Cómo calcula los tiempos la app Cómo ir

En tres minutos pasa el 582 en Paraguay y Guatemala, así que más vale apurar el paso. Pero esos 180 segundos, en realidad, pueden ser algunos más o –lo que es peor si no se llegó a la parada– pueden ser menos.  Para que el cálculo sea más preciso, el Departamento de Desarrollo Sostenible e Inteligente de la Intendencia de Montevideo (IMM) y CIEMSA convocaron a un desafío para estudiantes y desarrolladores independientes para mejorar el tiempo estimado de arribo (TEA) de los ómnibus en tiempo real para la aplicación oficial Cómo Ir (disponible de forma gratuita para iOS y Android). 

Mauricio González, Javier Schandy, Gustavo Armagno y Cristian Dotta fueron los ganadores del desafío al crear un algoritmo que arroja un TEA más preciso que el anterior. “Identificamos una excelente oportunidad para hacer un aporte para todos los que usan el Sistema de Transporte Metropolitano (STM)”, dijo González.  

La geolocalización en tiempo real de los ómnibus de la línea seleccionada por el usuario fue una función que se agregó a la app en 2017. El objetivo del concurso era mejorar el tiempo estimado de arribo y así predecir de una forma más precisa cuándo van a pasar los ómnibus en las diferentes paradas donde se encuentre el usuario de Cómo Ir. 

Para los jóvenes, “parte de la complejidad del desafío” era que desconocían cómo funciona el sistema de transporte capitalino. Y solo tenían 15 días para crear un algoritmo, entrenarlo y testearlo. Según relató González, una buena solución tenía que entender lo siguiente: lo que demora un vehículo en llegar del punto A al punto B es más una propiedad del trayecto que del vehículo en sí mismo.

En otras palabras, la llegada de un ómnibus a una parada determinada depende de factores ajenos. Por ejemplo, influye la interacción que tenga con otros vehículos en el recorrido, debido a que son pocas las sendas “solo bus” (además de poco respetadas) y esto lleva a que los ómnibus avancen a velocidad limitada. Por otro lado, también está la cuestión de las paradas. González explicó que estas representan “un sistema descentralizado con múltiples conexiones entre puntos dados por líneas de diferentes compañías”. 

Para la creación y entrenamiento del algoritmo, los jóvenes partieron de la posibilidad de responder la siguiente pregunta: “Dado un trayecto entre dos paradas de ómnibus consecutivas, ¿cuál es la mejor predicción que podemos dar para el tiempo necesario en recorrerlo, dado que sabemos el tiempo que demoraron los buses anteriores?” Si se conoce la respuesta a esta interrogante, se puede predecir el tiempo que demorará el próximo ómnibus.

Para mejorar el TEA tuvieron en cuenta el ómnibus más cerca (de una parada) y sumaron las predicciones de los tramos que separan los puntos en el mapa. De esta forma, el algoritmo puede estimar el arribo del próximo ómnibus a una parada determinada en función de la “correlación entre las demoras de las diferentes líneas”. Por ejemplo, el 181 podría necesitar esta tarde más tiempo del habitual para ir desde la Facultad de Arquitectura hasta el Hospital Pereira Rossell por Bulevar Artigas si el 300, que pasó minutos antes, también demoró entre ambos puntos. 

A su vez, para estimar las demoras de los trayectos entre paradas utilizaron un filtro denominado “de Kalman” que permite “obtener la mejor estimación de una variable que no podemos observar directamente a partir de mediciones internas”, indicó González.  

El algoritmo desarrollado por los jóvenes permite fusionar diferentes fuentes de información en una sola: los trayectos, el recorrido del ómnibus y las diferentes líneas de transporte urbano, lo que permite que sea mucho más exacto que el anterior.  

El equipo tiene previsto seguir trabajando en este proyecto para agregar más fuentes de información como el estado de los semáforos, la información de las cámaras de vigilancia o información de Google Maps.

La propuesta de González, Schandy, Armagno y Dotta fue seleccionada por su alto nivel técnico, tanto en el aspecto de la formulación del problema y la solución sobre un modelo matemático, como en la implementación, según informó la IMM en un comunicado.  Según la comuna, la aplicación tiene 50 mil usuarios en Android y 70 mil en iOS, además de un promedio de 200 mil consultas mensuales.