Un nuevo análisis realizado por investigadores de ingeniería de la Universidad de Toronto aprovecha el aprendizaje automático para ayudar a responder una pregunta espinosa: ¿dónde deberían ubicarse los nuevos carriles para bicicletas protegidos para brindar el máximo beneficio?

"En este momento, algunas personas tienen muy buen acceso a bicicletas protegidas.infraestructura: pueden ir en bicicleta al trabajo, altienda de comestibleso a lugares de entretenimiento", dice Madeleine Bonsma-Fisher, becaria postdoctoral en el Departamento de Ingeniería Civil y Mineral y autora principal de un nuevo artículo publicado en la revistaRevista de geografía del transporte.

"Más carriles podrían aumentar el número de destinos a los que pueden llegar, ymuestra de trabajos anterioreseso aumentará el número de viajes en bicicleta realizados.

"Sin embargo, muchas personas tienen poco o ningún acceso a infraestructura ciclista protegida, lo que limita su capacidad para desplazarse. Esto plantea una pregunta: ¿es mejor maximizar el número de destinos conectados y viajes potenciales en general, o es más importante¿Centrarse en maximizar el número de personas que pueden beneficiarse del acceso a la red?"

Bonsma-Fisher y su equipo, incluidos sus cosupervisores, los profesores Shoshanna Saxe y Timothy Chan, y Ph.D.El estudiante Bo Lin utiliza el aprendizaje automático y la optimización para ayudar a fundamentar dichas decisiones.Es un desafío que requirió nuevos enfoques computacionales.

"Este tipo de problema de optimización es lo que se llama un problema NP-difícil, lo que significa que la potencia informática necesaria para resolverlo aumenta muy rápidamente junto con el tamaño de la red", dice Saxe.

"Si usaras un algoritmo de optimización tradicional en una ciudad del tamaño de Toronto, todo colapsaría. Pero el estudiante de doctorado Bo Lin inventó un modelo de aprendizaje automático realmente genial que puede considerar millones de combinaciones de más de 1000 proyectos de infraestructura diferentes para probar.¿Cuáles son los lugares de mayor impacto para construir nueva infraestructura ciclista?".

Utilizando Toronto como sustituto de cualquier gran ciudad norteamericana orientada a los automóviles, el equipo generó mapas de las futuras redes de carriles para bicicletas a lo largo de las principales calles, optimizados de acuerdo con dos tipos amplios de estrategias.

El primero, al que llamaron enfoque utilitario, se centraba en maximizar el número de viajes que se podían realizar utilizando únicamente rutas con carriles para bicicletas protegidos en menos de 30 minutos, sin importar quién los realizaba.

El segundo, que denominaron basado en la equidad, tenía como objetivo maximizar el número de personas que tenían al menos alguna conexión a la red.

"Si optimizas para lograr equidad, obtienes un mapa más disperso y menos concentrado en las áreas del centro", dice Bonsma-Fisher.

"Se obtienen más partes de la ciudad que tienen un mínimo de accesibilidad en bicicleta, pero también se obtiene una ganancia general algo menor en accesibilidad promedio".

"Existe una compensación aquí", afirma Saxe.

"Esta compensación es temporal, suponiendo que eventualmente tengamos una red ciclista completa en toda la ciudad, pero es significativa para la forma en que hacemos las cosas mientras tanto y podría durar mucho tiempo dados los desafíos actuales para construir infraestructura ciclista".

Otro hallazgo clave fue que hay algunas rutas que parecían esenciales sin importar la estrategia que se siguiera.

"Por ejemplo, los carriles para bicicletas a lo largo de Bloor West aparecen en todos los escenarios", dice Saxe.

"Esos carriles para bicicletas benefician incluso a las personas que no viven cerca de ellos y son un eje fundamental para maximizar tanto la equidad como la utilidad de la red para bicicletas. Su impacto es tan consistente en todos los modelos que desafía la idea de quecarriles bicison un problema local que afecta sólo a las personas cercanas.En nuestro modelo, la infraestructura optimizada repetidamente sirve a vecindarios bastante alejados.

El equipo ya está compartiendo sus datos con los planificadores de la ciudad de Toronto para ayudar a informar las decisiones en curso sobre inversiones en infraestructura.En el futuro, el equipo espera aplicar su análisis también a otras ciudades.

"No importa cuáles sean sus problemas locales o las decisiones que termine tomando, es realmente importante tener una comprensión clara de los objetivos que persigue y comprobar si los está cumpliendo", dice Bonsma-Fisher.

"Este tipo de análisis puede proporcionar un enfoque basado en evidencia y datos para responder estas preguntas difíciles".