En Alemania, aunque el automóvil tiene altas emisiones de carbono, sigue siendo el medio de transporte dominante. Para hacer más atractivas las alternativas sostenibles, investigadores del Instituto Fraunhofer de Optoelectrónica, Tecnologías de Sistemas e Explotación de Imágenes (IOSB) colaboran con socios del proyecto DAKIMO en el desarrollo de herramientas inteligentes de transporte intermodal y en una inteligencia artificial para planificación de rutas intermodales, ayudando a las personas a abandonar la dependencia del coche privado y lograr viajes fluidos, cómodos y fiables.

Actualmente hay una gran variedad de opciones de movilidad sostenible: autobuses, trenes, tranvías, patinetes eléctricos y bicicletas compartidas, con un impacto ambiental mucho menor que el coche privado. Sin embargo, el automóvil sigue dominando por su disponibilidad inmediata y facilidad de planificación. Para que el transporte público sea una alternativa atractiva, debe ser fácil combinar diferentes medios y cambiar entre transporte público, bicicleta (especialmente compartida) y patinete eléctrico con la misma sencillez que tomar las llaves del coche.

El principal obstáculo actual es la complejidad de planificar rutas que combinen varios medios de transporte. Las aplicaciones existentes no consideran suficientemente la conexión entre diferentes modos.

Para abordar esto nació el proyecto DAKIMO. Investigadores de Fraunhofer IOSB en Karlsruhe han desarrollado un sistema basado en IA que predice la disponibilidad de vehículos compartidos integrando datos en tiempo real del tráfico. El sistema calcula la probabilidad de encontrar una bicicleta o patinete eléctrico de alquiler en un momento y lugar específicos. El socio raumobil GmbH incorpora estas predicciones en la planificación de rutas intermodales, y la aplicación móvil recomienda rutas considerando la disponibilidad prevista de vehículos.

Los socios planean ampliar la aplicación regiomove de la autoridad de transporte de Karlsruhe (KVV) para incluir sugerencias reales de rutas intermodales personalizadas según la situación actual y las preferencias del usuario.

Jens Ziehn, responsable del proyecto en Fraunhofer IOSB, afirmó que para lograr un transporte intermodal más sostenible, el transporte debe ser más simple, fiable, flexible y fácil de planificar. La función de predicción IA recomienda el mejor medio para cada tramo de la ruta y muestra información de vehículos reservables (incluidos coches compartidos) en origen y destino. Si hay retrasos en autobús o falta de bicicletas en la estación de llegada, la IA interviene rápidamente.

Reinhard Herzog, responsable del grupo de Modelado y Sistemas en Red de Fraunhofer IOSB, añadió que la IA utiliza unidades geográficas pequeñas e intervalos de tiempo cortos, basándose en datos históricos de transporte público y posiciones de bicicletas compartidas, para calcular probabilidades a corto y largo plazo de disponibilidad y número esperado de coches compartidos.

En cuanto a estándares de datos, la función de predicción IA se integrará en el estándar internacional GBFS (General Bikeshare Feed Specification) para bicicletas compartidas. GBFS es una especificación de datos públicos en tiempo real que actualmente está en evaluación durante un año; la predicción ya forma parte del borrador de extensión del estándar. Para una amplia adopción de la tecnología IA, es crucial añadir la probabilidad prevista de coches compartidos al estándar GBFS, que no solo mostrará posiciones actuales, sino también predicciones futuras calculadas por IA.

Basándose en datos GBFS, las aplicaciones de planificación de rutas podrán ofrecer opciones intermodales. raumobil GmbH trabaja en la estandarización de la función de predicción, reconocida por MobilityData, organización sin ánimo de lucro enfocada en estandarización e intercambio de datos de movilidad. El servidor de fusión de datos basado en IA ya está operativo, determinando disponibilidad y calculando rutas intermodales. La función de predicción se ha incorporado a la versión de prueba de la aplicación regiomove de Karlsruhe, que integra diversas opciones de movilidad en la región del Alto Rin Medio, y el siguiente paso es extender el modelo de predicción a otras zonas de Baden-Wurtemberg.

Una encuesta del proyecto con más de 1.500 participantes mostró una respuesta positiva: cerca del 90 % consideró la predicción IA de vehículos compartidos útil o muy útil, y alrededor del 20 % afirmó que ocasionalmente dejaría el coche en casa gracias al proyecto, optando por transporte público. Ziehn concluyó que los resultados confirman que el enfoque basado en IA puede apoyar eficazmente la transición en movilidad y contribuir a la acción climática.