Probabilidades calculadas por IA de las ubicaciones de las bicicletas compartidas a las 6 pm de un lunes en Karlsruhe. Crédito: Fraunhofer iOSB
Los automóviles siguen siendo el modo de transporte número uno en Alemania, a pesar de sus altas emisiones de carbono. Para hacer que las alternativas ecológicas sean más atractivas, los investigadores del Instituto Fraunhofer de Optronesia, tecnologías del sistema y explotación de imágenes IOSB están trabajando con socios en el proyecto Dakimo para desarrollar un transporte intermodal inteligente. Se está desarrollando una IA para la planificación de rutas multimodales para ayudar a que las personas a donde van a la perfección, conveniente y de manera confiable, y todo sin automóviles de propiedad privada.
El transporte ecológico es posible a través de una variedad de medios, incluidos autobuses, trenes, tranvías, scooters eléctricos y bicicletas compartidas. El transporte público tiene un impacto ambiental significativamente menor que los automóviles personales. Aun así, los autos siguen siendo el modo de transporte dominante. Después de todo, siempre están disponibles, y la planificación de viajes por vehículo es fácil.
Para que el transporte público se convierta en una alternativa atractiva, debe ser posible combinar fácilmente diferentes medios de transporte a lo largo de una determinada ruta, y el cambio entre el transporte público, las bicicletas (especialmente las bicicletas compartidas) y los scooters eléctricos deben ser tan convenientes como alcanzar las llaves del automóvil de uno.
Actualmente, las personas no usan este tipo de conexiones intermodales a su máximo potencial, ya que las rutas de planificación para llegar del punto A al punto B utilizando múltiples medios de transporte es demasiado complicado. Es posible que pueda detener X en autobús en 30 minutos, pero luego debe esperar que las bicicletas compartidas o los scooters eléctricos estén disponibles allí. ¿Podría haber sido una mejor idea viajar a Stop Y, donde generalmente hay más bicicletas disponibles? Hasta la fecha, las aplicaciones de enrutamiento no han tenido en cuenta estos aspectos en sus rutas sugeridas.
Enrutamiento intermodal predictivo a través de la aplicación
Aquí es donde entra el Proyecto Dakimo (ver más abajo): los investigadores de Fraunhofer IOSB en Karlsruhe han desarrollado un sistema basado en IA para predecir la disponibilidad de medios compartidos de transporte, incluidos factores como datos en vivo sobre condiciones de tráfico.
El pronóstico calcula la probabilidad de encontrar una bicicleta o un scooter eléctrico para alquilar en un momento determinado en un lugar determinado. El socio del proyecto, Raumobil GMBH, utiliza los pronósticos para el enrutamiento intermodal, lo que significa que una aplicación de movilidad recomienda conexiones desde el punto de partida al destino con la disponibilidad prevista factorizada en. El objetivo de los socios del proyecto es extender la aplicación RegiOMove lanzada por KarlsruhereShrsverBundal (KVV), el KarlsRuhe Transport Authority, en la creación de la creación intermodal de la realidad.
El objetivo es que los usuarios de la aplicación puedan obtener sugerencias personalizadas para modos de transporte que sean un ajuste optimizado para sus necesidades individuales y la ruta elegida, dependiendo de la situación actual.
“Para que el transporte sea intermodal y, por lo tanto, más ecológico, debe ser más simple, más confiable, más flexible y más fácil de planificar”, dice Jens Ziehn, líder del proyecto en Fraunhofer IOSB. “Nuestra característica de pronóstico de IA recomienda los medios óptimos de transporte para llegar al destino en cada caso individual, incluso para los diferentes segmentos de la ruta, sin complicar las cosas en exceso. Los vehículos reservables, incluidos los autos para compartir automóviles, se muestran tanto al inicio como al final del viaje”.
La IA interviene cuando los humanos pierden de vista el panorama general, por ejemplo, porque un autobús está atrapado en el tráfico o ya no hay bicicletas compartidas disponibles en la última parada.
“El pronóstico es posible porque la IA utiliza pequeñas células geográficas e intervalos de tiempo a corto plazo para calcular las probabilidades a corto y largo plazo de la disponibilidad y el número esperado de vehículos compartidos, basados en fuentes de datos abiertos, como datos de la transmisión pública y datos públicos sobre los aspectos como la posición de las bicicletas compartidas”, agrega Reinhard Herzog, quien los liderazgo y el grupo de sistemas en red en la red en FrraunHoFer iosb.
Estándar de datos nuevos expandidos para la transición de transporte
La función de pronóstico de IA se incorporará a la especificación de alimentación general (GBFS) internacional, aplicable a nivel mundial a nivel mundial, a nivel mundial, un conjunto de especificaciones en tiempo real para datos públicos que sirven para proporcionar información de tráfico, como datos de ubicación para aplicaciones orientadas al consumidor. Actualmente está en progreso una fase de evaluación de un año.
“Durante esta fase de prueba, la función de pronóstico se incorpora a un borrador para expandir el estándar”, explica Herzog. “Para que nuestra tecnología AI se use, es importante agregar probabilidades de pronóstico para compartir vehículos al estándar de GBFS”.
Una vez que esto se logre, el estándar no simplemente servirá para mostrar las posiciones de los medios de transporte compartidos actualmente disponibles, sino que también ofrece predicciones calculadas por IA relacionadas con las disponibilidades futuras.
Según los datos de GBFS, el objetivo es que las aplicaciones de enrutamiento puedan ofrecer opciones de ruta intermodal en el futuro. El socio del proyecto Raumobil GmbH trabajó para estandarizar la función de pronóstico. La expansión del estándar GBFS ha sido aceptada por MobilityData, una organización sin fines de lucro que se centra en la estandarización y el intercambio de datos de transporte.
El servidor AI Fusion a través del cual se compilan todos los datos ya está en funcionamiento. Utiliza la IA como base para determinar la disponibilidad de los modos de transporte, que luego se utiliza para calcular las rutas intermodales. La función de pronóstico de IA también ya forma parte de una versión de prueba de la aplicación RegioMove basada en Karlsruhe, que combina un amplio espectro de opciones de transporte para la región de la parte superior del Rin de la parte superior. Los planes requieren que el modelo de pronóstico se lance al resto del estado de Baden-Württemberg como el siguiente paso.
La respuesta del público ha sido positiva, como lo demostró un estudio de más de 1.500 personas realizado como parte del proyecto. Casi el 90% de los participantes ven las predicciones basadas en la IA para los medios de transporte compartidos como útiles o muy útiles.
Alrededor del 20% de los encuestados dicen que ocasionalmente dejarían sus autos en casa y cambiarían al transporte público. “Nuestros resultados de la investigación confirman que los métodos basados en IA pueden apoyar efectivamente la transición de movilidad y contribuir a la acción climática”, dice Ziehn.
Proporcionado por Fraunhofer-Gesellschaft
Cita: movilidad sostenible: los investigadores desarrollan un planificador de ruta de IA para reducir la dependencia del automóvil (2025, 1 de agosto) Recuperado el 1 de agosto de 2025 de https://techxplore.com/news/2025-08-sustenable-mobility-ai-route-planner.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
