Tres ciudades, un mismo aprendizaje: qué nos ha enseñado predecir la movilidad urbana con datos reales

Durante años, la forma habitual de conocer cómo se mueve la gente en una ciudad ha sido la encuesta domiciliaria: un ejercicio caro, que se repite cada muchos años y que retrata una movilidad que, para cuando los resultados están listos, ya ha cambiado. La EMT de Madrid, por ejemplo, dependía de encuestas de este tipo con un coste aproximado de 2,5 millones de euros, hechas con una periodicidad que dejaba a la operadora viendo una foto antigua de su propia demanda.

Ese problema no es exclusivo de una ciudad. Trabajando con EMT Madrid, Metros Ligeros de Madrid y Metro de Bilbao hemos visto de cerca cómo se repite en contextos distintos, y también hemos aprendido algo que vale la pena compartir: predecir bien la demanda no depende de tener más datos, depende de combinar bien los que ya existen y de sustituir la fotografía puntual de la encuesta por un flujo de datos continuo.

En EMT Madrid, una red de más de 2.500 autobuses generaba grandes volúmenes de datos operativos que apenas se explotaban, mientras la planificación seguía apoyada en las encuestas domiciliarias tradicionales. En Metros Ligeros de Madrid, la necesidad tenía además un componente económico: conocer bien la demanda de viajeros también permite seguir con precisión la evolución de los ingresos por liquidaciones del CRTM. Y en Metro de Bilbao, la operadora no contaba con una infraestructura de datos propia, así que la información de ticketing, sensores y encuestas vivía dispersa entre distintos sistemas.

Contextos diferentes, pero un mismo síntoma de fondo: la demanda real avanza más rápido que la capacidad de medirla con las herramientas tradicionales.

En los tres casos, el punto de partida ha sido el mismo: dejar de depender de una fotografía puntual y construir un flujo de datos continuo. Eso significa integrar validaciones de ticketing, información de otros operadores, datos abiertos y variables de contexto (meteorología, eventos, calendario) en una única plataforma de datos, y sobre ella entrenar modelos que aprenden de forma continua, no que se recalculan cada varios años.

El resultado no es solo tener más información, es tener información que se actualiza al ritmo real de la ciudad, y que permite anticipar en lugar de reaccionar.

Cada proyecto ha tenido su propio énfasis. En EMT Madrid, el trabajo se centró en construir matrices origen-destino multimodales y un motor capaz de predecir la carga de los autobuses con siete días de antelación, lo que se ha traducido en mejoras de eficiencia operativa y en una reducción de emisiones al ajustar mejor el servicio a la demanda real. En Metros Ligeros de Madrid, el foco estuvo en la planificación de frecuencias y en la información al pasajero en tiempo real, con mejoras tanto en eficiencia operativa como en el consumo energético del servicio. Y en Metro de Bilbao, donde no existía una base de datos previa, el trabajo empezó por construir esa infraestructura desde cero sobre la Virtual Desk Data Platform, incorporando fuentes externas como AEMET y variables económicas, hasta llegar a predicciones con una precisión validada de entre el 80% y el 85%, desglosadas por estación, línea, tipo de día y franja horaria.

Lo que estas tres ciudades tienen en común no es solo el problema ni la forma de resolverlo, es también hacia dónde apunta. Un modelo de predicción de demanda que combina fuentes y aprende de forma continua no es solo una herramienta de planificación más precisa, es la infraestructura de datos necesaria para dar el siguiente paso: modelos de movilidad como servicio (MaaS), donde distintos medios de transporte se planifican y se ofrecen de forma conjunta en función de cómo se mueve realmente la ciudadanía.

Ese es, para nosotros, el aprendizaje de fondo que conecta estos tres proyectos: la calidad de la planificación de la movilidad urbana ya no depende de cuántos datos existen, sino de si esos datos fluyen de forma continua y se combinan bien.