AUTORES: Adrian Tam, Brayan Ccapa, Paloma Vargas & Rodrigo Prudencio

1. INTRODUCCIÓN

La planificación del transporte urbano requiere uso de la información de la geometría de la red y la información de variables socioeconómicas y de uso del suelo para poder generar una predicción certera de los viajes origen-destino (O-D), utilizados para determinar la demanda futura (Cabrera, 2024). Sin embargo, en el contexto peruano, la falta de actualización de datos, la presencia de transportes no regulados y comportamiento de viaje impredecibles dificultan la precisión del modelo y generan una brecha entre el diagnóstico técnico y la realidad operativa.

El crecimiento urbano en todo el mundo ha sido acelerado y muchas ciudades enfrentan limitaciones para responder eficazmente a las necesidades de infraestructura, movilidad y servicios públicos. Esto se ve reflejado en los sistemas de transporte urbano sobrecargados, poco integrados o subdesarrollados, mientras que el mobiliario urbano (veredas, paraderos, espacios públicos) se encuentra mal distribuido, mal construido o ausente, lo que afecta la accesibilidad y calidad de vida, sobre todo en zonas periféricas (Rodríguez Rivero et al., 2023). En Lima Metropolitana, esta situación evidencia una fuerte desigualdad territorial, donde el acceso a servicios y equipamientos varía según la ubicación geográfica y la condición socioeconómica de la población (Rodríguez Rivero et al., 2023).

Ante estos desafíos, el Big Data ha emergido como una herramienta clave para transformar la forma en que se planifican las ciudades. El análisis masivo de datos provenientes de sensores, dispositivos móviles, sistemas de transporte y redes sociales permite comprender en tiempo real los flujos de personas, los patrones de uso del suelo y las necesidades ciudadanas (Positium, s/f). Casos como el rediseño de rutas en Tartu, Estonia, demuestran cómo el uso de Big Data puede guiar decisiones urbanas más precisas, eficientes e inclusivas (Positium, 2019). Esta capacidad de diagnosticar y anticipar fenómenos urbanos sienta las bases para una planificación basada en evidencia, más adaptativa y orientada al ciudadano. A continuación, se presentan las definiciones fundamentales y aplicaciones específicas del Big Data en el contexto urbano.

2. FUNDAMENTOS DEL BIG DATA

Big Data se refiere al manejo y análisis de enormes volúmenes de datos que se generan a gran velocidad y provienen de diversas fuentes, como sensores, redes sociales, transacciones digitales, entre otros (SAS, s/f). Su valor no reside únicamente en la cantidad de datos, sino en la capacidad de analizarlos para obtener información útil. Actualmente, existen tres grupos primarios de datos para la ingeniería del transporte: datos de tarjetas inteligentes, datos de localización automática de vehículos, y datos de teléfonos móviles (Urbano, 2025). 

Las primeras dos fuentes de datos provienen de los viajes en el transporte público, ya que las tarjetas inteligentes pueden identificar el origen cuando un pasajero registra un pago para entrar al bus, como en los corredores rojo y azul, en las estaciones del Metropolitano o en otros puntos de integración tarifaria del sistema de transporte público. Los datos de localización automática de vehículos proporcionan el trayecto y ubicación del vehículo, esto normalmente es aplicado como medida de seguridad en las plataformas de taxis como Uber, Cabify, Yango, etc. La persona que realiza el viaje puede visualizar en todo momento la trayectoria y duración del recorrido del vehículo en el que se traslada. Además, estas plataformas registran datos de embarque y desembarque de pasajeros, ya que emiten notificaciones que marcan el inicio y el final del viaje.

Finalmente, la fuente de datos más potente de las tres, son los datos de teléfonos móviles que provienen de los operadores de telefonía móvil. Estos datos permiten rastrear la ubicación de los dispositivos a tiempo real los cuales contienen información útil sobre los movimientos y trayectorias (Gordon et al., 2013). Sin embargo, la limitación con esta fuente son las restricciones de privacidad, por lo que generalmente estos datos se deben utilizar anónimamente y con una supervisión por la operadora y la empresa o entidad a ejecutar el estudio (Urbano, 2025). 

