[et_pb_section fb_built=\u00bb1″ admin_label=\u00bbsection\u00bb _builder_version=\u00bb4.27.2″ custom_margin=\u00bb0px||||false|false\u00bb custom_padding=\u00bb0px||||false|false\u00bb locked=\u00bboff\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_row admin_label=\u00bbrow\u00bb _builder_version=\u00bb4.27.2″ background_size=\u00bbinitial\u00bb background_position=\u00bbtop_left\u00bb background_repeat=\u00bbrepeat\u00bb width=\u00bb100%\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_column type=\u00bb4_4″ _builder_version=\u00bb4.16″ custom_padding=\u00bb|||\u00bb global_colors_info=\u00bb{}\u00bb custom_padding__hover=\u00bb|||\u00bb][et_pb_text _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb text_font_size=\u00bb18px\u00bb text_line_height=\u00bb1.6em\u00bb global_colors_info=\u00bb{}\u00bb]<\/p>\n
Modelo predictivo y mantenimiento<\/p>\n
[\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb text_font_size=\u00bb18px\u00bb text_line_height=\u00bb1.6em\u00bb custom_margin=\u00bb||0em||false|false\u00bb global_colors_info=\u00bb{}\u00bb]<\/p>\n
[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row module_id=\u00bbfila-clientes\u00bb _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb width=\u00bb150%\u00bb custom_padding=\u00bb2em||2em||true|false\u00bb custom_css_free_form=\u00bbselector .et_pb_module{|| padding:0 1em;|| min-width:12%;||}\u00bb locked=\u00bboff\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_column type=\u00bb4_4″ _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb custom_css_main_element=\u00bbdisplay:flex;||align-items:center;||flex-flow:wrap;;\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_image src=\u00bbhttps:\/\/www.mosaicfactor.com\/wp-content\/uploads\/2024\/10\/project-anem-logo-bsm.svg\u00bb title_text=\u00bbproject-anem-logo-bsm\u00bb url=\u00bbhttps:\/\/bsmsa.cat\/es\u00bb url_new_window=\u00bbon\u00bb _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb width=\u00bb250px\u00bb max_width=\u00bb120px\u00bb custom_css_main_element=\u00bbmax-width:fit-content;\u00bb global_colors_info=\u00bb{}\u00bb][\/et_pb_image][\/et_pb_column][\/et_pb_row][et_pb_row admin_label=\u00bbrow\u00bb _builder_version=\u00bb4.27.2″ background_size=\u00bbinitial\u00bb background_position=\u00bbtop_left\u00bb background_repeat=\u00bbrepeat\u00bb width=\u00bb100%\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_column type=\u00bb4_4″ _builder_version=\u00bb4.16″ custom_padding=\u00bb|||\u00bb global_colors_info=\u00bb{}\u00bb custom_padding__hover=\u00bb|||\u00bb][et_pb_text _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb text_font_size=\u00bb18px\u00bb text_line_height=\u00bb1.6em\u00bb custom_margin=\u00bb||1em||false|false\u00bb global_colors_info=\u00bb{}\u00bb]<\/p>\n
[\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb text_font_size=\u00bb18px\u00bb text_line_height=\u00bb1.6em\u00bb global_colors_info=\u00bb{}\u00bb]<\/p>\n
Barcelona Serveis Municipals, necesitaba una herramienta de toma de decisiones basada en datos para comprender el uso y anticiparse a las necesidades de los usuarios de plazas de aparcamiento, tanto comerciales como privados, en el \u00e1rea metropolitana de Barcelona.<\/p>\n
[\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb text_font_size=\u00bb18px\u00bb text_line_height=\u00bb1.6em\u00bb custom_margin=\u00bb||1em||false|false\u00bb global_colors_info=\u00bb{}\u00bb]<\/p>\n
[\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb text_font_size=\u00bb18px\u00bb text_line_height=\u00bb1.6em\u00bb global_colors_info=\u00bb{}\u00bb]<\/p>\n
