Datos para location intelligence – indicador de tráfico de vehículos

Continuamos hoy nuestra serie de artículos con los que pretendemos dar a conocer con más detalle el conjunto de datos englobados bajo el paraguas de microtarget desarrollado por unica360.   

En esta octava entrega vamos a presentar con más detalle el conjunto de indicadores de tráfico de vehículos, describir el modelo de estimación de tráfico y las diferentes aplicaciones prácticas de este conjunto de datos para location intelligence, geomarketing y customer intelligence. 

Como veíamos en nuestra anterior entrega donde hablábamos de los modelos de simulación de presencia de transeúntes, la movilidad se puede analizar, modelizar y… simular.  

Esta capacidad de simulación es el máximo nivel en el análisis de datos de movilidad, que seguiría la siguiente jerarquía desde la descripción a la simulación de movilidad humana:  

• 1. Descripción de la movilidad: datos de fuentes tomados en campo, como conteos manuales, cámaras, sensores, antenas wi-fi, GPS, geolocalización de apps móviles, entre otras. 

• 2. Estimación de la movilidad: procesos de inter/extrapolación de datos a partir de muestras de datos descriptivos para llegar bien a un universo más amplio, completo, bien a diferentes condiciones -temporales, por ejemplo- 

• 3. Predicción de la movilidad: extrapolación a valores de parámetros no contenidos en los datos descriptivos, típicamente el tiempo, es decir, por ejemplo ¿Cuál será la afluencia de peatones en el tramo mañana por la tarde? 

• 4. Simulación de la movilidad: sistemas complejos que describen, predicen y permiten simular la movilidad en escenarios, combinaciones de parámetros avanzadas que no existen en la realidad histórica analizable -descriptivo- y son demasiado complejos -múltiples variables con interacción- para reducirlos a problemas de predicción 

Desde unica360, una de las maneras de explotar los métodos de simulación de movilidad es el modelo de simulación de tráfico de vehículos, una estimación de la intensidad de tráfico de vehículos por carretera en cada uno de los aproximadamente 5,5 millones de tramos de vía en España y Portugal. 

Estos indicadores de intensidad de tráfico de vehículos se construyen modelizando y simulando los desplazamientos de las personas entre lugares de residencia, pernoctación o transportes por otros medios y lugares de trabajo, ocio o restauración, en función del tiempo de desplazamiento óptimo por la red de carreteras.  

Los indicadores obtenidos fruto de estos modelos de simulación sirven para estimar la demanda potencial de un centro comercial, gasolinera o restaurante, para diseñar redes viarias o para estimar la audiencia de soportes de publicidad exterior, por mencionar algunos usos. 

Metodología de simulación de tráfico de vehículos 

Los modelos de simulación de comportamiento humano aportan múltiples beneficios respecto a otras aproximaciones: 

• Alta cobertura, ya que permite modelizar la estimación de movilidad para un universo de análisis muy grande, por ejemplo, un país entero,  

• Coste asequible, tanto por su replicabilidad a otros territorios, como por el uso de datos públicos y open data para su generación. 

• Alta precisión espacial, al desarrollarse sobre la topología viaria de manera nativa -frente a, por ejemplo, datos basados en telefonía móvil que posteriormente son interpolados a la red viaria- 

• Facilidad para analizar múltiples escenarios. Al estar construidas las estimaciones mediante simulación, es posible simular escenarios de manera nativa. 

La metodología de simulación de tráfico rodado es esencialmente la misma para peatones y vehículos, pero adecuada a los diferentes modos de desplazarse. 

Para llevar a cabo estos procesos de simulación de movilidad, nos apoyamos en metodología, datos, topología viaria y procesos de validación que permiten certificar que el modelo se adapta a la realidad. 

Los modelos de estimación de movilidad se apoyan en dos técnicas matemáticas: los Métodos Monte Carlo y la Simulación por Agentes. 

Los Métodos Monte Carlo son técnicas muy utilizadas en campos como la Física Estadística y la Física de Sistemas Complejos, entre otros. Mediante esta técnica se genera, para cada posible nodo origen del grafo de vías, un conjunto de destinos basados en modelos gravitacionales -habituales en el geomarketing analítico-, y que en unica360 usamos recurrentemente. 