Adicional a estas fuentes de información se tienen los sensores y dispositivos loT, los cuales recolectan información en tiempo real sobre el tráfico, la contaminación ambiental o el uso energético de los edificios, por lo que podemos obtener datos y buscar respuestas en relación a las demandas. Este tipo de datos permite identificar tendencias dinámicas en el uso del suelo y en la actividad urbana (Urbano, 2025). Por otra parte, el análisis de datos provenientes de los sistemas de transporte público como las rutas, horarios de llegada y paraderos tanto de trenes como buses, permite optimizar recorridos y planificar una infraestructura más sostenible e inclusiva para mejorar la accesibilidad. Asimismo, la participación ciudadana es importante al proveer información personal a través de encuestas, aplicaciones municipales u otros medios, las cuales pueden conformar información que no salta a la vista en el análisis de datos y puede llegar a incorporar cambios que satisfagan mejor las necesidades.

Las imágenes satelitales y de drones también tienen un rol importante, ya que proporcionan actualizaciones visuales sobre el crecimiento de ciudades, facilitando la detección de zonas de expansión urbana y zonas de riesgo. Con ello, se puede validar modelos de simulación y prever la evolución negativa del paisaje urbano. Ahora, el Sistema de Información Geográfica (SIG) permite integrar todos estos datos espaciales en plataformas visuales y analíticas, apoyando tareas como la zonificación, la distribución de servicios públicos o la gestión de espacio verde urbano (Urbano, 2025).

A partir de estas fuentes de datos, se puede obtener información sobre datos espaciales, demográficos, ambientales, de movilidad y comportamiento urbano, obtenidos en tiempo real. Esto permite a urbanistas y autoridades analizar patrones de movilidad, uso del suelo, comportamiento social y otros aspectos clave de la vida urbana, para, y diseñar ciudades más eficientes, sostenibles y centradas en el ciudadano, optimizando el uso del espacio, el transporte, los servicios públicos y la respuesta a emergencias. 

3. APLICACIONES DEL BIG DATA

La calidad de la información generada a partir de las fuentes de medición y monitoreo permiten la implementación de diversas estrategias y proyectos viales para la construcción de una “Ciudad Inteligente”. Esta propuesta contempla la producción de estrategias de diagnóstico de la población, planeamiento del sistema, gestión y retroalimentación del impacto de los proyectos realizados en el presente como a realizar en el futuro.

En este contexto, el uso de datos de posicionamiento móvil representa una fuente de información más integral para la modelación del tráfico. Estos datos permiten identificar con mayor precisión los orígenes y destinos de los viajes, así como estimar sus propósitos, sin estar condicionados por la ubicación específica del proyecto (Positium, s/f). Además, facilitan la evaluación de frecuencias de viaje y permiten analizar la incidencia de los viajes producidos en redes de tráfico adyacentes o complementarias.

A partir del procesamiento de esta información, es posible obtener datos más detallados y de mayor valor analítico. Entre ellos, se incluye la identificación en tiempo real de las rutas más frecuentemente utilizadas, zonas de congestión específicas, giros conflictivos y otras zonas críticas. Asimismo, el análisis de trayectorias típicas permite detectar patrones de evasión de congestiones en distintos sectores de la ciudad, así como nuevas zonas de emergencia o intersecciones con deficiente regulación o con deficiente calidad vial las cuales componen zonas con un mayor número de accidentes (Ilyashenko & Ilyashenko, 2021). A partir de esta información técnica, se pueden identificar patrones globales. Las demandas son variables y pueden cambiar estacionalmente, dependiendo del clima, fechas especiales, temporadas de turismo y la incidencia del tráfico en tiempo real, la cual se ve afectada tanto por la construcción de nuevos proyectos, que durante su ejecución pueden generar congestión, como por su finalización, que puede contribuir a la mejora vial. (Ilyashenko & Ilyashenko, 2021). Desde la identificación de los problemas se pueden proponer y modelar soluciones más completas, por ejemplo proponer rutas que resuelvan la movilidad latente, proponer nuevas redes de conexión vial, diseñar rotondas en vez de una intersección semaforizada conflictiva, proyectar o retirar cruces o puentes elevados, entre otras alternativas de optimización.

