El transporte público en una ciudad debería ser el medio más eficiente, menos contaminante y más accesible para los ciudadanos. Sin embargo, fueron detectados graves falencias en este medio de transporte, principalmente en ciudades intermedias de países en desarrollo [1]. Estas falencias están relacionadas con la falta de información al usuario (sobre rutas, horarios, puntos de parada), problemas de seguridad vial (por exceso de velocidad de los vehículos, o incumplimiento de las normas de tránsito) [2], baja disponibilidad del servicio (incumplimiento de rutas y horarios), paradas continuas en lugares inapropiados y/o no permitidos. Algunos de estos inconvenientes contribuyen a los principales problemas de movilidad en las ciudades que son la alta accidentalidad y congestión vehicular [1]. El desarrollo de herramientas que permitan mejorar las características y condiciones del servicio de transporte público en las ciudades se ha convertido en una necesidad imperativa para mejorar la calidad de vida de los ciudadanos. El control y seguimiento del servicio de transporte público es relevante en aspectos como la información en línea de su ubicación a los viajeros, y el control de las empresas de transporte para el cumplimiento de límites de velocidad, horarios, rutas y paradas [1].
Este trabajo propone un sistema de seguimiento de vehículo público mediante la integración de un sistema de posicionamiento global (GPS) y la tecnología LoRa (Long Range, o largo alcance) haciendo uso de su protocolo de red LoRaWAN, ofreciendo además predicción de ubicación en tiempo real en caso de ausencia de datos de posición. La predicción fue implementada haciendo uso de Machine Learning mediante un algoritmo en lenguaje Python. El dispositivo de seguimiento ubicado en los vehículos, integra una tarjeta con módulo GPS-LoRa con una unidad de medida inercial IMU, con el objetivo de obtener datos inerciales y de posición de rutas predefinidas. Para predecir ubicaciones (cuando es necesario por falta de datos) fue implementado un algoritmo para entrenar y guardar un modelo de predicción con datos recolectados previamente sobre tres rutas en la ciudad de Popayán, Colombia. El modelo de predicción consta de dos partes, una parte para predecir las futuras ubicaciones, y otra parte para predecir el tiempo de esas futuras ubicaciones. Con el modelo entrenado fue realizado un conjunto de pruebas con un algoritmo de predicción que hace uso del modelo previamente guardado. Las pruebas fueron realizadas en dos escenarios, el primero ocurre cuando no existe conexión LoRa y el segundo sucede cuando no existe conexión GPS. Los resultados de la implementación del sistema fueron satisfactorios, obteniendo una cobertura promedio del 60.4% de las rutas en las pruebas de campo finales, a través de la comunicación LoRa. Para el 39.6 % restante de cobertura, fue necesario utilizar la predicción de datos de ubicación, con una precisión promedio de 177 metros respecto a la ubicación real.
Public transport in a city should be the most efficient, least polluting and most accessible means of transportation for its citizens. However, serious shortcomings have been detected in this means of transport, mainly in intermediate cities in developing countries [1]. These shortcomings are related to the lack of user information (on routes, schedules, stopping points), lack of road safety (due to speeding vehicles, or non-compliance with traffic regulations) [2], low service availability (non-compliance with routes and schedules), continuous stops in inappropriate and/or unauthorized places. Some of these problems contribute to the main mobility problems in cities, which are high accident rates and traffic congestion [1]. The development of tools to improve the characteristics and conditions of public transport service in cities has become an imperative need to improve the quality of life of citizens. The control and monitoring of public transport service is relevant in aspects such as online information of its location to travelers, and the control of transport companies for compliance with speed limits, schedules, routes and stops [1].
This work proposes a public vehicle tracking system by integrating a global positioning system (GPS) and LoRa (Long Range) technology using its LoRaWAN network protocol, also offering real-time location prediction in the absence of position data. The prediction was implemented using Machine Learning through an algorithm in Python language. The tracking device located in the vehicles integrates a GPS-LoRa module card with an IMU inertial measurement unit, to obtain inertial and position data from predefined routes. To predict locations (when necessary due to lack of data), an algorithm was implemented to train and store a prediction model with data previously collected on three routes in the city of Popayán, Colombia. The prediction model consists of two parts, one part to predict future locations, and another part to predict the time of those future locations. With the trained model a set of tests was performed with a prediction algorithm that makes use of the previously saved model. The tests were performed in two scenarios, the first occurs when there is no LoRa connection and the second occurs when there is no GPS connection. The results of the system implementation were satisfactory, obtaining an average coverage of 60.4% of the routes in the final field tests, through LoRa communication. For the remaining 39.6% of coverage, it was necessary to use location data prediction, with an average accuracy of 177 meters with respect to the actual location.