La Simulación Basada en Agentes (ABM, Agent Based Simulation) es un modelo de simulación en la que estos agentes representan individuos que evolucionan, toman decisiones, trazan trayectorias e interactúan entre sí. El modelo de simulación de intensidad de vehículos se entrena mediante simulación por agentes, de tipo “origen – destino” basados en datos de: 

• Población residencial: padrón, censo, catastro 

• Población laboral 

• Empresas  

• POI’s de todo tipo  

• Datos de la geometría vial, sentidos de circulación  

• Datos de movilidad del MITMS (Ministerio de Transportes y Movilidad Sostenible). 

• Estudios macro de movilidad, desde 2024 publicadas por el MITMA. 

El tratamiento de todos estos datos no es una cuestión baladí. Al contrario, hablamos de fuentes complejas, con alto volumen de información y con niveles de granularidad no siempre óptimos para conseguir el resultado deseado. Por ejemplo, si nos fijamos en los datos de movilidad del MITMS, los datos tienen una gran granularidad temporal y de perfil de usuarios, pero la granularidad espacial no es suficiente para generar un modelo de movilidad como el detallado en este artículo. Y el procesamiento de los datos es una tarea pesada y que necesita personal experto para sacarles el máximo partido.  

Ambos retos, llegar a una granularidad más fina y tener la capacidad de procesar estos datos de forma óptima, son resueltos de nuestro lado. Por ejemplo, contamos con la ventaja de haber modelizado previamente dónde vive la población, dónde trabaja, dónde va por ocio, salud, educación, abastecimiento, tipos de barrios, estilos de vida, por lo que este proceso previo es rápido, preciso y fiable.   

Aquí puedes obtener más información sobre estas técnicas de análisis y simulación. 

A partir de los datos y las técnicas descritas, se simulan cientos de millones de posibles rutas entre orígenes y destinos, organizadas en torno a unas distribuciones de probabilidad, a su vez determinadas por la “eficiencia” de cada ruta posible entre el origen y el destino. Las rutas se calculan en tres niveles en función del tiempo que consumen: 

• Corta distancia: hasta 15mins 

• Media distancia: 15mins – 1hora 

• Larga distancia: > 1hora 

La simulación de cientos de millones de rutas entre orígenes y destinos es posible gracias a técnicas de Big data y el uso de computación en la nube. 

El modelo devuelve un índice sintético de intensidad de vehículos que es posteriormente validado, calibrado y reescalado a número de vehículos utilizando observaciones reales, por diferentes medios. 

Esta metodología presenta varias fortalezas:  

• Granularidad fina: el modelo se construye y se entrega desglosado para cada uno de los 5,5 millones de tramos de vía en España y Portugal, lo que mejora enormemente a las cuadrículas de unos 150-250m habituales en otras aproximaciones como los datos de operadoras de telefonía. Además, el modelo puede entregarse agregado a otros niveles espaciales: como es el Grid de 100 metros desarrollado por unica360, sección censal o código postal 

• Habilita personalización: a partir de matrices origen – destino, y de las condiciones de la red de carreteras, resulta sencillo desarrollar modelos adhoc adaptados a industrias específicas: transporte de pasajeros vs mercancías, tipo de vehículo, motivo de desplazamiento, zona de origen y destino, estacionalidad y horas del día… 

• Simulación y escenarios: dado que el modelo se genera mediante simulación, es muy sencillo adaptarlo para simular escenarios: alteración de la red viaria por obras, una amenaza de seguridad, un nuevo acceso, peatonalización, desdoblamiento, etc.  

• Coste: El coste del modelo es muy ajustado frente a otras aproximaciones al mismo problema como datos de GPS, sensores wifi, cámaras, datos de operadoras de telefonía… dado que se requerirían muestras enormes de este tipo de datos para lograr modelos consistentes con cobertura nacional. 

En conjunto, esta metodología presenta ventajas frente a otros métodos de estimación de movilidad global que se basan, por ejemplo, únicamente en los datos obtenidos a través de las antenas de telefonía móvil. 

• Los datos de las antenas de telefonía móvil no son precisos en cuanto a la localización exacta de los usuarios. Esto puede llevar a errores en la estimación de los flujos, especialmente en áreas densamente pobladas.  

• Además, no todos los conductores llevan consigo un teléfono móvil, y aquellos que lo hacen pueden no tenerlo siempre encendido o conectado a la red. O, al contrario, pueden llevar consigo más de un dispositivo móvil, o pueden ir varios pasajeros en un vehículo, lo que distorsiona igualmente la realidad. Esto puede resultar en una muestra no representativa de la población peatonal.  

