La movilidad urbana sostenible requiere comprender cómo viajan las personas, qué modos utilizan y qué impactos generan estas elecciones. Este estudio propone un marco de análisis de movilidad inteligente que integra trazas de GPS, variables de tráfico dinámicas y aprendizaje automático para inferir modos de transporte y métricas de sostenibilidad en Cuenca, Ecuador. Se recogieron datos geoespaciales y cinemáticos a 1 Hz de 50 participantes durante cuatro semanas laborales, obteniendo 8.99 millones de muestras en cinco modos: caminar, andar en bicicleta, tranvía, autobús y vehículos privados. Se seleccionó un subconjunto compacto de predictores físicos y espaciales, derivados de velocidad, aceleración, sacudida, fuerzas longitudinales y distancia a las rutas de transporte público, utilizando el Algoritmo de Optimización de Fútbol. Un árbol de clasificación entrenado con una división de 70/15/15 para entrenar-validar-probar logró una precisión general del 84.2%, con precisiones por clase de aproximadamente 99% para peatones y bicicletas, 93% para tranvías, 76% para vehículos privados y 64% para autobuses. Las trayectorias clasificadas muestran que caminar y andar en bicicleta representan aproximadamente el 65% del tiempo total de viaje, pero solo el 2% de la distancia total y el 1.7% de las emisiones de CO2, mientras que los modos motorizados generan más del 98% de las emisiones. Los autobuses contribuyen con casi cuatro veces más CO2 que los vehículos privados, a pesar de transportar un mayor volumen de pasajeros. El marco propuesto ofrece indicadores detallados y relevantes para políticas que apoyan estrategias de transporte urbano bajo en carbono.
Rivera et al. (Fri,) estudiaron esta cuestión.