’instal·lar i mantenir tecnologies de seguiment com GPS i sensors d’aforament a bord dels vehicles.
• Accés i transparència: Les autoritats públiques responsables del transport han de tenir accés continu a aquestes dades per garantir el compliment de les condicions establertes.

2. Clàusules per a l’optimització de l’oferta

És fonamental incloure al contracte les condicions per a l’ajustament dinàmic de l’oferta en funció de la demanda. Algunes clàusules que es podrien incorporar són:

• Ajustament dinàmic de la freqüència: S’ha d’establir que l’operador ajusti la freqüència de les línies en temps real en funció de la demanda detectada, tant mitjançant dades dinàmiques com prediccions basades en sèries històriques.
• Revisió periòdica: S’ha de garantir que es realitzin avaluacions periòdiques per ajustar les previsions i les estratègies d’optimització a mesura que es recullin més dades.

3. Control de qualitat i auditoria

Per assegurar-se que l’operador segueixi les condicions acordades i utilitzi les dades de manera eficient, és important incloure mecanismes de monitorització i auditoria:

• Auditories internes i externes: El contracte ha de preveure la realització d’auditories periòdiques per verificar que els sistemes de recopilació de dades estan funcionant correctament i que les previsions de demanda s’estan aplicant de manera eficaç.
• Indicadors de rendiment: Establir indicadors clau per mesurar l’eficiència de l’optimització del servei, com la puntualitat, l’ocupació dels vehicles i la satisfacció dels usuaris.

Beneficis d’incloure dades de demanda en temps real en el contracte

Incloure dades de demanda en temps real en els contractes de transport públic permet millorar l’eficiència operativa, reduir costos i augmentar la satisfacció dels usuaris. Amb la capacitat d’ajustar dinàmicament l’oferta a la demanda real, es poden evitar sobrecàrregues i infrautilització dels recursos. Això també facilita una millor planificació i una resposta més àgil a esdeveniments o canvis inesperats, contribuint a un sistema més flexible i sostenible.