¿Cómo puede el machine learning beneficiar a la industria ferroviaria?

Máquinas inteligentes, aprendizaje automático, machine learning… Casi son sinónimos y escuchamos estos términos cada vez más, y aplicados en sectores muy diferentes. La llegada de las máquinas que aprenden de manera automática promete, entre otras cosas, optimizar los recursos al máximo y llegar a alcanzar cotas de eficiencia nunca vistas. En el caso del tren o, mejor dicho, de la industria ferroviaria, los beneficios inmediatos de incorporar machine learning son el ahorro de tiempo y, por lo tanto, de costes.

Pero la inteligencia artificial se emplea para muchos otros aspectos. Se utilizan sistemas inteligentes desde para vigilar los pasos a nivel y detectar riesgos y peligros, hasta para optimizar las rutas y conseguir que los alimentos se deterioren lo mínimo posible.

Uno de los usos más interesantes desde el punto de vista económico es utilizar deep learning para predecir la carga de los trenes de mercancías. Para entender la dimensión y el impacto económico de la red de transporte ferroviario de mercancías, un dato: en 2014 esta industria movió más de 274.000 millones de dólares solo en los Estados Unidos. La predicción precisa es importante para estas compañías ferroviarias para la planificación y toma de decisiones en cuestiones como el mantenimiento, la asignación de fuerza de trabajo y, por supuesto, para optimizar la inversión de capital.

En el pasado, los modelos predictivos para las flotas de mercancías utilizaban análisis de la regresión (estadística) de varios tipos: lineal, logística, polinómica y exponencial. Estos modelos son claramente superados por las posibilidades de la inteligencia artificial y sus subconjuntos especializados (machine learning y deep learning).

Hoy, se utilizan redes LSTM (acrónimo de long short-term memory), flujos de información a corto plazo, para el pronóstico y la creación de modelos para diversos fines, desde el mantenimiento basado en la condición (monitorear las condiciones de las vías férreas), pasando por el mantenimiento predictivo (avanzar futuros problemas para prevenirlos, hay algunos estudios como este que analizan las posibilidades) y llegando a la optimización de flujos de tráfico en cualquier situación.

La inteligencia artificial también se emplea para optimizar los trayectos y para adaptar los semáforos y las señales automatizadas a las condiciones reales del tráfico de los convoyes. Se utiliza también para poder proporcionar a los viajeros información sobre posibles retrasos, si hablamos de transporte de personas en cualquier modalidad de “tren” (trenes, metro, tranvías…). Esto puede parecer tarea simple, y lo es si el sistema se limita a sumar minutos a la espera, reaccionando ante el retraso en tiempo real. Pero con la inteligencia artificial de por medio, llega la predicción: adelantarse al futuro retraso, y hacerlo con asombrosa exactitud. Y, en el camino, sugerir alternativas, si existen.

En el metro, específicamente en el Metro de Madrid, se ha instalado un sistema llamado Gestor Inteligente de Ventilación (GIV) que, en pocas palabras, se encarga de asegurar un nivel de confort determinado para los viajeros, controlando de manera automatizada los ventiladores teniendo en cuenta variables como las características técnicas de los trenes que circulan por la red, el número de viajeros, la temperatura del aire o las tarifas eléctricas.

La industria ferroviaria es gigantesca y engloba transporte de mercancías y de viajeros. Cada uno tiene sus propios requisitos o parámetros que garantizan el éxito, pero en todos ellos es posible sacar ventaja de la inteligencia artificial para optimizar procesos, ahorrar costes, reducir emisiones contaminantes y beneficiar a los consumidores.