Para alimentar los modelos de demanda de movilidad es necesario disponer de fuentes de datos fiables y bien filtradas. Una fuente clásica de datos proviene de las encuestas de movilidad, pero existen fuentes alternativas de datos como los conteos de tráfico llevados a cabo a través de aforadores o sistemas alternativos basados, por ejemplo, en visión artificial, mapas de calor y datos de telefonía móvil o de redes sociales. Todas estas fuentes de datos necesitan de un tratamiento específico y todas estas técnicas de tratamiento y análisis son las que incluimos en esta nueva línea de investigación.
Investigamos técnicas de diseño de encuestas de preferencias reveladas y declaradas con particular atención al diseño eficiente. También aplicamos diferentes modelos y técnicas de Machine Learning y Deep Learning para el empleo de datos extraídos de fuentes alternativas.
Resultados científicos esperados de esta línea de investigación:
- Desarrollo de técnicas de diseño de encuestas de preferencias reveladas.
- Desarrollo de técnicas de diseño de encuestas de preferencias declaradas.
- Desarrollo de modelos basados en Machine Learning y Deep Learning.
- Diseño de indicadores en tiempo real usando Big Data.
Posibilidades de aplicación de esta línea de investigación:
- Diseño de encuestas de preferencias reveladas y declaradas de movilidad.
- Desarrollo de aplicaciones para predicción de demanda en tiempo real.
- Desarrollo de aplicaciones para definición de indicadores de movilidad basados en datos masivos.