Desarrollamos un algoritmo predictivo ad hoc basado en datos hist\u00f3ricos y en tiempo real para pronosticar la ocupaci\u00f3n de las plazas de aparcamiento de Area DUM (veh\u00edculos comerciales) y Area Blava (veh\u00edculos privados).<\/p>\n
Desarrollamos un modelo de previsi\u00f3n para predecir el nivel de ocupaci\u00f3n de las zonas de carga\/descarga de la ciudad de Barcelona, as\u00ed como de los aparcamientos privados. Este modelo se implement\u00f3 utilizando algoritmos de Machine Learning que combinan predicciones a corto y largo plazo y se apoy\u00f3 en el an\u00e1lisis de datos para garantizar la correcta funcionalidad del modelo de predicci\u00f3n.<\/p>\n
Su prop\u00f3sito es comprender el impacto de la variaci\u00f3n de las actividades comerciales en diferentes \u00e1reas y los patrones de movilidad de los usuarios de Area DUM y Area Blava.<\/p>\n
[\/et_pb_text][et_pb_image src=\u00bbhttps:\/\/www.mosaicfactor.com\/wp-content\/uploads\/2024\/10\/project-bsm-area-dum-and-area-blava-infografia-1.webp\u00bb title_text=\u00bbproject-bsm-area-dum-and-area-blava-infografia-1″ _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb max_width=\u00bb1000px\u00bb module_alignment=\u00bbcenter\u00bb global_colors_info=\u00bb{}\u00bb][\/et_pb_image][et_pb_text _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb text_font_size=\u00bb18px\u00bb text_line_height=\u00bb1.6em\u00bb locked=\u00bboff\u00bb global_colors_info=\u00bb{}\u00bb]<\/p>\n
[\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb text_font_size=\u00bb18px\u00bb text_line_height=\u00bb1.6em\u00bb locked=\u00bboff\u00bb global_colors_info=\u00bb{}\u00bb]<\/p>\n
A partir de datos hist\u00f3ricos sobre el movimiento de veh\u00edculos y personas, adem\u00e1s de datos en tiempo real del uso de la aplicaci\u00f3n, implementamos el an\u00e1lisis de datos para monitorear y extraer los conocimientos ocultos generados por el sistema. <\/p>\n
El descubrimiento de estos conocimientos mejora el modelo de previsi\u00f3n y permite comprender la complejidad del ecosistema de estacionamiento y carga\/descarga.<\/p>\n
[\/et_pb_text][et_pb_image src=\u00bbhttps:\/\/www.mosaicfactor.com\/wp-content\/uploads\/2024\/10\/project-bsm-area-dum-and-area-blava-infografia-2.webp\u00bb title_text=\u00bbproject-bsm-area-dum-and-area-blava-infografia-2″ _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb max_width=\u00bb1000px\u00bb module_alignment=\u00bbcenter\u00bb locked=\u00bboff\u00bb global_colors_info=\u00bb{}\u00bb][\/et_pb_image][et_pb_text _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb text_font_size=\u00bb18px\u00bb text_line_height=\u00bb1.6em\u00bb locked=\u00bboff\u00bb global_colors_info=\u00bb{}\u00bb]<\/p>\n
[\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb text_font_size=\u00bb18px\u00bb text_line_height=\u00bb1.6em\u00bb locked=\u00bboff\u00bb global_colors_info=\u00bb{}\u00bb]<\/p>\n
Debido a un desarrollo exitoso del modelo, Mosaic Factor se encarga de la supervisi\u00f3n del modelo de pron\u00f3stico, que se implement\u00f3 previamente, para asegurar el correcto modo de operaci\u00f3n del servicio. <\/p>\n
Gracias a nuestra arquitectura de software y a una implementaci\u00f3n del sistema muy eficiente, fue posible recalcular continuamente las predicciones de los pr\u00f3ximos dos d\u00edas para todas las \u00e1reas (m\u00e1s de 4.000) en menos de 4 minutos. <\/p>\n
Despu\u00e9s de la validaci\u00f3n inicial de los resultados, mantuvimos la soluci\u00f3n, incluidas sus iteraciones, durante los 3 a\u00f1os siguientes.<\/p>\n