Gestionar picos de demanda y eventos en Campus Universitarios mediante parking inteligente

La alta variabilidad de la ocupación causada por horarios de clases no uniformes y la diversidad de usuarios, entre otros factores, genera sobredemanda puntual en el estacionamiento del campus universitario, así como una infrautilización de las plazas disponibles que puede llegar a repercutir incluso en la reputación del campus. Gracias a un sistema de parking inteligente es posible detectar la ocupación en tiempo real y aplicar modelos predictivos. 

Naturaleza del problema en campus universitarios

La actividad en los campus universitarios no es constante, la demanda de aparcamiento varía considerablemente según el día de la semana e incluso en qué punto del año académico nos encontremos. Esta variabilidad causa tres problemas: sobredemanda puntual en determinadas franjas horarias, infrautilización y falta de visibilidad en tiempo real sobre la ocupación. 

1. Picos de demanda previsibles

Generalmente, los picos de demanda previsibles tienen lugar en fechas de exámenes, inicio de curso o conferencias programadas. Cuando tienen lugar estos eventos, la llegada de vehículos es mayor de lo habitual, pudiendo saturar el parking del campus en franjas concretas. 

2. Variabilidad del horario de clases

Al punto anterior se suma la no uniformidad en los horarios de clases, no se distribuyen igual a lo largo del día. Esto provoca una alternancia constante entre franjas de alta ocupación y otras con menor demanda, complicando gestionar de antemano los recursos disponibles. 

3. Diversidad de usuarios 

En un mismo campus universitario conviven estudiantes, docentes, personal administrativo, investigadores, visitantes y proveedores. Cada uno de estos grupos cuenta con patrones de movilidad diferentes que incrementan la complejidad de la gestión del aparcamiento.

4. Limitación estructural del espacio

La posibilidad de ampliar la infraestructura de un campus universitario suele estar condicionada por restricciones físicas y presupuestarias, haciendo que en muchos casos sea limitada o nula. Sin embargo, la demanda de plazas es inestable y sujeta al propio crecimiento del centro.

5. Experiencia del usuario 

La dificultad para encontrar aparcamiento condiciona los tiempos de acceso y la percepción del recinto por parte de los usuarios. Es importante no caer en el error de que las congestiones solo afectan a la operativa, la reputación del campus universitario también está en juego. 

Arquitectura de un sistema de parking inteligente

1. Capa de sensorización

Esta capa permite saber en tiempo real qué plazas de aparcamiento están ocupadas y cuáles están libres mediante el uso de tecnologías. Además, incorpora sistemas de control de accesos que cruzan la información capturada con bases de datos de usuarios autorizados (listas blancas) o restringidos (listas negras), facilitando la automatización de permisos. Esta información es la base de todo el sistema de parking inteligente.

2. Capa de conectividad

La información captada por los dispositivos de detección llega a los sistemas centrales a través de distintas redes y tecnologías de comunicación, entre ellas, las redes LoRaWAN o NB-IoT, que facilitan el envío de datos con un consumo energético reducido. Esta capa es responsable de que los datos se transmitan de manera continua, además de asegurar una baja latencia.

3. Capa de procesamiento de datos

Aquí, se almacenan y procesan los datos recogidos para convertirlos en información útil para la gestión del aparcamiento. Se aplican reglas automáticas que ayudan a gestionar la asignación de plazas según la demanda, por ejemplo, pueden priorizar unos usuarios sobre otros o activar zonas adicionales en momentos de alta ocupación. También detecta patrones de uso. 

Esta capa integra sistemas como los paneles de señalización dinámica para guiado inteligente, que llevan a conductores y conductoras hacia las plazas libres.

4. Capa de inteligencia

En esta capa se toman decisiones a partir de los datos procesados en la anterior. Se incluyen modelos predictivos para anticipar la demanda en función de las variables y algoritmos que mejoran la asignación de las plazas en tiempo real teniendo en cuenta el tipo de usuario y la disponibilidad. A esto se suman sistemas de recomendación que orientan a los usuarios. 

Diseño de las zonas de aparcamiento inteligente

1. Segmentación funcional

Para facilitar su gestión, el aparcamiento del campus universitario puede dividirse en diferentes zonas a las que posteriormente se les asigne una función específica.

