FacebooktwitterlinkedinmailFacebooktwitterlinkedinmail

Controlar l’aforament de forma automàtica utilitzant les càmeres de videovigilància

En aquest post, ens centrarem en com el Deep Learning aplicat al comptatge i tracking de passatgers permetrà millorar la qualitat del transport públic.

Abans d’entrar en matèria, os recomanem llegir aquest post anterior. En ell vam estar parlant sobre el desconeixement de la demanda al transport públic i del paper de la Intel·ligència Artificial.

Però què és el Deep Learning?

Primer hem de començar per explicar què és el Deep Learning:

Intel·ligència Artificial: és la tècnica que permet a les màquines imitar el comportament humà.

Machine Learning: subconjunt de tècniques d’Intel·ligència Artificial que, a través de mètodes estadístics, permet aprendre d’experiències prèvies.

Deep Learning: subconjunt del Machine Learning que, mitjançant xarxes neuronals, permet donar respostes a preguntes més complexes i abstractes.

El Deep Learning prové del model de Perceptron (Minsky-Papert, 1969), però és en els darrers anys quan s’ha convertit en una realitat. I per què no es va començar abans? Doncs perquè ara, amb els avenços de la tecnologia, s’han creat processadors suficientment potents per a poder dur a terme classificadors de Deep Learning.

Els classificadors són algoritmes que, mitjançant una entrada d’informació sobre una imatge, identifiquen a quina categoria o classe pertany entre un número determinat d’aquestes. Per exemple, entrant una imatge d’un animal, el classificador pot saber si es tracta d’un elefant o d’un gos.

I com pot el Deep Learning ajudar a operadors i autoritats de transport públic?

Les imatges de les càmeres de seguretat existents en vehicles, andanes o intercanviadors, es poden processar utilitzant Deep Learning per al comptatge i tracking de passatgers i determinar, d’aquesta forma, l’ocupació en temps real.

Amb les dades d’ocupació, els responsables d’operacions poden prendre mesures correctives al moment. Per exemple, tancar els accessos si les andanes estan massa plenes i no deixar pujar a més persones al vehicle si aquest està per sobre de la seva capacitat.

D’altra banda, els planificadors poden detectar tendències i optimitzar l’encaix oferta/demanda mitjançant la millora d’horaris i freqüències de pas dels vehicles, així com afegir més flota en les franges punta d’ocupació.

Des de Counterest, creiem que el Deep Learning permetrà millorar substancialment la qualitat del transport públic, així que ja estem treballant en la nostra tecnologia Pulse.