Un nuevo análisis realizado por investigadores de ingeniería de la Universidad de Toronto aprovecha el aprendizaje automático para responder una pregunta espinosa: ¿Dónde deberían ubicarse los nuevos carriles para bicicletas protegidos para brindar el mayor beneficio?
“En este momento, pocas personas tienen realmente buen acceso a una infraestructura segura para bicicletas: pueden ir en bicicleta al trabajo, al supermercado o a lugares recreativos”, dice Madeleine Bonsma-Fisher, becaria postdoctoral y líder del Departamento de Ingeniería Civil y Mineral. . son Autor de un nuevo artículo publicado en Revista de geografía del transporte.
“Más carriles pueden aumentar el número de destinos a los que pueden llegar, y trabajos anteriores sugieren que el número de viajes en bicicleta aumentará.
“Sin embargo, muchas personas tienen poco o ningún acceso a una infraestructura ciclista segura, lo que limita su capacidad para desplazarse. Esto plantea la pregunta: ¿Está el conjunto conectado? ¿Es mejor maximizar el número de ubicaciones y visitas potenciales, o es más importante ¿Centrarse en el número máximo de personas que pueden beneficiarse del acceso a la red?
Bonsma-Fisher y su equipo, incluidos sus codirectores, los profesores Shoshanna Seksy y Timothy Chan, y el estudiante de doctorado Bo Lin, utilizan el aprendizaje automático y la optimización para ayudar a fundamentar dichas decisiones. Este es un desafío que requiere nuevos métodos computacionales.
“Este tipo de problema de optimización es lo que se llama un problema NP-difícil, lo que significa que la potencia de cálculo necesaria para resolverlo aumenta exponencialmente con el tamaño de la red”, afirma Saxe.
“Si se utiliza un algoritmo de optimización tradicional en una ciudad del tamaño de Toronto, todo colapsará. Pero el estudiante de doctorado Bo Lin inventó un modelo de aprendizaje automático realmente fantástico que puede predecir más de 1.000 proyectos de infraestructura diferentes. Puede considerar millones de combinaciones para probar lo que son los lugares más eficaces para construir nuevas infraestructuras ciclistas”.
Utilizando Toronto como sustituto de cualquier gran ciudad norteamericana orientada a los automóviles, el equipo trazó un mapa de las futuras redes de carriles para bicicletas a lo largo de las calles principales, optimizadas de acuerdo con dos tipos generales de estrategias.
El primero, al que llamó enfoque utilitario, se centraba en maximizar el número de viajes que se podían realizar en menos de 30 minutos utilizando sólo rutas con carriles para bicicletas protegidos, es decir, independientemente de quién hiciera esos viajes.
El segundo, al que llamó basado en la equidad, tenía como objetivo maximizar el número de personas que tuvieran al menos alguna conexión a la red.
“Si optimizas para lograr equidad, obtienes un mapa más disperso y menos concentrado en las áreas del centro”, dice Bonsma-Fischer.
“Obtienes más partes de la ciudad que tienen menor acceso en bicicleta, pero también obtienes un poco menos de ganancia general en accesibilidad promedio”.
“Existe un equilibrio”, afirma Saxe.
“Esta compensación es temporal, suponiendo que eventualmente tengamos una red ciclista completa en toda la ciudad, pero tiene sentido para la forma en que operamos mientras tanto y construimos infraestructura para bicicletas, dados los desafíos actuales.
Otro hallazgo importante fue que hay ciertos caminos que parecen esenciales independientemente de la estrategia que se adopte.
“Por ejemplo, los carriles para bicicletas a lo largo de Bloor West aparecen en todos los escenarios”, dice Sachs.
“Esos carriles para bicicletas también benefician a las personas que no viven cerca de ellos y son un tronco importante para maximizar tanto la equidad como la eficiencia de la red para bicicletas. Su impacto es tan consistente en todos los modelos que está desafiando la idea de que los carriles para bicicletas son un recurso local. El problema, que afecta sólo a las personas cercanas, a menudo sirve a vecindarios remotos en nuestro modelo.
El equipo ya está compartiendo sus datos con los planificadores de la ciudad de Toronto para informar las decisiones en curso sobre inversiones en infraestructura. En el futuro, el equipo espera aplicar su análisis a otras ciudades.
“No importa cuáles sean sus problemas locales o las decisiones que tome, es realmente importante que comprenda claramente qué objetivos está logrando y compruebe si los está cumpliendo”, dice Bonsma-Fisher.
“Este tipo de análisis puede proporcionar un enfoque basado en evidencia y datos para responder estas difíciles preguntas”.
