Big data en Chile: desafíos y oportunidades. Marcela Munizaga Universidad de Chile

Transcripción

1 Big data en Chile: desafíos y oportunidades Marcela Munizaga Universidad de Chile

2 Qué es big data? Big data is an all-encompassing term for any collection of data sets so large and complex that it becomes difficult to process using traditional data processing applications. Big data / smart city

3 Fuentes de datos pasivos GPS Datos telefonía celular Registro de venta de pasajes Registro de pago peajes/tag Transacciones subida bip! Apps, redes sociales Sensores

4 Desafíos Disponibilidad Confidencialidad Capacidad de procesamiento Integración

5 Ejemplo:Transantiago buses, todos equipados con GPS paraderos 600 servicios Metro: 5 lineas, 100 km, 54 trenes Pago con bip! (97% del total de transacciones de pago) Colaboración SUBTRANS- Universidad de Chile + apoyo CONICYT (PBCT, FONDEF)

6 Ejemplo:Transantiago Posicionamiento 80M registros/semana Id vehículo, día, hora, posición (cada 30s) Transacciones 35M registros/semana Id validador, día, hora, id tarjeta, tipo tarjeta, pago

7 Procesamiento Diagrama espacio-tiempo para los buses de un servicio Monitoreo avance en ruta

8 Cálculo de velocidades y visualización Todos los servicios de la red Visualización espacial por servicio Peores casos en un mapa Velocidad de un corredor Para todos los servicios A toda hora del día Dividido en segmentos

9 Procesamiento Vincular vehículos y transacciones a través del id del vehículo: transacciones localizadas Estimar paradero de bajada (basado en la posición de la siguiente transacción) Identificar etapas y viajes

10 Subidas a buses Transantiago Vincular vehículos y transacciones a través del id del vehículo

11 Procesamiento Vincular vehículos y transacciones a través del id del vehículo: transacciones localizadas Estimar paradero de bajada (basado en la posición de la siguiente transacción) Identificar etapas y viajes

12 Procesamiento Estimación de paradero de bajada Min Tg Second transac on of the day First transac on of the day Min Tg Min dist Last transac on of the day Boarding point min Tg t d i x y post post i i s walk s.t. d post d ( walk / travel) GPS Point Bus stop Metro sta on

13 Post-Proceso: Etapas y Viajes Viaje Bajada estimada Transbordo o actividad? Subida observada Viaje t Criterios para diferenciar transbordos de actividades Tiempo transcurrido Secuencia de transacciones Uso de suelo Frecuencia de servicio utilizado Relación: distancia en ruta/ distancia euclidiana Permite determinar: Viajes/etapas Tiempo, distancia y velocidad de transbordos, etapas, viajes Tiempo de espera y caminata

14 Post-Proceso: Visualización Subidas/bajadas viajes (visualización de matriz OD)

15 Calidad de la información? Un ejemplo: b. Santiago 2001 ODS data

16 Construcción de matriz origen-destino de viajes Aplicación a Punta Mañana (6:30-8:30) día laboral: viajes con bajada estimada en todas sus etapas (EOD 2001: observaciones) Matriz con 3.8 millones de viajes pagados en transporte público en 5 días laborales (Junio 2010) Factor de expansión promedio 1.46 (EOD: 100) >30% celdas no nulas (EOD:<2%) A nivel de comuna se observa viajes en todos los pares OD (100% celdas no nulas) Comparación con EOD

17 Matriz origen destino viajes observados BARNECHEA CERRILLOS CERRO NAVIA CONCHALÍ EL BOSQUE ESTACIÓN CENTRAL HUECHURABA INDEPENDENCIA LA CISTERNA LA FLORIDA LA GRANJA LA PINTANA LA REINA LAS CONDES LO ESPEJO LO PRADO MACUL MAIPÚ ÑUÑOA P. AGUIRRE CERDA PEÑALOLÉN PROVIDENCIA PUDAHUEL PUENTE ALTO QUILICURA QUINTA NORMAL RECOLETA RENCA SAN BERNARDO SAN JOAQUíN SAN MIGUEL SAN RAMÓN SANTIAGO VITACURA BARNECHEA CERRILLOS CERRO NAVIA CONCHALÍ EL BOSQUE ESTACIÓN CENTRAL HUECHURABA INDEPENDENCIA LA CISTERNA LA FLORIDA LA GRANJA LA PINTANA LA REINA LAS CONDES LO ESPEJO LO PRADO MACUL MAIPÚ ÑUÑOA P. AGUIRRE CERDA PEÑALOLÉN PROVIDENCIA PUDAHUEL PUENTE ALTO QUILICURA QUINTA NORMAL RECOLETA RENCA SAN BERNARDO SAN JOAQUíN SAN MIGUEL SAN RAMÓN SANTIAGO VITACURA

18 Otros desarrollos Perfiles de carga Indicadores de calidad de servicio Estimación zona residencia Validación (EOD, EOD Metro) Modelación (velocidades, comportamiento de usuarios) Uso por parte de terceros (Ruteo vehículos de emergencia, mejoras operacionales)? Política de datos abiertos

19 Oportunidades Salto cuántico en cuanto a la cantidad, calidad y costo de la información Desarrollo de herramientas para planificación, operación y control Entender el comportamiento de los usuarios y probar hipótesis Bases sólidas para formular nuevas políticas

20 Desafíos Disponibilidad Confidencialidad Capacidad de procesamiento Integración Más información:

21 Datos telefonía móvil en Chile (SUBTEL) 28,000,000 27,800,000 27,600,000 27,400,000 27,200,000 27,000,000 26,800,000 26,600,000 26,400,000 26,200,000 Abonados Móviles 90 días Mar Abr May Jun Jul Ago Sep Oct Nov Dic Ene Feb Mar Abr May Jun Abonados 90 días