En las redes ferroviarias, gestionar la capacidad no consiste únicamente en saber cuántas personas viajan en cada tren. También implica anticipar dónde se concentrará la demanda, cómo evolucionará durante el recorrido y qué decisiones pueden ayudar a evitar situaciones de saturación.
Esta fue una de las ideas centrales del seminario organizado por el clúster en colaboración y en el que Open Capacity presentó su propuesta tecnológica junto con ejemplos de aplicación desarrollados con operadores y otros agentes del sector ferroviario.
La sesión partió de una situación muy reconocible para cualquier usuario del transporte público: andenes concurridos, trenes con distintos niveles de ocupación y concentraciones de pasajeros en determinadas puertas o coches. Ante este escenario, disponer de información precisa sobre la ocupación —no solo en el momento actual, sino también en las siguientes estaciones— puede cambiar la forma de planificar y gestionar el servicio.
La propuesta de Open Capacity consiste precisamente en utilizar inteligencia artificial para transformar los datos disponibles en previsiones de capacidad adaptadas a cada red y a su funcionamiento.
Uno de los aspectos más interesantes de la solución es que la información sobre ocupación puede utilizarse desde dos perspectivas complementarias.
Para el operador, permite visualizar en un gemelo digital cómo se distribuyen los pasajeros por la red y qué niveles de ocupación se esperan en las siguientes paradas. Esta previsión puede ayudar a identificar puntos de mayor presión, anticipar posibles aglomeraciones y valorar ajustes en la planificación del servicio o en la asignación del material rodante.
Para el viajero, la información puede llegar a través de las aplicaciones móviles, páginas web o pantallas instaladas en los andenes. Antes de iniciar el trayecto, puede consultar qué servicios presentan una ocupación menor y, si dispone de flexibilidad, valorar otros horarios. Una vez en la estación, puede identificar qué coches tienen más espacio y dónde conviene esperar para facilitar el embarque.
El objetivo es que las decisiones del operador y las del pasajero se apoyen en una misma información. Una mejor distribución de los viajeros puede contribuir a agilizar la entrada y salida de los trenes, reducir los tiempos de parada y mejorar la comodidad durante el trayecto.
¿Cómo se construyen estas previsiones? La plataforma de Open Capacity se caracteriza por su capacidad para integrar distintas fuentes de información, sin depender de un único tipo de sensor o tecnología.
Entre los datos que puede incorporar se encuentran los contadores automáticos de pasajeros en las puertas, sensores de carga, información procedente de los bogies, sistemas de videovigilancia, señales Wi-Fi, datos de ticketing y horarios de circulación.
La plataforma combina estas fuentes con el histórico de la red y con información contextual para identificar patrones y generar previsiones. A medida que recibe nuevos datos durante la operación, actualiza sus estimaciones y ajusta el modelo para mejorar su precisión.
Esto resulta especialmente relevante cuando la demanda se aleja del comportamiento habitual. Un partido de fútbol, un festival o una feria pueden modificar los flujos de pasajeros y afectar no solo a la estación donde se celebra el evento, sino también a otras estaciones de su entorno y a los diferentes ramales de la red.
Durante la presentación se mostró cómo el sistema puede detectar variaciones anómalas en los recuentos, buscar posibles eventos que expliquen esos cambios y contrastar la información con los patrones históricos. En este proceso, la revisión humana permite confirmar o descartar la causa identificada antes de incorporarla al registro utilizado para futuras previsiones.
De esta manera, el modelo no se limita a reproducir patrones anteriores: también aprende de nuevas situaciones y mejora progresivamente su capacidad para anticipar cambios en la demanda.
La jornada permitió aterrizar estas posibilidades a través de varios ejemplos de aplicación.
Uno de los casos desarrollados con más detalle fue el de Stuttgart. En esta red, la tecnología utiliza los contadores automáticos de pasajeros instalados en las puertas y datos Wi-Fi para estimar cómo se distribuyen los viajeros dentro de los trenes. A partir de esta información, genera previsiones de ocupación para las siguientes estaciones, que pueden mostrarse en las pantallas de los andenes.
