Modelado de la demanda de transporte urbano mediante redes neuronales de grafos (GNNs)

Abstract

El presente trabajo se enmarca dentro del campo de la investigación aplicada, con un enfoque eminentemente exploratorio. Su objetivo principal ha sido estudiar el potencial de las Graph Neural Networks (GNNs) para modelar sistemas complejos donde las relaciones entre entidades desempeñan un papel clave. Más concretamente, se ha optado por aplicar esta tecnología al ámbito del transporte urbano, un entorno donde la conectividad, la dinámica temporal y la estructura de red ofrecen un escenario ideal para evaluar la capacidad de representación de las GNNs. En sus fases iniciales, el proyecto partió sin un conjunto de datos reales disponible, lo que motivó la construcción de un entorno simulado basado en datos sintéticos. Esta aproximación permitió diseñar progresivamente una serie de modelos experimentales (toy models) con los que explorar diferentes aspectos del aprendizaje sobre grafos: desde la codificación temporal de la información, hasta la evolución de la demanda en franjas horarias, pasando por la integración de varias líneas de autobús y su conexión con una estación intermodal. Este camino experimental no solo sirvió para validar los fundamentos teóricos y técnicos de las GNNs, sino también para afinar los métodos de representación y entrenamiento en grafos dirigidos, en un entorno controlado. Posteriormente, la segunda fase del trabajo consistió en aplicar los conocimientos adquiridos a un caso real, utilizando una base de datos de trayectos de autobuses interestatales de Brasil, lo que supuso un salto en complejidad y volumen de datos, y permitió contrastar la aplicabilidad práctica del enfoque. As´ı, el trabajo combina el desarrollo de un marco conceptual sólido con la experimentación práctica progresiva, haciendo del análisis de redes de transporte urbano un caso de estudio representativo para evaluar el comportamiento de las Graph Neural Networks. La motivación última del proyecto ha sido doble: por un lado, investigar en profundidad una tecnología emergente dentro del aprendizaje automático; por otro, contribuir a la búsqueda de soluciones inteligentes y adaptativas para problemas reales de movilidad urbana.