Zona A: Prioritaria	Reservada para docentes y personal directivo. Ubicada, a ser posible, cerca de los edificios principales para facilitar el acceso.
Zona B: Uso general	Destinada a estudiantes e investigadores. Su uso puede organizarse por horarios o franjas de entrada para equilibrar la ocupación a lo largo del día.
Zona C: Visitantes	Pensada para externos: visitantes, ponentes, proveedores, etc. Puede ser una asignación flexible y dependiente de la disponibilidad real.
Zona D: Contingencia	Activada en momentos de alta demanda, cuando el resto de zonas están a punto de llenarse. Absorbe picos de ocupación sin colapsar el sistema.

2. Zonas dinámicas adaptativas

A diferencia de los modelos estáticos tradicionales, las zonas en un sistema inteligente pueden cambiar según las necesidades del campus. Estas se ajustan automáticamente en función del historial de uso del parking, los eventos que se programen en el recinto y las predicciones de ocupación dadas para las próximas horas o días. Las modificaciones pueden aplicarse en tiempo real, por lo que no hace falta depender de una planificación anticipada. 

Analítica avanzada y modelos predictivos

Cuando hablamos de capacidad para anticipar la demanda, no nos referimos únicamente a saber cuántas plazas están libres en ese preciso momento, sino prever qué va a ocurrir en el futuro para tomar mejores decisiones.  

1. Datos que usa el sistema

Para las predicciones, se puede tener en cuenta información relativa al calendario académico, como el inicio de curso o fechas de exámenes, horarios de clases, historial de ocupación y eventos programados durante el año lectivo. A esto se suman factores como las condiciones meteorológicas. Cuanta más información se incorpora, mayor es su capacidad para anticipar.

2. Cómo se hacen las predicciones

El sistema emplea inteligencia artificial para analizar los datos y ver cómo cambian con el tiempo. Los algoritmos de aprendizaje automático identifican comportamientos repetidos para dar con posibles patrones y combinan varios modelos para que los resultados sean precisos. De esta forma, se adapta mejor a diferentes escenarios y se reduce el margen de error.

3. Anticipación de picos de demanda

Gracias a los modelos anteriores, el sistema puede adelantarse a la demanda de ocupación, por ejemplo, puede detectar que durante las fechas de matriculación la llegada de vehículos podría crecer entre un 30% y 60%, mientras que durante actos organizados en el campus universitario puede haber saturación en momentos concretos del día.  

4. Optimización en tiempo real

Como hemos mencionado anteriormente, además de predecir, el sistema puede actuar en tiempo real para mejorar la situación del aparcamiento del campus universitario: reasignar plazas según la demanda, redistribuir los flujos de entrada para evitar congestiones, etc. El sistema es capaz de adaptarse continuamente.

Seguridad de los datos con el sistema de parking inteligente

En sistemas de parking inteligente como los desarrollados por Urbiotica, el tratamiento de datos es mucho más sencillo porque no se almacenan datos personales de los conductores ni hay reconocimiento de matrículas. Se limita a detectar la ocupación de las plazas de parking, así como las entradas y salidas de estos en los accesos si se configura de tal manera.

Implementación paso a paso en universidades

Fase 1: Diagnóstico

El primer paso es entender cómo se hace uso en la actualidad del aparcamiento del campus universitario. Entendiendo las necesidades reales del recinto y la infraestructura existente, aunque no haya datos históricos de ocupación, se puede hacer una estimación de los principales problemas a resolver para elegir la tecnología IoT más adecuada en cada caso. 

Fase 2: Digitalización

Una vez entendido el punto de partida, se incorporan los dispositivos escogidos, que pueden ser desde sensores plaza a plaza para detectar la ocupación hasta sistemas más completos con cámaras de visión artificial. También se conecta a los sistemas del campus, creando una plataforma central desde la que se gestionará el aparcamiento.  

No hay obligación de implementar el sistema de parking inteligente de golpe en todo el campus universitario, se puede hacer por fases sin problema. Lo ideal es empezar por las zonas en las que se ha detectado mayor actividad o edificios clave. Esta prueba piloto permite estabilizar la movilidad en el recinto a la par que descubrir necesidades que no se habían tenido en cuenta. 

Fase 3: Predicción

Con los primeros datos disponibles, se desarrollan modelos que permiten anticipar la demanda del estacionamiento del campus. Estos se van entrenando con la información histórica que van recopilando, ajustándose automáticamente a factores internos y externos que se vayan dando en el área asignada para ir puliendo la precisión de los resultados. 

Fase 4: Mejora continua

Dado que una vez los modelos inteligentes están en funcionamiento siguen actualizándose, no se trata de una solución cerrada. La gestión evoluciona en función del comportamiento real del parking. Las necesidades del campus pueden cambiar dentro del propio año lectivo o de año a año, por lo que es imprescindible que cuente con este proceso de aprendizaje continuo.