De manera análoga a la mejora de la infraestructura vial, los datos de movilidad constituyen una base fundamental para la planificación del transporte público. Según un estudio para la creación de una nueva red de rutas de autobús realizado por Positium y WSP Finland en Tartu, Estonia, se realizó un modelamiento de las líneas existentes de bus para desarrollar alternativas competentes que, junto con la información de usuario y considerando diversos parámetros como costos operativos, tiempos de viaje, accesibilidad, etc, se generaron 2 rutas adicionales que resolvían las principales problemáticas de los usuarios (Positium, 2019). Por ejemplo, se realizó un análisis individual de cada escuela, identificando las zonas donde viven los estudiantes y evaluando las mejores rutas para garantizar conexiones seguras hasta sus centros educativos. Además, se consideraron los centros laborales con horarios de ingreso muy tempranos, como las prisiones, que requieren opciones de transporte adecuadas en horarios especiales. También se analizaron aquellos centros de trabajo ubicados a gran distancia de las áreas residenciales, para asegurar que la infraestructura de transporte permite un acceso eficiente desde las zonas donde vive la mayoría de la población (Positium, 2019).

En el contexto peruano, se puede observar una segregación importante de los recursos y la infraestructura urbana que revela marcadas desigualdades socioespaciales. Entre los distritos periféricos de Lima Metropolitana se identifica un mayor desafío en el acceso a los servicios básicos a diferencia de zonas céntricas con mayor desarrollo que concentran servicios de mayor calidad como hospitales y centros educativos (Rodríguez Rivero et al., 2023). Por lo tanto, el análisis de las propuestas de transporte no debe ser el mismo para todos los distritos, ya que cada uno posee necesidades viales distintas y flujos de diferente extensión. Sin embargo, dichas necesidades viales pueden ser identificadas rápidamente con el uso de Big Data, al generar una clasificación con los propósitos de viaje de las zonas de origen y llegada, la información geográfica de la zona y la información geoespacial de los centros o núcleos con mayor tráfico externo, se puede hallar la influencia de estos viajes en la saturación de las vías y encontrar, dependiendo de los modos de transporte más accesibles para estas zonas, estrategias más útiles a largo plazo y que consideren correctamente la necesidad real de cada zona. 

4. CASOS DE ÉXITO Y ESTUDIO

Estas aplicaciones del Big Data como sistemas inteligentes han aportado en la mejora de la planificación y seguridad vial a diferentes países. En el presente apartado se muestran algunos casos exitosos de implementación en el mundo.

España

En España, ya se lleva décadas aplicando Sistemas de Transporte Inteligente (ITS) satisfactoriamente en carreteras, los ITS tienen la función de avisar a los conductores de peligros próximos, aconsejándoles rutas y velocidades más seguras, o avisando a los servicios de asistencia en caso de accidentes o si es necesario un control (Comité Técnico de Seguridad Vial, 2005). Una implementación importante son los sensores en carretera, los cuales captan el tráfico, su composición y velocidad en puntos fijos, detectando incidentes aun sin verlos, en base a algoritmos surgidos a partir de las variables de tráfico captadas (Comité Técnico de Seguridad Vial, 2005).

Dentro de los ITS más relevantes en España, se encuentran la instalación de controles de velocidad, a través de radares (cinemómetros, láser, espiras de inducción o grabación de vídeo), los cuales sancionan a los vehículos que superan la velocidad permitida (Comité Técnico de Seguridad Vial, 2005). Otro sistema más eficaz es el denominado “foto rojo” que detecta y sanciona a los vehículos que incumplen con lo que indica la luz del semáforo  (Comité Técnico de Seguridad Vial, 2005). Se cuenta también con un importante factor, que son los sistemas de vigilancia y control policial, los cuales detectan y controlan el número de ocupantes en vehículos, además, la tecnología de control automático puede detectar vehículos que circulan sin seguro vigente o sin permiso (Comité Técnico de Seguridad Vial, 2005).

Singapur

Singapur destaca por sus virtudes y progresos en el campo de la movilidad inteligente y la gestión y análisis de datos utilizados para incrementar la sostenibilidad, reducir la congestión y, por tanto, mejorar la vida de sus ciudadanos (Burbano, L., 2024). La ciudad de Singapur es pionera en sistema inteligente de transporte, el cual puede ser catalogado como el más completo del mundo. Entre 2017 y 2022, Singapur prácticamente dobló la demanda de desplazamientos diarios, sumado a ello, se negó el incremento de carreteras, por lo que se decidió implementar la innovación y tecnología a su sistema de transporte (Burbano, L., 2024). En 2018, el gobierno implementó My Transport.SG, un planificador de viajes multimodal que proporciona información personalizada en tiempo real (Burbano, L., 2024).

