Modelo predictivo y mantenimiento
Cliente
Problema
Barcelona Serveis Municipals, necesitaba una herramienta de toma de decisiones basada en datos para comprender el uso y anticiparse a las necesidades de los usuarios de plazas de aparcamiento, tanto comerciales como privados, en el área metropolitana de Barcelona.
Solución
Desarrollamos un algoritmo predictivo ad hoc basado en datos históricos y en tiempo real para pronosticar la ocupación de las plazas de aparcamiento de Area DUM (vehículos comerciales) y Area Blava (vehículos privados).
Desarrollamos un modelo de previsión para predecir el nivel de ocupación de las zonas de carga/descarga de la ciudad de Barcelona, así como de los aparcamientos privados. Este modelo se implementó utilizando algoritmos de Machine Learning que combinan predicciones a corto y largo plazo y se apoyó en el análisis de datos para garantizar la correcta funcionalidad del modelo de predicción.
Su propósito es comprender el impacto de la variación de las actividades comerciales en diferentes áreas y los patrones de movilidad de los usuarios de Area DUM y Area Blava.
Data
A partir de datos históricos sobre el movimiento de vehículos y personas, además de datos en tiempo real del uso de la aplicación, implementamos el análisis de datos para monitorear y extraer los conocimientos ocultos generados por el sistema.
El descubrimiento de estos conocimientos mejora el modelo de previsión y permite comprender la complejidad del ecosistema de estacionamiento y carga/descarga.
Resultados
Debido a un desarrollo exitoso del modelo, Mosaic Factor se encarga de la supervisión del modelo de pronóstico, que se implementó previamente, para asegurar el correcto modo de operación del servicio.
Gracias a nuestra arquitectura de software y a una implementación del sistema muy eficiente, fue posible recalcular continuamente las predicciones de los próximos dos días para todas las áreas (más de 4.000) en menos de 4 minutos.
Después de la validación inicial de los resultados, mantuvimos la solución, incluidas sus iteraciones, durante los 3 años siguientes.
Este proyecto ha sido destacado por Via Empresa en una entrevista como buena práctica en el uso de datos para la movilidad personal, la automoción y la logística.