La micromovilidad ha transformado la manera en que las personas se desplazan en las ciudades. Los sistemas de bicicletas compartidas, los patinetes eléctricos y otras soluciones de vehículos ligeros forman ya parte del ecosistema de transporte urbano. Para que estos servicios sean rentables y sostenibles, los operadores necesitan anticipar la demanda a nivel de estación con un alto grado de fiabilidad. No basta con saber cuántos viajes se realizarán mañana; es imprescindible saber en qué estación se originará cada flujo y en qué momento se producirá. Esta capacidad predictiva condiciona la redistribución de flotas, el mantenimiento preventivo y la experiencia del usuario.
El reto es enormemente complejo. Cada estación presenta una dinámica propia que depende de su localización, del tejido urbano circundante, de la oferta de transporte público cercana y de la actividad comercial o residencial de la zona. A esto se añade la influencia de las estaciones vecinas, porque los usuarios suelen tomar una bicicleta en un punto y devolverla en otro. La dimensión temporal introduce más complejidad: los flujos varían según la hora del día, el día de la semana, los eventos especiales, las condiciones meteorológicas o la estación del año. Los métodos estadísticos clásicos se quedan cortos ante esta combinación de factores. Los modelos de aprendizaje automático convencionales, aunque más potentes, tampoco logran capturar de forma eficiente las dependencias de largo alcance en redes urbanas extensas.
En este contexto, la arquitectura STAGformer, un transformer de grafos espacio-temporales, plantea una solución innovadora. Su premisa principal es que la atención global puede estructurarse mediante agentes intermedios. En lugar de calcular la relación entre cada par de estaciones y cada par de instantes, el modelo introduce un conjunto reducido de tokens aprendibles que actúan como agregadores de información. Primero, los agentes espaciales y temporales recorren el grafo para recoger el estado global de la red. Después, esa información condensada se distribuye de nuevo a todas las estaciones y momentos. Este mecanismo reduce la complejidad computacional de la autoatención estándar de cuadrática a lineal (O(NT)), lo que permite trabajar con ciudades de gran tamaño sin sacrificar la capacidad de modelar relaciones lejanas.
La arquitectura combina cuatro módulos esenciales. El primero es un codificador espacio-temporal que integra las características dinámicas de cada estación —número de huecos libres, bicicletas disponibles, flujo histórico— con variables contextuales externas, como el clima, la hora o los puntos de interés cercanos. El segundo módulo es una propagación por grafos que agrega información de las estaciones vecinas, capturando la dependencia espacial local. El tercero es una convolución temporal, que extrae patrones de corta duración en las series de demanda. El cuarto es el ya mencionado mecanismo de atención por agentes, responsable de modelar las dependencias globales. La combinación de estos cuatro módulos permite al modelo entender tanto el comportamiento local de cada estación como la dinámica global de toda la red.
La atención por agentes merece atención especial. Los tokens espaciales y temporales no son nodos del grafo, sino parámetros aprendidos durante el entrenamiento. En la primera fase, cada agente espacial atiende a todas las estaciones y condensa en un vector latente las regularidades más relevantes de la red. De manera simultánea, los agentes temporales hacen lo propio con todos los pasos de tiempo, identificando tendencias, estacionalidades y anomalías. En la segunda fase, la información se transmite de vuelta a los nodos originales. Este ir y venir evita la explosión combinatoria de comparar cada estación con todas las demás en todos los instantes, pero conserva la riqueza expresiva de un mecanismo de atención global.
Los experimentos realizados en conjuntos de datos reales, como los registros de Citi Bike en Nueva York y Divvy en Chicago, muestran que STAGformer supera a las alternativas existentes en diferentes horizontes de predicción, con mejoras significativas en métricas como el RMSE y el MAE. Más allá de los números, lo relevante es que la mejora se mantiene cuando el horizonte se alarga. Para un operador, esto significa poder planificar no solo la próxima hora, sino toda la jornada con mayor confianza.
Desde una perspectiva de negocio, la precisión en la previsión de demanda tiene un impacto directo en la cuenta de resultados. Una flota mal distribuida genera estaciones vacías o llenas, usuarios insatisfechos y costes operativos innecesarios. Con modelos como STAGformer, un operador puede optimizar las rutas de los camiones de redistribución, jerarquizar las intervenciones de mantenimiento y ajustar dinámicamente la capacidad de cada estación. Asimismo, la información predictiva es una fuente valiosa para la planificación urbana: permite a los ayuntamientos dimensionar infraestructuras, ubicar nuevas estaciones y diseñar políticas de movilidad basadas en evidencia.
En Q2BSTUDIO, empresa de desarrollo de software y tecnología, llevamos años aplicando estos principios en proyectos reales. Nuestra especialidad es el desarrollo de aplicaciones a medida para el sector de la movilidad y la logística, combinando la ingeniería de software con la inteligencia artificial. Trabajamos con arquitecturas cloud AWS/Azure para procesar grandes volúmenes de datos en tiempo real, y utilizamos herramientas de BI/Power BI para transformar las predicciones en cuadros de mando accionables. La ciberseguridad es otra capa esencial: los sistemas de movilidad manejan datos personales y críticos, por lo que protegemos cada integración con protocolos de seguridad avanzados y auditorías continuas.
El siguiente salto cualitativo está en la automatización. Las predicciones generadas por arquitecturas como STAGformer no tienen por qué quedarse en un informe. Pueden alimentar agentes de IA que sugieran o ejecuten acciones: reasignar una furgoneta a una zona con alta demanda prevista, liberar huecos en ciertas estaciones o activar alertas cuando se prevea un desabastecimiento. Estos agentes actúan como un equipo de operaciones aumentado, liberando a las personas para tareas de mayor valor estratégico. En Q2BSTUDIO diseñamos este tipo de soluciones integradas, desde el modelo predictivo hasta la interfaz final que utiliza el equipo de operaciones.
En definitiva, la micromovilidad necesita modelos que estén a la altura de su complejidad. STAGformer ofrece una vía prometedora para superar las limitaciones de los transformadores clásicos en entornos de gran escala, y demuestra que es posible combinar precisión, eficiencia y aplicabilidad real. El siguiente paso no es solo mejorar las métricas, sino integrar estas capacidades en plataformas que hagan más inteligente la ciudad y más sostenible el negocio del transporte compartido. La tecnología ya está preparada; ahora corresponde a los equipos de ingeniería y a los operadores convertir ese potencial en decisiones diarias.
