El machine learning para mejorar la tarificación dinámica

En Cintra hacemos todo lo posible para conseguir que los viajes por nuestras carreteras sean una experiencia fiable. Queremos proporcionar a la gente una opción mejor, para que no terminen en un atasco infinito como los que se ven en las autopistas de Manhattan y LA.

Las ciudades están buscando aumentar la movilidad y reducir la congestión, y muchas deciden añadir carriles de autopista y poner orden en complicados cuellos de botella. En vías realmente congestionadas estas mejoras pueden tener poco recorrido; la capacidad adicional rara vez es suficiente para gestionar la demanda latente, y las autopistas pueden volverse más exasperantes en cuanto a congestión de lo que ya eran. Incluso las carreteras de peaje tradicionales han caído víctimas de la congestión, y no parece correcto pagar por el privilegio de estar parado en medio del tráfico.

Las vías rápidas que gestionamos añaden capacidad a las autopistas congestionadas y ofrecen a los conductores la opción de un viaje más rápido en más de 60 millas de autopista en Dallas-Fort Worth y Charlotte. Nuestro trabajo consiste en asegurar que estas vías nuevas y separadas no terminen tan congestionadas como las otras.

Permítame explicarme, una de las mejores formas (y más equitativas) de lograr este ambicioso objetivo es mediante la asignación de precios dinámica en tiempo real.

Aquí tiene cómo funciona: cuando los conductores se aproximan a un tramo congestionado de una autopista con una vía gestionada, tienen la opción de pagar un peaje para viajar por la vía más rápida o permanecer en los carriles con tráfico más intenso.

Por supuesto, si demasiadas personas desean seleccionar la opción de pago existe el riesgo de que la demanda supere la capacidad de la vía, provocando que se congestione rápidamente.

Para resolver este clásico problema económico, se puede reducir la demanda prohibiendo que ciertos vehículos elijan las vías rápidas o dejar las vías abiertas a todos los conductores amortiguando la demanda mediante un incremento del precio, para que los conductores puedan tomar su decisión en base a la urgencia dependiendo de la finalidad de cada viaje concreto.

Pensamos que las vías gestionadas proporcionan la opción más óptima y justa para un viaje rápido y fiable cuando están abiertas a todos los conductores. Nuestro equipo está comprometido con el desarrollo de algoritmos de peaje eficientes e inteligentes que funcionen con políticas innovadoras como descuentos para VAOs y viajes rápidos para transporte y furgonetas compartidas, lo que incentiva desplazamientos más inteligentes.

Desarrollando nuestro modelo paramétrico

A lo largo de los años, los operadores de carreteras gestionadas como Cintra se han basado en algoritmos paramétricos para fijar los precios. Estos algoritmos son fáciles de diseñar, entender y explicar. Normalmente utilizan un número fijo de factores para ajustar los precios de las vías rápidas aumentándolos o disminuyéndolos cuando las condiciones superan ciertos umbrales. Estos modelos miden parámetros como la velocidad, la densidad y las tasas de flujo de tráfico para notificar cambios de precios que mantengan las carreteras gestionadas en movimiento.

Pero tras años estudiando el comportamiento de los conductores en nuestras vías gestionadas, el equipo de Tráfico y Análisis de Cintra empezó a darse cuenta de que este enfoque no proporcionaba siempre unos resultados óptimos.

Vimos lo que la economía del comportamiento sabe bien: que la toma de decisiones de los clientes en ocasiones es algo errática e irracional. Nuestros algoritmos paramétricos por sí solos no podían conseguir siempre el equilibrio entre oferta y demanda.

En lugar de empezar de cero, decidimos desarrollar el modelo ya existente añadiendo un segundo modelo de aprendizaje automático. Nuestro algoritmo existente ya cambiaba los precios automáticamente sin intervención humana, así que fue fácil tomar la decisión de desarrollar un algoritmo complementario.

Presentando el RTPF

Hemos denominado a este algoritmo complementario factor de propensión en tiempo real (RTPF, por sus siglas en inglés), ya que busca cambios inusuales en la propensión de los conductores a la hora de elegir vías rápidas gestionadas y reacciona en tiempo real ajustando el peaje, aumentándolo o disminuyéndolo por un factor calculado.

El aprendizaje automático proporciona algunas ventajas claras en la asignación de precios. Concretamente, los modelos de aprendizaje automático son muy buenos para identificar patrones, ya que pueden tener en cuenta cientos o miles de variables a la vez, en comparación con algunas docenas para un algoritmo paramétrico.