La demostración permitió observar cómo las previsiones se recalculan a medida que el tren avanza y recibe nuevas mediciones. También se analizó el efecto de eventos multitudinarios sobre la demanda, con ejemplos de un festival y de partidos de fútbol, en los que algunas estaciones registraron incrementos significativos respecto a un día habitual.
La presentación incluyó también experiencias en otros entornos, como el metro de Múnich, London Overground y c2c, donde se combinan diferentes fuentes de datos para estimar la ocupación y trasladar la información tanto a los equipos de operación como a los pasajeros.
Otro ejemplo abordado fue un piloto de Transport for London en autobuses de dos pisos. En este caso, el sistema utilizó cámaras y procesamiento de imágenes para identificar si los espacios reservados estaban ocupados por sillas de ruedas, cochecitos u otros pasajeros. Esta información puede ayudar a quienes esperan en la siguiente parada a conocer con antelación la disponibilidad de estos espacios y, al mismo tiempo, ofrecer al operador datos sobre su utilización.
Los ejemplos muestran que la tecnología puede adaptarse a distintas configuraciones de red y modos de transporte, aprovechando la infraestructura y los datos disponibles en cada caso.
Durante el turno de preguntas, uno de los temas que despertó mayor interés fue cómo medir la mejora que una solución de este tipo puede aportar a una red de cercanías: desde la reducción de retrasos y tiempos de parada hasta la posibilidad de aprovechar mejor la capacidad disponible.
Desde Open Capacity se explicó que el impacto depende del caso de uso y de las características de cada explotación. Como referencia, la compañía compartió que, en los proyectos en los que ha trabajado, una mejor distribución de los pasajeros puede llegar a reducir hasta 10 segundos el tiempo de parada y contribuir a obtener entre un 5 % y un 10 % más de capacidad efectiva.
Estas cifras se presentaron como resultados evaluados por la compañía en sus experiencias, no como una mejora universal aplicable a cualquier red. El efecto final dependerá, entre otros factores, de la frecuencia del servicio, la infraestructura, los datos disponibles y la capacidad de actuación del operador.
También se abordó el modelo de implantación. La propuesta contempla una configuración inicial adaptada a cada red y una licencia anual, con costes que dependen del número de trenes y de las necesidades del proyecto. La disponibilidad de sensores y el acceso a los datos existentes son otros elementos que condicionan la puesta en marcha.
La utilización de datos y sistemas de análisis basados en inteligencia artificial también plantea preguntas sobre la privacidad de los pasajeros. Durante la sesión se explicó que la solución está orientada al recuento y a la estimación de ocupación, no a la identificación individual ni al seguimiento de personas.
En los casos de analítica de vídeo presentados, el procesamiento se realiza en el propio tren o en el equipo donde se capturan los datos. El sistema identifica y cuenta objetos —como pasajeros, sillas de ruedas o cochecitos— sin necesidad de identificar a las personas ni de trasladar las imágenes a la nube.
La conversación también abrió la puerta a otras posibles aplicaciones. Ante una pregunta sobre el transporte de mercancías, Open Capacity confirmó que los modelos de predicción de capacidad podrían adaptarse a otros ámbitos, como la logística ferroviaria, para analizar la disponibilidad de espacio y anticipar necesidades en la red.
Esta posibilidad conecta con un reto más amplio para el sector: aprovechar el potencial del análisis de datos y la inteligencia artificial no solo para mejorar la experiencia del pasajero, sino también para optimizar el uso de los recursos y la capacidad de las infraestructuras.
La sesión permitió conocer una solución que ya cuenta con distintas experiencias de aplicación y, sobre todo, identificar nuevas preguntas y oportunidades para el ecosistema ferroviario. La combinación de datos operativos, inteligencia artificial y conocimiento de la explotación abre posibilidades para abordar retos que afectan directamente a la eficiencia de las redes y a la calidad del servicio.
Desde IN-MOVE by Railgrup, este tipo de encuentros permite acercar soluciones tecnológicas a las empresas y organizaciones del clúster, compartir conocimiento especializado e identificar posibles sinergias entre capacidades que, conectadas, pueden dar lugar a nuevas oportunidades de colaboración.