• Por otro lado, se da una dependencia de la infraestructura: la calidad de los datos depende de la densidad y distribución de las antenas de telefonía móvil. En áreas con poca cobertura, los datos pueden ser menos fiables.  

• Por último, hay una importante diferencia en cuanto a costes: obtener y procesar datos de telefonía móvil es costoso, lo que puede limitar su uso para algunas organizaciones, mientras que, con nuestra metodología, al basarse en datos públicos y abiertos, los costes se ven considerablemente reducidos. 

Descripción del modelo resultante 

El modelo, además de ofrecer la estimación media diaria de vehículos que pasan por cada tramo de vía, tanto en valor absoluto como mediante un índice entre 0 y 1, maneja también una componente temporal que permite diferenciar entre el número de vehículos que circulan por esos tramos de vías en los meses de verano frente al resto del año (diferencias verano-invierno, entendiendo por “invierno” todos los meses del año excepto los de verano), los que pasan los fines de semana frente a los que lo hacen los días laborales y, dentro de este último escenario, dividiendo el día en franjas horarias de mañana, tarde y noche.  

Además, el modelo ofrece información adicional sobre la vía, como su tipo y nombre, si es o no de único sentido o el número de carriles que la forman.  

Con todo esto, los indicadores ofrecidos por el modelo de estimación de tráfico de vehículos son los siguientes:  

• Identificador del tramo de vía 

• Tráfico medio diario de vehículos, en base anual 

• Tráfico medio diario de vehículos en días laborables de invierno 

• Tráfico medio diario de vehículos en días laborables de invierno por la mañana (entre las 6:00 y las 15:00 horas).  

• Tráfico medio diario de vehículos en días laborables de invierno por la tarde (entre las 15:00 y las 21:00 horas). 

• Tráfico medio diario de vehículos en días laborables de invierno por la noche (entre las 21:00 y las 6:00 horas). 

• Tráfico medio diario de vehículos en fines de semana de invierno 

• Tráfico medio diario de vehículos en verano 

• Índice medio diario de vehículos en base anual, en un rango entre 0 y 1 

• Índice medio de vehículos, en un rango entre 0 y 1, en días laborables de invierno 

• Índice medio de vehículos, en un rango entre 0 y 1, en días laborables de invierno por la mañana (entre las 6:00 y las 15:00 horas).  

• Índice medio de vehículos, en un rango entre 0 y 1, en días laborables de invierno por la tarde (entre las 15:00 y las 21:00 horas). 

• Índice medio de vehículos, en un rango entre 0 y 1, en días laborables de invierno por la noche (entre las 21:00 y las 6:00 horas). 

• Índice medio de vehículos, en un rango entre 0 y 1, en fines de semana de invierno  

• Índice medio de vehículos, en un rango entre 0 y 1, en verano 

• Literal identificativo de cualquier tipo de vía (carretera, calle, camino, …) 

• Nombre de la vía 

• Identificador sobre si la vía es o no de un único sentido 

• Número de carriles en la vía 

En la siguiente imagen podemos ver las diferencias de intensidad de tráfico de vehículos en Barcelona en los tramos de mañana, tarde y noche en días laborables de invierno. 

Un modelo replicable y escalable 

Toda la metodología explicada anteriormente ha permitido el desarrollo de un modelo de movilidad de vehículos con cobertura para toda España y Portugal.  

Pero la gran ventaja es que la misma metodología se puede aplicar a medida para territorios concretos donde se aplicarán las mismas metodologías y cálculos, pero con el aporte de datos adicionales específicos de ese territorio. Algunos ejemplos: 

• Elaboración de mapas de tráfico de vehículos específicos para un municipio o comarca, con mayor precisión local 

• Elaboración de mapas de tráfico de vehículos para países completos 

• Simulación de escenarios de peatonalización, pacificación y reducción de carriles y como todo esto afecta al tráfico rodado. 

• Simulación de escenarios de nuevas infraestructuras (nuevos barrios, nuevos equipamientos con alta afluencia, …) y como afectan al tráfico de vehículos 

Casos de uso 

Los indicadores sobre tráfico de vehículos por tramo de vía son muy relevantes en proyectos de location intelligence, con múltiples casos de uso y de gran valor en muchos mercados y negocios, proporcionando a las empresas una herramienta valiosa para la toma de decisiones estratégicas, la optimización de operaciones y la mejora de la experiencia del cliente. 