Adicionalmente, se han incorporado soluciones sistemáticas importantes como un sistema automático de inspección de vías, el cual utiliza sensores de imagen y escáneres láser colocados debajo de los vagones de tren que supervisan el estado de las vías en tiempo real, herramientas de análisis predictivo (posibles escenarios) y visualización de datos, la integración de la IA en el ecosistema de movilidad como herramienta de predicción del tráfico en tiempo real y gestión de la congestión viaria, optimización de rutas y horarios del transporte público (Burbano, L., 2024).

Asimismo, Singapur implementó sistemas de vigilancia y monitoreo para alerta de accidentes, estrategias de control como la cesión obligatoria de autobuses para mejorar la circulación de los trayectos y mantener la fluidez en el horario de paso de los autobuses, etc (Burbano, L., 2024).

Perú

En Lima- Perú, con la finalidad de beneficiar a la creciente población de Lima y Callao, la ATU contrató los servicios de Telefónica del Perú para realizar un estudio sobre movilidad urbana en la ciudad, por medio de la solución digital Luca Transit, que utiliza herramientas de BIG DATA y analítica avanzada para procesar grandes cantidades de datos (ATU, 2019). Se analizó los datos de movilidad generados por los teléfonos móviles de millones de personas, para estimar la cantidad de viajes en todo Lima y Callao, permitiendo conocer los puntos de inicio y fin de sus viajes, así como su segmentación demográfica y el propósito de sus viajes, inferidos a partir de la frecuencia (ATU, 2019). El análisis permitió mejorar la planificación de los sistemas de transporte, según las necesidades reales y no conceptuales, teniendo como mayor objetivo evitar a los usuarios el exceso de trasbordos, haciendo más rápidos y cómodos sus viajes (ATU, 2019). Uno de los principales productos del estudio de movilidad urbana BIG DATA – 2019, es el aplicativo Web Big Data, el cual es una herramienta informática que permite realizar consultas sobre la movilidad de la población caracterizando los viajes y el perfil de los usuarios, todo esto clasificados en zonas de análisis (ATU, 2019). Lamentablemente, este gran avance fue pausado desde el inicio de la pandemia y los datos de este estudio de movilidad no se encuentran públicos para las empresas privadas ni para la población general.

5. CONCLUSIÓN

Este artículo expone la utilidad de la implementación del Big Data en la generación de soluciones viales y la toma de decisiones en la movilidad al construir un nuevo paradigma en la forma de entender y gestionar las ciudades. A través de la recopilación y análisis de grandes volúmenes de datos provenientes de fuentes diversas —como tarjetas inteligentes de transporte, sistemas GPS, teléfonos móviles, sensores IoT, imágenes satelitales y sistemas de información geográfica (SIG)— es posible obtener información detallada y en tiempo real sobre aspectos clave del entorno urbano, como la movilidad, el uso del suelo, la calidad del aire, el comportamiento ciudadano y los patrones de consumo. Esta capacidad de análisis no solo permite visualizar lo que ocurre en la ciudad, sino también anticipar tendencias, optimizar servicios públicos y formular políticas más efectivas y basadas en evidencia. De esta manera, el Big Data se convierte en un soporte esencial para construir ciudades más sostenibles, resilientes, eficientes e inclusivas, en las que las decisiones se orientan a mejorar la calidad de vida de los ciudadanos. Al colocar a las personas en el centro de la planificación urbana y fomentar una visión integral y conectada del territorio, el Big Data representa una oportunidad clave para afrontar los desafíos del crecimiento urbano en nuestros tiempos.

