El tren, el transporte más inteligente gracias al 'machine leaning' y la IA

Cómo el ‘machine learning’ convirtió al tren en el transporte más inteligente de la historia

¿Puede un tren ser smart? Ya lo es, de hecho. Gracias a herramientas como Cloud AutoML Vision, los trenes ven e interpretan aquello que tienen delante. Mediante el análisis predictivo se han creado líneas low cost con mayor flexibilidad de horario. Y gracias a las redes neuronales se han examinado miles de horas de viaje para optimizar el impacto energético y contaminar menos.

Cuando hablamos de trenes inteligentes, no nos referimos un amasijo de metal que ofrece servicios básicos o te pregunta qué tal el trabajo. Ni siquiera a una locomotora que te ganaría en una partida de ajedrez. Apuntamos a una industria automatizada y transformada en una inteligentísima red desde el sujeto (los trenes) hasta el objeto (mejorar transportes y comunicaciones). 

Un ejemplo: La MTR Corporation de Hong Kong comenzó a usar IA para racionalizar y automatizar sus planificaciones trimestrales y logró optimizar recursos, cumpliendo con todas sus directrices, hasta elevar la eficiencia en un 50%Ahorrar en costes y tiempo es una constante cuando posees cantidades ingentes de datos.

UNA INDUSTRIA MUY AUDAZ

Trenes hay muchos. Solo en India, más de 3.000.000 de pasajeros viajan diariamente en ellos. Tenemos recorridos históricos como el del transiberiano, que parte desde Moscú y acaba en Pyongyang; más de 10.000 kilómetros para 157 paradas y más de 200 horas de viaje (8,5 días). A su lado, el funicular Angels Flight y sus escasos cinco minutos de trayecto parecen casi un paseo a la panadería.

Este medio de transporte va sobrado de historia. En torno al 680 antes de Cristo, ya se usaban caminos de tierra preparados para viajar. Se pagaba peaje para subir, así que también podemos considerarla la primera autopista y el primer transporte público. Los carros mineros datan del 1500. Y en 1603, un tal Huntingdon Beaumont creó el primer vagón inglés. Hemos tenido tiempo más que suficiente para encontrar patrones y resolver disyuntivas.

Aún pasaría un siglo hasta encontrarnos con el primer antepasado formal del tren: en 1774, el escocés James Watt construyó la máquina de vapor estacionaria. En 1894 se construiría el tren de carga: lograría extraer 25 toneladas de hierro y transportar a 70 personas a lo largo de 16 km.

imprescindible en el desarrollo

No en vano, los trenes transportan alrededor del 40% de las cargas mundiales. El caudal económico asociado a ellos es fundamental en el desarrollo de los países. La industria ferroviaria generó 33.000 millones de dólares solo en Estados Unidos. Para mejorar los presupuestos de fletes y el rendimiento de viajes, se han comenzado a usar LSTM, flujos de información a corto plazo. ¿Con qué fin? Pronosticar a larga duración y crear modelos operativos, además de usar la percepción multicapa mediante redes neuronales.

Los datos se utilizan con múltiples fines. En cuanto a la infraestructura, sirven para el mantenimiento basado en la condición (CBM) —monitoreo de diagnóstico— y mantenimiento predictivo (PM) —anticipar problemas para atajarlos—. Las TOCs recopilan toneladas de datos en tiempo real. Logran crear, por tanto, una inteligencia situacional, del tiempo y el espacio, clave para los flujos de tráfico —incluso las anomalías no nodales, sin correlación, como en casos de atentados—. Y también generan una inteligencia operacional: con estos datos en su poder pueden mejorar la efectividad en tiempo real.

A TODA VELOCIDAD

Aunque hoy contamos con trenes de levitación magnética como el japonés JR-Maglev, que podría alcanzar los 600km/h sin despeinarse, los de hace años no superaban los 10km/h. Y, para optimizar la velocidad, en efecto, también ha intervenido la IA, analizando el estado de las vías y arrojando datos sobre la correlación entre velocidad y consumo de energía.

Al tren le debemos muchas de nuestras principales innovaciones en tráfico. Como la señalización moderna o el semáforo. A pesar de que ya se usaban en la industria del ferrocarril desde 1830, el ingeniero John Peake Knight diseñó en 1865 un sistema con barreras: rojo para detenerse, verde para continuar. Y así se popularizó y exportó hasta que, en 1910, Ernest Sirrine patentó su semáforo eléctrico de luces rojo, ambar y verde. Desde entonces, estos colores pueblan cada intersección.

La inteligencia artificial los ha dotado de efectividad extra: los semáforos ya pueden adaptarse al tráfico y no al revés, lo que reduce en un 40% el tiempo de espera de los vehículos y minimiza hasta en un 26% las emisiones de CO2. Y, por supuesto, sin redundar en riesgos para los peatones, más bien al contrario, al bajar la congestión de tráfico y la polución en núcleos urbanos.

ejemplos en españa

La IA, de hecho, está presente en más sectores de los que imaginamos. Recientemente supimos del Gestor Inteligente de Ventilación (GIV), “un sistema que la Comunidad de Madrid ha incorporado al Metro para garantizar las condiciones deseadas de confort y salubridad de los usuarios”.

Los sistemas de ventilación son caros, ruidosos y poco eficientes energéticamente. Hasta el 40% del consumo energético de una estación puede ser resultado directo de este sistema. La meta es mejorar la calidad del aire —disminuyendo la emisión de CO2 hasta las 93 toneladas anuales— a la vez que se reduce el consumo energético entre un 15 y un 25 %.

Otro ejemplo lo encontramos en la seguridad, sin salir de España. La compañía vasca Begirale Controlling Risk desarrolló una inteligencia artificial que identifica peligros en pasos de nivel: a través de distintas cámaras analizan obstáculos y peligros e informan a las distintas estaciones implicadas.

Las inteligencias artificiales y el aprendizaje mecánico o adaptativo computacional no son una solución rápida: necesitan de un periodo de aprendizaje y usar distintos métodos paramétricos (NHPP, AMSAA, etc.) para obtener conclusiones.

Pero una vez obtenidos los resultados, pueden hacer algo más que reducir tiempos en entrega de mercancías. Pueden, sin ir más lejos, optimizar el transporte de cargas orgánicas para disminuir su deterioro. Lo que beneficia tanto a las economías locales como al coste final del producto.

En Nobbot | Así cambiará el ‘big data’ la forma en que producimos (y consumimos) energía

Imágenes | Pexels