En las redes de transporte de alta capacidad, los datos son el núcleo de la toma de decisiones públicas. Sin embargo, incluso los sistemas más transitados del mundo se enfrentan a una limitación estructural importante: la dificultad para conocer con precisión los destinos de los viajeros, lo que hace que cualquier estudio origen destino sea incompleto o costoso.
Para la Port Authority Trans-Hudson (PATH), el eje ferroviario que conecta Nueva Jersey con el corazón de Manhattan, este reto tenía su origen en una herencia tecnológica: un sistema de validación únicamente en la entrada. Aunque los accesos se registraban con precisión, las salidas permanecían invisibles, dejando sin respuesta los flujos reales de millones de pasajeros.
En el marco del programa Transit Tech Lab 2024, Matawan demostró que un estudio origen destino fiable no requiere necesariamente grandes obras de infraestructura, sino una mejor explotación de los datos existentes.
Tradicionalmente, un estudio origen destino se basaba en métodos costosos: encuestas en campo, conteos manuales o la instalación de sistemas de validación en salida. Estos enfoques implicaban inversiones elevadas, largos plazos de ejecución y una cobertura limitada en el tiempo.
En un contexto pospandemia marcado por patrones de movilidad cambiantes y presupuestos ajustados, el desafío ya no es multiplicar los equipos, sino apoyarse en soluciones de software inteligente para generar análisis continuos y fiables.
El objetivo era claro: transformar 81 millones de puntos de datos fragmentados en conocimiento detallado de los desplazamientos. Gracias a nuestra plataforma de datos WanData, nuestros equipos en Norteamérica desplegaron una metodología en tres etapas.
Un estudio origen destino sólido comienza con datos de calidad. Recopilamos y normalizamos 18 meses de datos históricos procedentes de múltiples fuentes: sistemas de billetaje Cubic, datos de oferta teórica y datos de servicio real. Toda esta información se consolidó en un entorno de datos unificado, listo para el análisis avanzado.
¿Cómo identificar un destino sin validación de salida? Nuestros científicos de datos desarrollaron modelos de IA capaces de reconstruir los recorridos de los viajeros, analizando comportamientos de retorno, patrones temporales y lógicas de uso de la red. Este enfoque permite realizar un estudio origen destino de alto valor añadido, infiriendo los destinos a partir del historial completo de desplazamientos y no de eventos aislados.
Para reforzar la fiabilidad de los resultados, cruzamos los análisis algorítmicos con datos de visión artificial, procedentes de las cámaras existentes (CCTV). Esta validación permite contrastar los resultados del estudio origen destino con las densidades reales observadas en los andenes, garantizando decisiones operativas basadas en hechos medibles.
Los resultados del proyecto piloto (POC) marcaron un punto de inflexión para la red PATH. Matawan logró reconstruir más del 80 % de los trayectos completos de los viajeros a escala de red, sin desplegar ningún equipo adicional.
Para la autoridad de transporte, esto se traduce en:
Este proyecto desarrollado con PATH ilustra una evolución clave: el estudio origen destino ya no es un problema de infraestructura, sino de inteligencia de datos. Aprovechando la IA y los datos ya disponibles, las redes de transporte pueden acceder a una comprensión continua y detallada de los flujos de viajeros. Matawan forma parte activa de esta transformación, acompañando a las autoridades de transporte hacia estudios origen destino más rápidos, más económicos y directamente explotables, al servicio del rendimiento de las redes y de la calidad del servicio.