La aplicación más obvia es la relativa a proyectos de movilidad, red de transporte, planeamiento urbano y smart cities donde estos indicadores son fundamentales en proyectos como: 

• Estimación de tráfico actual 

• Simulación de tráfico en diferentes escenarios de actuación, como desvíos, nuevas infraestructuras, peatonalización, peajes…  

• Modelos y mapas de ruido 

• Gestión de equipamientos en función del flujo de vehículos, como, por ejemplo, sistemas de iluminación vial, carreteras, puentes y tuneles, … 

• Zonificación de áreas residenciales, comerciales e industriales, asegurando que cada zona tenga la capacidad de manejar el flujo vehicular esperado. 

• Gestión del tráfico, mediante la implementación por ejemplo de sistemas de semáforos que se adecuen a las previsiones de tráfico y la recomendación de rutas alternativas. 

• Mejora de la planificación y eficiencia del transporte público 

• Identificación de puntos críticos donde se pueden producir más accidentes y toma de medidas preventivas. 

• Impulso del desarrollo económico. Una ciudad con un tráfico bien gestionado es más atractiva para inversores y empresas y la mejora de la movilidad urbana puede hacer más atractiva la ciudad para los turistas.  

Dentro del ámbito del retail, los centros comerciales, hipermercados, establecimientos de ocio y servicios, farmacias, sector hostelero, gimnasios, estaciones de servicio, talleres mecánicos o puntos de carga de vehículos eléctricos, por ejemplo, la estimación de la demanda “de paso” facilita la gestión de varios aspectos de nuestros negocios: 

• La selección de ubicaciones estratégicas para ubicar nuevas tiendas en procesos de expansión (en establecimientos propios o de franquiciados), asegurando una mayor visibilidad y accesibilidad para los clientes.  

• De igual forma, nos ayudará en la comparativa con ubicaciones de la competencia.  

• Con datos de tráfico, como los proporcionados por este indicador, que diferencia afluencia de vehículos en diferentes tramos (mañanas, tardes y noches, días laborales y fines de semana o verano-invierno), las empresas pueden prever picos de demanda y ajustar sus horarios, promociones y recursos en consecuencia. 

• Proyectos de geomarketing en retail, cómo análisis de áreas de influencia, segmentación de red comercial, geomarketing para franquicias, territorios comerciales óptimos, etc. 

En la siguiente imagen vemos estaciones de servicio por tipo de ubicación: centro urbano (Madrid), polígono industrial (Coslada) y tramo N-II 

Si hablamos de empresas en el ámbito del gran consumo estos indicadores permiten el enriquecimiento de potenciales clientes detallistas de gran formato, la estimación de su potencial de demanda, la captación de gemelos y la adecuación del surtido ideal.  

Las posibilidades de segmentación que los modelos de tráfico rodado aportan son muy relevante cuando queremos optimizar nuestros planes de publicidad exterior ya que nos ayudará a estimar la audiencia de cada uno de los soportes, adecuar la oferta al público objetivo, maximizar el impacto de las campañas o ajustar pricing.  

En el ámbito del real estate son igualmente múltiples las posibilidades: 

• Los portales e inmobiliarias online: posibilita el enriquecimiento de datos de inmuebles comerciales y polígonos industriales con una información muy relevante a la hora de adecuarse a la oferta y la demanda, reutilizando esta información en procesos de segmentación analítica posteriores, por ejemplo, filtrando los inmuebles ofrecidos a un potencial comprador y proporcionando aquellos ubicados en vías con unos ciertos niveles de afluencia. 

• Los desarrolladores inmobiliarios pueden evaluar la accesibilidad y el atractivo de diferentes ubicaciones para nuevos proyectos residenciales o comerciales, basándose en el flujo de tráfico.  

• Los inversores inmobiliarios, pueden usar esta información para decidir dónde invertir, por ejemplo, localizando zonas con menor densidad de tráfico, pero con una estimación clara de crecimiento, lo que hará que se revaloricen los inmuebles que han adquirido. 

• Y en los procesos de valoración de propiedades, la estimación del tráfico pude influir en este aspecto, ya que las áreas con mayor nivel de tráfico pueden ser más atractivas para ciertos tipos de negocios. 

