Neighbor-embedded Graph Neural Network-based Crowd Delivery Traffic Management in Smart City

Las ciudades están respirando con más dificultad que nunca. El enorme volumen de vehículos en las carreteras ha convertido los trayectos diarios y las rutas de entrega en una red enredada de frustración de arranca y para, asfixiando el aire y desperdiciando tiempo. En la visión de una "ciudad inteligente", se supone que la tecnología debería desenredar este lío, no solo prediciendo dónde estará el tráfico, sino gestionando activamente cómo se mueven las mercancías a través de la red. El desafío central reside en dos tareas difíciles: saber exactamente qué tan ocupada estará una calle antes de que un camión siquiera salga del depósito y, después, elegir el vehículo adecuado para el trabajo. Una furgoneta de reparto podría ser perfecta para un viaje corto por un barrio tranquilo, pero una elección terrible para un trayecto largo a través de una autopista congestionada, especialmente si funciona con electricidad y tiene un alcance limitado. Acertar en estas dos decisiones —prever el flujo y elegir la máquina— es la clave para reducir el número de vehículos en la carretera, lo que a su vez reduce las emisiones de carbono y acorta los tiempos de viaje para todos.

Un equipo de investigadores ha abordado este problema con un nuevo sistema diseñado para actuar como un sistema nervioso central para las entregas urbanas. Llaman a su creación el Modelo de Gestión de Tráfico de Entrega de Multitudes basado en Redes Neuronales de Grafos con Embebimiento de Vecindad (Neighbor-Embedded Graph Neural Network-based Crowd Delivery Traffic Management model). Aunque el nombre es técnico, el concepto es sencillo: es un motor de dos partes que primero predice los atascos de tráfico y luego utiliza esa predicción para seleccionar el mejor vehículo para una ruta de entrega específica. El sistema está diseñado para manejar la "entrega de multitudes" (crowd delivery), una estrategia donde múltiples paquetes cercanos se consolidan en un solo viaje en lugar de enviar un vehículo separado para cada uno. Este enfoque tiene como objetivo reducir el número total de vehículos activos en la calle, abordando directamente el objetivo de hacer que las ciudades sean más sostenibles.

La primera parte de este sistema, la Unidad de Predicción de Congestión de Tráfico, actúa como una bola de cristal para las condiciones de la carretera. En lugar de mirar los datos de tráfico de forma aislada, trata las estaciones de entrega de la ciudad como puntos en un mapa que están todos conectados entre sí. El sistema aprende cómo el tráfico en una estación influye en el tráfico de sus vecinas, de forma muy parecida a cómo una onda en un estanque se propaga hacia afuera. Al analizar datos históricos de recuento de vehículos, velocidades y tiempos de viaje, construye una imagen dinámica de cómo fluye la congestión a través de la red. Esto le permite pronosticar los niveles de tráfico en paradas de entrega específicas con alta precisión, incluso cuando faltan datos o las condiciones son volátiles. Los investigadores descubrieron que, al prestar atención a estas relaciones de vecindad, el sistema podía predecir el flujo de tráfico significativamente mejor que los métodos antiguos que trataban cada ubicación como una isla separada.

Una vez que el sistema sabe cómo será el tráfico, la segunda parte, la Unidad de Observación y Gestión de Tráfico, toma el control para tomar las decisiones reales. Esta unidad recibe el pronóstico de tráfico y lo coteja con las necesidades específicas de una solicitud de entrega. Considera una variedad de factores: qué tan lejos debe viajar el vehículo, cuántas paradas debe realizar, qué tipo de carretera utilizará y las propias capacidades del vehículo, como su tipo de combustible y capacidad de carga. El sistema calcula entonces una puntuación para determinar qué vehículo es el más adecuado. Por ejemplo, podría decidir que un camión diésel de gran tonelaje es necesario para una ruta larga con muchas paradas, mientras que un vehículo eléctrico más pequeño es la opción correcta para un recorrido local corto. Este emparejamiento inteligente asegura que el vehículo seleccionado no solo esté disponible, sino que sea realmente apto para la tarea, evitando situaciones en las que una pequeña furgoneta se queda atrapada en un viaje de larga distancia o un camión grande desperdicia energía en un encargo diminuto.

Para probar si este enfoque realmente funciona, los investigadores realizaron evaluaciones exhaustivas utilizando un conjunto de datos de la vida real extendido de datos de trayectoria de Beijing, una ciudad con patrones de tráfico complejos y pesados. Alimentaron al sistema con miles de solicitudes de entrega y observaron cómo se desempeñaba en comparación con los métodos existentes. Los resultados fueron claros: el nuevo modelo cometía menos errores en sus predicciones y requería menos tiempo para computar sus respuestas. Específicamente, el sistema redujo el error en sus predicciones de tráfico por un margen notable en comparación con los modelos estándar, y redujo el tiempo necesario para procesar los datos. En las evaluaciones, el modelo identificó con éxito las rutas y combinaciones de vehículos más eficientes, demostrando que podía manejar la naturaleza caótica y cambiante del tráfico urbano sin verse abrumado.

El estudio también destacó qué sucede cuando se ignoran las conexiones entre diferentes partes de la ciudad. Cuando los investigadores probaron versiones del sistema que no consideraban cómo las estaciones vecinas se influenciaban entre sí, las predicciones se volvieron menos precisas. Esto confirmó que el tráfico no es solo una colección de eventos aislados, sino un flujo conectado donde un atasco en un área inevitablemente afecta a la siguiente. Al integrar estas relaciones directamente en el proceso de aprendizaje, el nuevo modelo captura la realidad de cómo se mueve el tráfico. Los investigadores concluyeron que este enfoque integrado —combinando la previsión precisa con la selección inteligente de vehículos— ofrece un camino viable para reducir el número de vehículos de reparto en la carretera. Si bien este trabajo utilizó datos de trayectoria históricos para la evaluación, los resultados sugieren que tal sistema podría mejorar significamente la eficiencia de la logística urbana, ayudando a las ciudades a avanzar hacia un futuro con menos congestión y un entorno más limpio.