💻 computer science

A Grid-Based Framework for E-Scooter Demand Representation and Temporal Input Design for Deep Learning: Evidence from Austin, Texas

Este estudio presenta un marco basado en cuadrículas y un diseño de entradas temporales validado estadísticamente para la predicción de demanda de patinetes eléctricos en Austin, Texas, logrando reducciones significativas en el error de predicción al optimizar la estructura de datos históricos mediante un enfoque de aprendizaje profundo.

Autores originales: Mohammad Sahnoon Merkebe Getachew Demissie, Roberto Souza

Publicado 2026-03-17

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Mohammad Sahnoon Merkebe Getachew Demissie, Roberto Souza

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Hola! Imagina que la ciudad de Austin, Texas, es un enorme tablero de ajedrez gigante, pero en lugar de piezas de madera, tiene patinetas eléctricas (e-scooters) que se mueven por todas partes. El problema es que a veces hay demasiadas patinetas en un lugar y ninguna en otro, o la gente quiere usarlas en momentos que nadie esperaba.

Los investigadores de este paper se propusieron resolver este caos usando Inteligencia Artificial (IA), pero no de la manera habitual. Aquí te explico qué hicieron, usando analogías sencillas:

1. El Mapa del Tesoro (La Base de Datos)

Antes de predecir el futuro, necesitas un mapa muy preciso.

El problema: Los datos originales eran como una lista desordenada de "alguien tomó una patineta aquí y la dejó allá". Era difícil de leer para una computadora.
La solución: Los autores crearon una "cuadrícula" (como un tablero de ajedrez) sobre la ciudad. Transformaron millones de viajes en imágenes de calor.
- Analogía: Imagina que tomas una foto de la ciudad cada hora. Donde hay muchas patinetas saliendo, la foto se pone roja (mucho calor). Donde llegan, se pone azul. Así, en lugar de una lista de números, tienen una película de cómo se mueve la ciudad.

2. El Reto del "¿Qué pasó antes?" (El Diseño Temporal)

Para predecir dónde estarán las patinetas mañana, la IA necesita mirar el pasado. Pero, ¿cuánto pasado debe mirar?

El error común: La mayoría de los estudios dicen: "Mira las últimas 3 horas" o "Mira la misma hora de ayer". Es como intentar adivinar el clima de mañana solo mirando el cielo de hace 10 minutos. Funciona un poco, pero no es perfecto.
La innovación: Estos investigadores no adivinaron. Crearon un detective estadístico.
- Analogía: Imagina que eres un entrenador de fútbol. Para saber cómo jugará tu equipo mañana, no solo miras el partido de ayer. Miras:
  1. Lo que pasó hace 1 hora (¿están cansados?).
  2. Lo que pasó ayer a la misma hora (¿es un día de trabajo?).
  3. Lo que pasó hace una semana (¿es un fin de semana?).
- Ellos probaron matemáticamente qué combinaciones de "pasado" funcionaban mejor para predecir el futuro. Descubrieron que la gente usa patinetas con ritmos: un ritmo rápido (ahora mismo), un ritmo diario (la misma hora de ayer) y un ritmo semanal (el mismo día de la semana pasada).

3. La Prueba de Fuego (El Experimento)

Crearon un modelo de IA (llamado UNET, que es como un cerebro que ve imágenes) y le dieron tres tipos de "memoria" para ver cuál aprendía mejor:

La memoria reciente: Solo miró las últimas horas.
La memoria fija: Solo miró la misma hora de días anteriores.
La memoria inteligente (la propuesta): Una mezcla calculada de lo reciente, lo diario y lo semanal.

El resultado:
La "memoria inteligente" ganó por goleada.

Para predecir la próxima hora, redujo los errores en un 37% comparado con los métodos viejos.
Para predecir 24 horas después, redujo los errores en un 35%.

4. ¿Por qué es importante esto?

Imagina que eres el jefe de una flota de patinetas.

