Modelando el tráfico de Bogotá con Machine Learning
- Apr 28
- 2 min read
Un nuevo hito en investigación para entender la dinámica vehicular y avanzar hacia una movilidad urbana más sostenible
En el Ai-lab de la Universidad de La Sabana, estamos convencidos de que la Inteligencia Artificial es una herramienta fundamental para resolver los retos de nuestro entorno. Hoy queremos destacar una reciente investigación que cruza la frontera entre la tecnología y la movilidad urbana, enfocada directamente en nuestra capital.
El artículo, titulado "Capturing local vehicle behavior in city-specific typical driving cycles using machine learning: Case of Bogota, Colombia" y publicado en la prestigiosa revista Transportation Engineering, nos muestra cómo los algoritmos pueden ayudarnos a entender la compleja dinámica vehicular de la ciudad.
El reto: Entender cómo conducimos realmente
Las ciudades no se comportan igual. Los modelos internacionales a menudo fallan al estimar el consumo real de combustible y las emisiones en metrópolis latinoamericanas porque no logran capturar nuestras condiciones topográficas y de congestión particulares. Para diseñar mejores vehículos (especialmente híbridos y eléctricos) y políticas públicas efectivas, necesitamos "ciclos de conducción" que reflejen la realidad local.
La solución desde la Inteligencia Artificial
A través de técnicas avanzadas de Machine Learning, el equipo de investigadores logró procesar grandes volúmenes de datos de telemetría vehicular. Utilizando algoritmos de agrupamiento (clustering) y modelos predictivos, la investigación logró extraer y predecir patrones que caracterizan fielmente el comportamiento de los conductores en Bogotá.
¿Por qué es importante este avance?
Sostenibilidad: Permite estimaciones mucho más precisas del consumo de combustible y las emisiones de gases contaminantes en la ciudad.
Diseño automotriz: Otorga bases de datos sólidas para que los fabricantes adapten los motores y las baterías de vehículos eléctricos a las exigencias reales de nuestras calles (pendientes, trancones y velocidades promedio).
Innovación local: Demuestra cómo las metodologías de IA, como las cadenas de Markov o los algoritmos de k-means, pueden aplicarse directamente al urbanismo y la ingeniería de transporte de nuestra región.
Desde el Ai-lab celebramos este tipo de contribuciones científicas que reafirman nuestra visión: investigar para innovar, y aplicar la tecnología más avanzada para construir ciudades más inteligentes y sostenibles.
🔗 Lee el artículo completo aquí: DOI: 10.1016/j.treng.2025.100399
¿Te interesa aplicar modelos de Machine Learning a los datos de tu industria? Conoce más sobre nuestras consultorías y servicios llenando el formulario de contacto.