Desde una perspectiva práctica, gracias a la naturaleza de estos datos, es posible desarrollar soluciones viales más integrales, ya que el análisis de la información permite identificar una amplia variedad de patrones que contribuyen a una mejor comprensión del comportamiento del sistema de transporte, por ejemplo: el análisis de los patrones de desplazamiento, identificación de puntos críticos en la red vial y anticipación del comportamiento del tráfico en función de variables temporales o contextuales. Gracias al aporte analítico de estos resultados, es posible modelar soluciones más efectivas y adaptadas a las necesidades reales de la ciudad, de forma que se pueda: prevenir saturaciones viales mediante el conocimiento preciso de la demanda variable, gestionar las vías estratégicamente utilizando la información obtenida de puntos críticos entre distritos y proyectar soluciones más relevantes al conocer en tiempo real el impacto de cada obra tanto en la movilidad de la población como en el desarrollo y conclusión de otras construcciones en curso. 

La aplicación de la tecnología en el ámbito vial ha resultado en casos exitosos en diferentes países de diferentes continentes; tal es el caso de Singapur, un país que viene implementado ITS desde hace varias décadas y actualmente es considerado como el país con el mejor sistema vial del mejor del mundo. La tecnología en el sistema vial se ha venido aplicando en diferentes países europeos, siendo España otro caso representativo y resaltante, debido a las múltiples implementaciones que se han dado, tales como radares, sensores y detectores, los cuales tienen como función detectar aspectos relacionados al tráfico vehicular y diferentes infracciones que puedan darse. En Perú, se tiene un reporte de la aplicación de Big Data, iniciado en el año 2019, impulsado por la Autoridad de Transporte Urbano para Lima y Callao (ATU), con la finalidad de una mejor planificación del sistema de transporte según la información de los usuarios, debido al crecimiento poblacional que enfrenta Lima y Callao. Dicha aplicación de ITS en Perú, ha permitido tener acceso a información importante; sin embargo, actualmente, su desarrollo se encuentra pausado.

6. REFERENCIAS BIBLIOGRÁFICAS

• Positium. (s. f.). Spatial Planning. https://positium.com/solutions/mobility/spatial-planning
• Ilyashenko, O. Y., & Ilyashenko, V. M. (2021). Big Data in Transport Modelling and Planning. Transportation Research Procedia, 54, 1–9. https://doi.org/10.1016/j.trpro.2021.02.001
• Cabrera, F. (2024). Pronóstico y Análisis del Transporte [Diapositivas de PowerPoint]. Pontificia Universidad Católica del Perú.
• Positium. (2019). Building a Smart City with Data-Driven Solutions, Inclusivity and Innovation in Tartu. https://positium.com/blog/smart-city-data-driven-solutions-innovation-in-tartuPositium
• Rodríguez Rivero, L., Ramírez Corzo Nicolini, D., & Desmaison Estrada, B. (2023). Entender la desigualdad urbana en Lima Metropolitana: Historia, multidimensionalidad y pistas para combatirla. Revista ENSAYO – Arquitectura PUCP, (3), 19–41. https://doi.org/10.18800/ensayo.202303.002
• SAS Institute Inc. (s.f.). Big Data: Qué es y por qué importa. Recuperado el 10 de mayo de 2025, de https://www.sas.com/es_es/insights/big-data/what-is-big-data.html
• Urbano, V. M. (2025). Big data for decision-making in public transport management: A comparison of different data sources. Case Studies on Transport Policy, 13(1), 100–112. https://doi.org/10.1016/j.cstp.2025.01.006
• Gordon, J., Koutsopoulos, H. N., Wilson, N. H. M., & Attanucci, J. P. (2013). Automated inference of linked transit journeys in London using fare-transaction and vehicle location data. Transportation Research Record: Journal of the Transportation Research Board, 2343(1), 17–24. https://doi.org/10.3141/2343-03
• Comité Técnico de Seguridad Vial. (enero-marzo 2005). ITS para la mejora de la seguridad vial: aplicaciones más viables y eficientes en gestión de carreteras. Revista Rutas, (62), 10-21.
• Burbano, L. (2024, 17 de mayo). Por qué a sus 20 años el sistema inteligente de transporte de Singapur es considerado el mejor del mundo. Tomorrow City. https://www.tomorrow.city/es/tecnologias-de-transporte-sistema-inteligente-transporte-de-singapur/
• Autoridad de Transporte Urbano para Lima y Callao (2019). Movilidad urbana de personas de Lima y Callao. http://200.121.128.47:3070/web/atu#