En el siguiente caso de enriquecimiento de inmuebles vemos cómo el location  intelligence, apoyado en las variables microtarget, incluidas las de movilidad, ayudan a seleccionar y visualizar, de una forma muy sencilla, los inmuebles que son candidatos óptimos, según nuestras preferencias.  

Las empresas de transporte, logística y delivery pueden utilizar estimaciones de tráfico para entender los patrones de movimiento por la ciudad y planificar rutas y horarios de entrega más eficientes, reduciendo tiempos de tránsito y costos operativos, además de anticipar mejor los tiempos de entrega y ajustar sus niveles de inventario en consecuencia.  

Dentro del mundo del e-commerce, el gran reto está hoy en día en la logística de la «última milla»: diseñar sistemas de entrega óptimos, que minimicen los costes monetarios, pero también ecológicos, de la entrega de mercancías. Y sin olvidar la optimización de los puntos de recogida, sean éstos tiendas, buzones, oficinas de Correos… para esto, es clave diseñar la red de puntos de recogida óptima en función de la población en su entorno, pero también en función de la población de paso, ofreciendo puntos de recogida en áreas de alta afluencia de peatones y vehículos. 

Dentro del sector tecnológico estos indicadores son útiles a la hora de: 

• Desarrollar aplicaciones: mediante la creación de aplicaciones de navegación y gestión de tráfico más precisas y útiles 

• Analizar datos: optimizando la gestión del tráfico y mejorando la experiencia del usuario a través de estos indicadores. 

El enriquecimiento combinado de los indicadores de tráfico de vehículos junto con otros indicadores incluidos en microtarget, permite multiplicar el potencial de ambos y aumentan los casos de uso que podemos llevar a cabo. 

De esta manera, por ejemplo, podemos cruzar información sobre tráfico de vehículos a nivel de tramo de vía junto con los indicadores de accesibilidad a zonas verdes. Podemos así detectar zonas de alta concentración de vehículos y poca zona verde próxima, para tratar de revertir esta situación y disminuir el impacto de las emisiones producidas por los vehículos.  

De igual forma, cruzando los indicadores de oferta comercial y de equipamientos junto con los indicadores de tráfico de vehículos, podemos detectar ubicaciones con alta afluencia de vehículos y baja densidad comercial y, al contrario, zonas con alta densidad comercial pero poca afluencia de vehículos, de tal forma que estos indicadores de densidad comercial nos permitan adecuar nuestra oferta en función de la demanda estimada. 

Si relacionamos la movilidad vehicular con el tipo de entorno en cuanto a su densidad poblacional con modelos de urbanidad-centralidad, podemos analizar cómo se comporta el tráfico de vehículos en entornos más o menos poblados y si podemos tomar medidas, por ejemplo, de descongestión trasladando ciertos equipamientos o servicios que generan atracción, a este tipo de áreas menos pobladas. O, al contrario, nos encontramos con zonas poco pobladas y mucha densidad de tráfico donde, tal vez, se pueda invertir en equipamientos y servicios que cubran ciertas necesidades de quienes circulan por esas vías, promoviendo la economía local.  

En esta línea de analizar movilidad de vehículos y territorios diferentes, podemos combinar estos indicadores con los de tipología de barrios y ver los diferentes comportamientos en función de los diferentes hábitats geográficos existentes en España.  

Podemos igualmente analizar el tráfico de vehículo y cómo se comporta respecto a otras tres corrientes de movilidad habituales: tráfico de peatones, población laboral flotante (gente que no vive en una zona pero se desplaza por ella por trabajo) y afluencia de turistas y analizar la relación entre estos indicadores y como afectan a la movilidad general de un territorio. 

De igual forma podemos cruzar con indicadores de inmuebles, sociodemográficos,  de estilos de vida que nos permiten saber más sobre las condiciones de vida de los ciudadanos, percepción que tienen del entorno, hábitos, preocupaciones, etcétera. 

En la siguiente imagen podemos ver un ejemplo del uso de datos para location intelligence. El análisis territorial del que hablamos se ve simplificado con este tipo de proyectos de consultoría location intelligence que combinan software y datos para geomarketing. 

Te animo a que sigas atento a nuestros próximos artículos donde seguiremos profundizando en el resto de los indicadores y a que revises nuestras publicaciones anteriores.