La micromobilitat s ha convertit en un pilar de les ciutats intel·ligents. Els sistemes de bicicletes compartides, patinets i vehicles lleugers ofereixen una alternativa sostenible, però la seva operació depèn d una variable difícil d anticipar: la demanda a cada estació. Un model de previsió precís permet optimitzar la distribució de flota, reduir temps d espera i augmentar la rendibilitat. En aquest context, STAGformer, un transformer de grafs orientat a la demanda de micromobilitat, representa un avenç rellevant tant per a operadors públics com per a empreses tecnològiques.
El repte no és trivial. La demanda d una estació no depèn només de l històric local; està influïda per l hora del dia, el clima, esdeveniments urbans, punts d interès i el comportament de les estacions veïnes. Les dependències espacio-temporals formen una xarxa complexa que els models estadístics tradicionals no capturen amb prou precisió. Els models de deep learning han millorat la situació, però molts estan limitats pel cost computacional i per la dificultat de representar relacions globals sense ignorar l estructura geogràfica del sistema.
Per afrontar aquesta complexitat, la representació en graf és especialment útil. Cada estació es converteix en un node, i les arestes poden representar distància, connectivitat històrica o fluxos de viatge entre estacions. La predicció de demanda es formula llavors com un problema sobre un graf dinàmic, en el qual cada node té una sèrie temporal associada. Aquesta formulació permet aplicar models de grafs neuronals que aprenen patrons de propagació espacial, tot i que afegeix dificultats d escalat quan el sistema té milers d estacions i una resolució temporal fina.
STAGformer aborda aquestes limitacions mitjançant una arquitectura de graf amb atenció basada en agents. En lloc de calcular atenció entre tots els parells d estacions i passos temporals, introdueix un conjunt reduït de tokens aprenibles. Aquests agents espacials i temporals s encarreguen primer d agregar informació global del sistema i després de distribuir-la de tornada a cada estació i pas temporal. Aquest mecanisme de dues fases manté la capacitat de modelatge de llarg abast, però redueix la complexitat quadràtica del self-attention clàssic a un cost lineal en el nombre d estacions i passos de temps. És una idea elegant amb implicacions pràctiques molt concretes.
L arquitectura completa integra quatre mòduls. El codificador espacio-temporal combina variables dinàmiques dels nodes amb factors contextuals externs, com ara meteorologia, calendari o densitat de comerços. El mòdul de propagació en graf agrega informació de les estacions veïnes, capturant la influència local. La convolució temporal extreu patrons de curta durada, com els pics d hora punta de matí o tarda. I el mòdul d atenció per agents modela dependències globals, tant espacials com temporals. La combinació d aquests components permet que el model entengui l estació com a part d un ecosistema urbà, no com una sèrie aïllada.
La separació entre agents espacials i temporals és un dels punts més interessants. Els agents espacials poden especialitzar-se en zones de la ciutat amb un comportament similar, encara que no siguin contigües. Els agents temporals poden capturar estacionalitats recurrents, com els caps de setmana o els períodes de vacances. En compartir informació entre agents, el model crea una memòria global del sistema que després retorna a cada node i instant. Aquest mecanisme recorda els sistemes de recomanació basats en representacions latents, però aplicat a un graf espacio-temporal.
Des d una perspectiva empresarial, la precisió en la previsió de demanda es tradueix directament en eficiència operativa. Un operador de bike-sharing pot reposicionar bicicletes abans que es produeixi un desequilibri, assignar recursos de manteniment amb antelació i dissenyar tarifes dinàmiques. En el cas de ciutats amb contractes de servei, complir indicadors de disponibilitat és essencial per evitar penalitzacions. Per això, cada millora en mètriques com RMSE o MAE té un impacte econòmic mesurable.
A Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, veiem en STAGformer un clar exemple de com la recerca aplicada pot convertir-se en un avantatge competitiu. El nostre equip treballa amb operadors de mobilitat per dissenyar aplicacions a mida que integren models predictius, sistemes de monitorització i quadres de comandament. No es tracta només d entrenar un algorisme: cal construir la infraestructura que l alimenta i el producte que el fa usable per a l equip d operacions.
La implementació d un sistema de previsió de demanda requereix una plataforma robusta. Les dades de posicionament, clima i operacions arriben en temps real i s han de processar de manera segura. Aquí entren en joc els serveis de cloud AWS/Azure, que proporcionen escalabilitat i alta disponibilitat per a entorns de producció. La combinació d una arquitectura al núvol ben dissenyada amb llibreries d IA permet executar models complexos com STAGformer sense comprometre la latència ni el cost.
A més, els resultats d un model predictiu guanyen valor quan arriben a les persones adequades. Una capa de Business Intelligence, per exemple amb Power BI, pot transformar les prediccions en alertes visuals per al centre de control. L equip d operacions no necessita entendre el funcionament intern del transformer; necessita saber quines estacions es quedaran sense bicicletes en els propers 30 minuts. Aquesta visió de producte és la que Q2BSTUDIO aporta en els seus projectes de desenvolupament de programari, juntament amb pràctiques de ciberseguretat que protegeixen les dades de mobilitat i la continuïtat del servei.
Una tendència creixent és combinar models de previsió amb agents d IA que executen accions de manera autònoma: rebalancejar flota, ajustar tarifes o enviar alertes de manteniment. Aquests agents utilitzen les prediccions de STAGformer com a entrada per prendre decisions, sota supervisió humana. Aquest tipus d automatització és especialment útil quan la xarxa té centenars d estacions i els equips no poden atendre totes les incidències manualment.
Els experiments realitzats amb dades de Nova York i Chicago mostren que aquesta arquitectura supera altres models de referència en diferents horitzons de predicció, amb millores consistents en RMSE i MAE. Més enllà dels números, l estudi suggereix que l atenció per agents és un mecanisme crític per capturar dependències globals. Per a una empresa tecnològica, aquesta evidència és útil a l hora de decidir quines inversions en R+D tindran un retorn més clar.
Portar un model com STAGformer a producció planteja reptes addicionals. La qualitat de les dades és el primer: si la xarxa de sensors falla o si els registres de viatges són incomplets, les prediccions es degraden ràpidament. Per això, els projectes de transformació digital han d incloure processos de neteja, validació i enriquiment de dades. També cal monitoritzar el rendiment del model al llarg del temps, perquè la mobilitat urbana canvia amb estacionalitats, obres públiques o noves zones d expansió. Els sistemes d IA ben governats incorporen mecanismes de reentrenament automàtic i alertes de deriva.
Perquè una solució així sigui sostenible, convé integrar-la amb la resta de sistemes de l empresa. Una API de prediccions pot alimentar l aplicació mòbil, el sistema de planificació de rutes o el centre de control. Les dades resultants es poden visualitzar en un quadre de comandament amb mètriques de precisió i ús. En aquest punt, l experiència de Q2BSTUDIO en Business Intelligence i Power BI ajuda a convertir dades tècniques en decisions de negoci, i la capa de ciberseguretat garanteix que la informació sensible estigui protegida.
En síntesi, STAGformer demostra que l atenció per agents pot oferir exactitud i eficiència en el modelatge de dades espacio-temporals. Per a la micromobilitat, això suposa una oportunitat real de millorar el servei i reduir costos. Per a Q2BSTUDIO, suposa també un recordatori que el valor d un algorisme no està en el paper, sinó en la seva integració amb processos, persones i tecnologia. La previsió de demanda no és una finalitat en si mateixa; és una peça d un sistema més ampli que inclou desenvolupament de programari, núvol, intel·ligència artificial, ciberseguretat i analítica. Qui aconsegueixi unir aquestes peces amb una estratègia clara tindrà un avantatge sostenible en el mercat de la mobilitat.