Las técnicas de aprendizaje automático típicas incluyen, con niveles de complejidad crecientes: desde modelos de regresión clásica, árboles de decisiones, bosques aleatorios y análisis de conglomerados, hasta redes neuronales en las que los datos pueden suministrarse en formatos de vídeo, audio, etc., y los modelos aprenden a identificar y agrupar objetos, extrayendo lecciones de su comportamiento.

Un buen modelo de aprendizaje automático puede encontrar la correlación histórica entre la congestión en una parte de la carretera y los cambios en la toma de decisiones de los conductores en otra. Busca estas curiosidades y puede intervenir aumentando o disminuyendo el precio de una forma más sofisticada que el algoritmo paramétrico.

En momentos clave el RTPF puede asumir el control, gestionar la situación única durante un rato y devolverle el control al algoritmo paramétrico. Esto nos permite incorporar el aprendizaje automático de tal forma que produce un modelo de asignación de precios muy transparente y explicable.

Una tercera vía: ¿capacidad, recaudación o rendimiento?

Si tiene que trazar las líneas de la batalla académica respecto a la asignación de precios de un bien escaso, por lo general los expertos sugerirían que diseñase su algoritmo para maximizar la recaudación u optimizar la capacidad. Pero llevada al extremo, ninguna de estas filosofías produce un buen resultado en una vía rápida gestionada.

La persecución obstinada de la optimización de la recaudación puede llevarle a asignar precios tan altos a sus vías rápidas que tan sólo el 1% de los conductores las elijan. Las vías rápidas estarán infrautilizadas, y no le estará proporcionando a la comunidad una movilidad mejorada, pero sin duda estará logrando su objetivo.

La maximización de la capacidad parece una alternativa razonable. Sus precios serán lo suficientemente bajos para garantizar que las carreteras estén llenas hasta su capacidad en todo momento.

Pero todos hemos experimentado cómo de repente una autopista llena que se mueve rápido se congestiona y se convierte en un tremendo embotellamiento. Intentar hacer entrar esos últimos cientos de coches en la vía rápida puede producir un flujo de tráfico inestable capaz de evolucionar rápidamente hasta convertirse en una congestión que puede llevar horas resolver.

Con nuestro enfoque de algoritmo dual y RTPF, tenemos una tercera opción que busca garantizar que las carreteras sean rápidas pero que fluyan incluso durante las horas punta más congestionadas. Este equilibrio persigue garantizar un rendimiento y fiabilidad óptimos día a día.

Desplegándolo en cuatro (o más) vías rápidas

Actualmente estamos usando el RTPF en las carreteras LBJ, NTE y 35W TEXpress en Dallas-Ft. Worth. Nuestra intención es desplegarlo en nuestras cuatro infraestructuras con asignación de precios dinámica para las concesiones de Cintra en los EE. UU.

Pero el viaje no termina aquí. Continuamos mejorando nuestro modelo permitiendo que tenga en cuenta más factores, tome las riendas un poco más y mejore su explicabilidad.

El enfoque de algoritmo dual con un algoritmo paramétrico explicable y un poco de aprendizaje mecánico como guinda del pastel es una forma pragmática y razonable de llevar el aprendizaje automático a la práctica de la infraestructura con asignación de precios.

Descanse

A lo largo de este blog, le hemos presentado esta innovación a todo Ferrovial y a usted. La innovación es vital para nuestro crecimiento y desarrollo como empresa. Tenemos la suerte de trabajar con expertos que entienden cómo funciona su sector: esa experiencia no debería desecharse nunca en favor del modelo de aprendizaje automático.

Creemos que el enfoque de algoritmo dual podría usarse más en Ferrovial. Se puede tener lo mejor de ambos mundos: aprovechar nuestra experiencia para construir unos cimientos sólidos y después permitir que el aprendizaje automático amplíe nuestro pensamiento.

Esperamos que tanto el cliente como la compañía se beneficien del RTPF, ya que los viajes por carreteras gestionadas serán más fiables y tendrán precios más eficientes. Gracias a los acuerdos de reparto de ingresos con los estados en los que operamos, los departamentos de transporte también pueden beneficiarse directamente.

Estamos orgullosos de este logro técnico y de la mejora directa que puede suponer para Cintra, nuestros clientes y las comunidades a las que dan soporte.