Cómo la IA desbloquea la caja negra del modelado del tráfico urbano: el avance de la optimización bayesiana asistida por LLM

Imagina una ciudad con millones de habitantes, donde cada persona toma cientos de decisiones relacionadas con el transporte cada día: a qué hora salir, si tomar el autobús o conducir, si desviarse para cargar el coche eléctrico o ir directamente a casa. Para predecir las condiciones generales del tráfico y evaluar las políticas de reducción de emisiones, los ingenieros de transporte construyen sistemas de microsimulación llamados "modelos basados en actividades" (ABM). Aunque estos modelos pueden describir el comportamiento humano con gran detalle, debido a que tienen miles de parámetros y una estructura interna opaca, se convierten en una "caja negra" difícil de calibrar.

Los métodos de calibración tradicionales, ya sea el descenso de gradiente o la optimización bayesiana estándar, o bien están limitados a que el modelo sea diferenciable, o bien fallan rápidamente en espacios de alta dimensionalidad: el costo computacional crece exponencialmente, mientras que la precisión de convergencia se ve constantemente comprometida. Ahora, un estudio publicado en *npj Sustainable Mobility and Transport* propone un nuevo marco de optimización bayesiana que integra modelos de lenguaje grande (LLM), cambiando esta situación.

De la "búsqueda por fuerza bruta" al "filtrado inteligente"

La innovación central de la investigación radica en la reducción de dimensionalidad. Los miles de parámetros de un ABM no son igualmente importantes: algunos afectan significativamente los patrones de viaje, mientras que otros son casi redundantes. Los métodos tradicionales basados en la hipótesis de escasez —como forzar la suposición de que la mayoría de los parámetros tiene un impacto nulo en el objetivo—, aunque reducen la complejidad, pueden perder interacciones clave.

El nuevo método aprovecha la capacidad de comprensión semántica de los LLM para priorizar los parámetros según su "rol funcional" (por ejemplo, composición familiar, distancia entre trabajo y vivienda, sensibilidad al costo de estacionamiento). En lugar de predecir directamente los valores óptimos, el LLM actúa como un experimentado planificador de transporte, identificando rápidamente qué parámetros tienen más probabilidades de convertirse en cuellos de botella para la calibración. Esta inyección de conocimiento a priori reduce enormemente el espacio que la optimización bayesiana necesita explorar.

Al mismo tiempo, el equipo de investigación diseñó una función de adquisición basada en entropía, especialmente para manejar la saturación de la salida causada por entradas extremas. En los datos de tráfico real, los comportamientos extremos (como tiempos de viaje excesivamente largos) suelen ser escasos, y los métodos tradicionales tienden a pasarlos por alto. La nueva función de adquisición equilibra la exploración y la explotación, prestando especial atención a estos "casos límite", mejorando así la precisión general de la calibración del modelo.

Menor costo, mayor precisión

En las comparaciones experimentales, este método no solo requirió menos evaluaciones que la solución óptima existente (como la selección de variables mediante Lasso combinada con optimización bayesiana estándar), sino que el resultado final de la calibración se ajustó mejor al flujo de tráfico real. Es especialmente notable que este marco aprovecha al máximo la estructura modular inherente de los ABM: calibra secuencialmente módulos como la generación de actividades, la elección de viajes y la planificación de rutas, en lugar de realizar un ajuste global "por fuerza bruta" de una sola vez.

Esto significa que, para una gran metrópolis con millones de habitantes, el trabajo de calibración que solía requerir semanas o incluso meses podría reducirse a unos pocos días. Para los gestores urbanos que planifican la distribución de estaciones de carga para vehículos eléctricos, políticas de coches compartidos o zonas de bajas emisiones, esta mejora en eficiencia implica un cambio cualitativo en la velocidad de iteración de políticas.

Un avance "a nivel de chip" para la movilidad sostenible global### Un avance de "nivel de chip" para la movilidad sostenible global

Desde una perspectiva más amplia, esta tecnología no solo resuelve el problema de calibración de modelos, sino que aborda el cuello de botella subyacente de toda la cadena de toma de decisiones de movilidad sostenible. Los ABM ya se han aplicado ampliamente en la estimación de emisiones de NOₓ, la predicción de la demanda de carga de vehículos eléctricos y la simulación del comportamiento de viaje durante la pandemia. Sin embargo, si el modelo no está suficientemente calibrado, la credibilidad de sus recomendaciones políticas se ve gravemente afectada.

Por ejemplo, un equipo de investigación en los Países Bajos utilizó ABM para evaluar el impacto de políticas combinadas —incluyendo movilidad compartida, gestión de estacionamiento y expansión de carriles bici— en el área metropolitana de Copenhague. Trabajos similares dependen en gran medida del ajuste manual de parámetros y la prueba y error. Hoy en día, la calibración automática asistida por LLM permite que este tipo de investigaciones se transfieran rápidamente a otras ciudades, e incluso realicen "pruebas de estrés de políticas" a nivel global.

Lógica técnica y preocupaciones geopolíticas

Es importante destacar que el LLM utilizado en este estudio no necesita ser un modelo específico del dominio del transporte. Cualquier LLM general con capacidad de razonamiento científico básico (como GPT-4, Claude, etc.) puede desempeñar el papel de filtro de parámetros. Esta característica reduce las barreras de entrada, pero también plantea nuevas reflexiones: si la calibración de modelos urbanos depende de las API de grandes modelos, ¿se convertirán la soberanía de datos y la autonomía del modelo en costos ocultos?

Especialmente en regiones como Oriente Medio y el Sudeste Asiático, que están impulsando rápidamente la construcción de transporte inteligente, una dependencia excesiva de herramientas de IA externas puede conllevar riesgos de seguridad. Quizás la dirección futura sea que los países o ciudades implementen LLM locales ligeros, utilizados únicamente para identificar prioridades de parámetros, mientras que los cálculos de optimización central se mantengan en su propia potencia computacional.

Perspectivas y desafíos

Aunque los resultados son alentadores, este método actualmente sigue siendo aplicable principalmente a ABM modulares, y aún necesita ser probado en modelos completamente integrados y con parámetros altamente acoplados. Además, la robustez de las prioridades de parámetros seleccionadas por el LLM en todos los entornos urbanos requiere más validación, por ejemplo, aplicando el marco a ciudades con grandes diferencias de densidad y cultura como Londres, Tokio y Bombay.

En cualquier caso, esta investigación revela una nueva vía de integración profunda entre la inteligencia artificial y el conocimiento del dominio: no se trata de que la IA asuma todo el proceso de modelado, sino de que actúe como un "asistente inteligente", acelerando la etapa más lenta para los expertos humanos. Ante la presión dual del cambio climático y la urbanización, una mejora de eficiencia como esta podría tener un valor más duradero que cualquier política única.

*Este artículo se basa en el documento "LLM-assisted screening method for large-scale transportation model calibration" publicado en la revista Nature *npj Sustainable Mobility and Transport*.*