Un grupo de la UPC investiga con B. Braun nuevas estrategias de inactivación del virus SARS-CoV-2 mediante nanopartículas funcionalizadas y activación de nanofuentes de calor
junio 28, 2020
Exheus, una nueva spin-off que analiza la expresión de los genes, mediante inteligencia artificial, para optimizar el rendimiento, la salud y la nutrición
julio 1, 2020El inLab FIB ha colaborado en el desarrollo de un sistema de caracterización y modelización de la demanda de pasajeros en los autobuses. En particular, ha desarrollado un módulo de predicción de empleos que se ha integrado en la aplicación de la empresa Autocorb, operadora de líneas urbanas e interurbanas en el área metropolitana de Barcelona, que permite al usuario consultar las ocupaciones estimadas en los autobuses a lo largo del día. De esta manera, se quiere conseguir que los usuarios, dentro de las posibilidades, opten por aquellas expediciones que más vacías, equilibrando así la oferta y la demanda del servicio. En el marco de la crisis sanitaria de la COVID-19, esto permitirá minimizar las aglomeraciones en los autobuses.
Los algoritmos desarrollados se basan en metodologías data-driven (guiadas por los datos) a partir de datos de fuentes heterogéneas (ticketing, calendario, cámaras en los buses, etc.). En particular, se han incorporado al módulo de predicción métodos clásicos para tratamiento de series temporales, como podría ser el método ARIMA, y algoritmos de redes neuronales que permiten incluir en la serie temporal de empleos otras variables importantes como es el calendario escolar.
La nueva funcionalidad se integra dentro del ecosistema de herramientas de Intelibus, un Sistema de Información en tiempo real en el sector del transporte de viajeros, que utiliza las posiciones GPS de los autobuses y el sistema de ticketing para dar información útil y en tiempo real tanto a los usuarios del transporte público como en la empresa operadora del servicio.
La versión beta de la app se ha empezado a testar el 11 de mayo y está disponible tanto para dispositivos Android (en la Play Store) como para dispositivos iOS.
Tecnología
¿Quieres saber más?
Proyectos Relacionados
- El proyecto UPCxels, liderado por el grupo de investigación Intelligent Data sciEnce and Artificial Intelligence Research Group (IDEAI-UPC) de la Universitat Politècnica de Catalunya - BarcelonaTech (UPC), tiene como objetivo crear una plataforma abierta y multisectorial que permita establecer un espacio de datos compartidos para distintos ámbitos, con especial foco en el sector agroalimentario.
- Un equipo de investigación multidisciplinar, liderado por el grupo Intelligent Data sciEnce and Artificial Intelligence Research Group (IDEAI-UPC) de la Universitat Politècnica de Catalunya - BarcelonaTech (UPC), participa en el proyecto Agrixels, que tiene como objetivo crear un estándar de información agraria, es decir, un ecosistema de datos orientado a servicios basados en inteligencia artificial (IA) para el sector agroalimentario. Agrixels define dos casos de uso en el sector agroalimentario: el primero considera la sostenibilidad climática y medioambiental de las explotaciones, mientras que el segundo está orientado hacia una externalidad de interés ambiental, como es el mercado de carbono.
- El Centro de Estudios del Riesgo Tecnológico (CERTEC) de la Universitat Politècnica de Catalunya - BarcelonaTech (UPC) coordina el proyecto European Program for Wildfire-Prepared Communities (FIREPRIME), diseñado para desarrollar herramientas y servicios para la prevención de incendios forestales en Europa, con el objetivo de mejorar la seguridad en la interfaz urbano-forestal, involucrando a la comunidad en su propia protección.
- La digitalización de los sentidos humanos ha avanzado significativamente en áreas como la visión, la audición y el tacto. Sin embargo, el olfato y el gusto continúan representando un desafío tecnológico, ya que su análisis se fundamenta en la identificación de compuestos químicos volátiles o disueltos. Si bien existen en el mercado diversos sensores capaces de detectar gases y sustancias específicas, a menudo carecen de la versatilidad necesaria para la identificación integral de olores complejos, mostrando limitaciones en su adaptabilidad a diferentes combinaciones de compuestos.