Si usas el método viejo, podrías enviar 100 patinetas a una zona donde nadie las quiere, y dejar otra zona vacía. Es como enviar un camión de helados a un desierto en invierno.
Con el nuevo método, la IA sabe exactamente dónde poner las patinetas antes de que la gente las pida.
- Analogía: Es como tener un oráculo que te dice: "Mañana a las 5 PM, en la esquina de la universidad, habrá una fila de gente esperando patinetas. Lleva 50 unidades ahí ahora mismo".

En resumen

Este paper no inventó un nuevo tipo de patineta ni un nuevo cerebro de IA. Lo que hizo fue enseñar a la IA a mirar el pasado de la manera correcta.

Demostraron que para predecir el futuro en una ciudad, no basta con mirar lo que acaba de pasar; hay que entender los ritmos de la ciudad (días de trabajo, fines de semana, horas pico). Al hacerlo, logran que la ciudad funcione mejor, con menos congestión y más patinetas disponibles cuando y donde la gente las necesita.

¡Es como pasar de adivinar el futuro a leer el guion de la película antes de que empiece!

Título: Un Marco Basado en Cuadrículas para la Representación de la Demanda de Patinetes Eléctricos y el Diseño de Entradas Temporales para Aprendizaje Profundo: Evidencia de Austin, Texas

1. Problema Identificado

A pesar de los avances en el aprendizaje profundo para la predicción de la demanda de micromovilidad compartida, existen dos brechas metodológicas críticas en la literatura actual:

Falta de estandarización en el preprocesamiento: La transformación de registros de viajes brutos en superficies de demanda espaciotemporales (imágenes de cuadrícula) a menudo se trata como un paso de preprocesamiento heurístico y no reproductible, sin un marco formal que aborde la dispersión de datos y el sesgo espacial.
Diseño temporal no validado estadísticamente: La selección de la "ventana de retroceso" (historial temporal) para los modelos de entrada suele basarse en criterios heurísticos o empíricos (ej. ventanas deslizantes fijas), en lugar de derivarse de pruebas de hipótesis estadísticas rigurosas. Esto puede llevar a ignorar estructuras temporales informativas no adyacentes (como periodicidades diarias o semanales) y a una generalización subóptima.
Evaluación deficiente: Las métricas de error globales a menudo promedian sobre áreas de demanda cero, diluyendo el rendimiento en zonas operativamente relevantes.

2. Metodología Propuesta

Los autores desarrollan un pipeline de procesamiento de datos reproducible y un marco estadístico para el diseño de entradas temporales, utilizando datos de patinetes eléctricos compartidos de Austin, Texas (2019).

Procesamiento de Datos y Construcción de Cuadrícula:
- Filtrado: Se aplicaron criterios estrictos a 15 millones de registros (2018-2022), seleccionando solo viajes de patinetes eléctricos en 2019 con duraciones, distancias y velocidades válidas.
- Geoespacial: Se mapearon los identificadores de los Tractos Censales (Census Tracts) a coordenadas centroides y se proyectaron al sistema UTM Zona 14 Norte.
- Discretización: Se construyó una cuadrícula rectangular uniforme de 240 x 220 metros (aprox. 4 minutos de caminata).
- Generación de Imágenes: Los viajes se agregaron en mapas de demanda horaria (imágenes de 241x217 píxeles) para recogidas (pick-up) y entregas (drop-off).
- Máscara de Actividad Global: Se creó una máscara binaria para restringir el entrenamiento y la evaluación únicamente a las celdas de la cuadrícula que han tenido demanda histórica, evitando que las zonas de demanda cero inflen artificialmente el rendimiento.
Diseño de Entradas Temporales (Selección de Retrasos):
- Análisis Combinado: Se utilizó un procedimiento basado en correlación de Pearson (para similitud estructural) y error medio absoluto (MAE) (para magnitud) para clasificar los retrasos temporales históricos ( $\tau$ ) más informativos.
- Ablación Controlada: Se entrenó un modelo base UNET (arquitectura codificador-decodificador) con diferentes profundidades temporales (número de canales de entrada).
- Validación Estadística: Se emplearon pruebas de rangos con signo de Wilcoxon (no paramétricas) con corrección de Holm para determinar qué configuraciones temporales ofrecen mejoras estadísticamente significativas y para identificar la profundidad óptima mediante pruebas de no inferioridad.
Configuraciones de Comparación:
- Se comparó el método propuesto contra dos baselines:
  1. Historia Adyacente Reciente: Ventanas de horas consecutivas inmediatas.
  2. Historia de Período Fijo: Mismas horas de días anteriores (periodicidad pura).

3. Contribuciones Clave

Pipeline de Datos Formalizado: Un marco completo y reproducible para transformar registros de viajes en imágenes de demanda espaciotemporales estructuradas, incluyendo la generación de máscaras de actividad para manejar la dispersión de datos.
Metodología Estadística para Entradas Temporales: Un enfoque sistemático que combina análisis de correlación y error con pruebas de hipótesis no paramétricas para seleccionar los retrasos temporales óptimos, en lugar de depender de la intuición.
Validación Rigurosa: Demostración de que el diseño de la entrada temporal es un determinante crítico del rendimiento, incluso con una arquitectura de red neuronal fija (UNET), utilizando pruebas estadísticas robustas para validar las mejoras.

4. Resultados Principales

Selección de Retrasos Óptimos:
- La estructura temporal óptima combina persistencia a corto plazo (horas inmediatas) con periodicidades diarias y semanales (ej. 24h, 168h, 336h).
- Predicción a 1 hora: La configuración óptima requiere 36 canales (18 retrasos para recogidas + 18 para entregas). Reducir la profundidad degrada significativamente el rendimiento.
- Predicción a 24 horas: La configuración óptima es de 18 canales (9 retrasos por tipo), mostrando rendimientos decrecientes más allá de este punto.
Rendimiento Predictivo (Conjunto de Prueba):
- El método propuesto superó consistentemente a los baselines en ambas tareas.
- Predicción a 1 hora: Reducción del 37% en el Error Cuadrático Medio (MSE) y aumento del $R^2$ a 0.78 (vs. 0.57 y 0.55 de los baselines).
- Predicción a 24 horas: Reducción del 35% en el MSE. Aunque los valores de $R^2$ fueron negativos (indicando la dificultad extrema de la predicción a largo plazo en zonas dispersas), el método propuesto tuvo el menor error absoluto y máximo.
- Significancia Estadística: Todas las mejoras fueron confirmadas como estadísticamente significativas mediante pruebas de Wilcoxon con corrección de Holm ( $p < 0.05$ ).

5. Significado e Implicaciones

Importancia del Diseño de Entrada: El estudio demuestra que la ingeniería de características temporales es tan crucial como la arquitectura del modelo. Una selección estadísticamente validada de la ventana temporal puede mejorar drásticamente la precisión sin necesidad de redes más complejas.
Gestión Operativa: Las predicciones más precisas permiten estrategias de reequilibrio de flotas más eficientes, planificación de infraestructura y mejor nivel de servicio para los usuarios.
Reproducibilidad: El marco propuesto establece un estándar para la construcción de conjuntos de datos espaciotemporales en micromovilidad, abordando problemas comunes de dispersión y sesgo espacial.
Limitaciones y Futuro: El estudio se basa en datos de un solo año y ciudad, y utiliza centroides de tramos censales (resolución espacial gruesa). Futuras investigaciones deberían integrar variables exógenas (clima, eventos) y probar la generalización en múltiples ciudades.

En resumen, este trabajo proporciona una base metodológica sólida para la predicción de demanda de micromovilidad, demostrando que la combinación de una representación espacial cuidadosa y un diseño temporal validado estadísticamente es esencial para el éxito de los modelos de aprendizaje profundo en este dominio.