La micromobilitat ha transformat la manera com les persones es mouen a les ciutats. Els sistemes de bicicletes compartides, els patinets elèctrics i altres solucions de vehicles lleugers formen part de l'ecosistema de transport urbà. Perquè aquests serveis siguin rendibles i sostenibles, els operadors necessiten anticipar la demanda a nivell d'estació amb un alt grau de fiabilitat. No n'hi ha prou de saber quants viatges es faran demà; és imprescindible saber en quina estació s'originarà cada flux i en quin moment es produirà. Aquesta capacitat predictiva condiciona la redistribució de flotes, el manteniment preventiu i l'experiència de l'usuari.
El repte és enormement complex. Cada estació presenta una dinàmica pròpia que depèn de la seva localització, del teixit urbà circumdant, de l'oferta de transport públic propera i de l'activitat comercial o residencial de la zona. A més, cal tenir en compte la influència de les estacions veïnes, perquè els usuaris solen agafar una bicicleta en un punt i tornar-la en un altre. La dimensió temporal afegeix complexitat: els fluxos varien segons l'hora del dia, el dia de la setmana, els esdeveniments especials, les condicions meteorològiques o l'estació de l'any. Els mètodes estadístics clàssics es queden curts davant d'aquesta combinació de factors. Els models d'aprenentatge automàtic convencionals, tot i que més potents, tampoc aconsegueixen capturar de manera eficient les dependències de llarg abast en xarxes urbanes extenses.
En aquest context, l'arquitectura STAGformer, un transformer de grafs espai-temporals, planteja una solució innovadora. La seva premissa principal és que l'atenció global pot estructurar-se mitjançant agents intermedis. En lloc de calcular la relació entre cada parell d'estacions i cada parell d'instants, el model introdueix un conjunt reduït de tokens aprenibles que actuen com a agregadors d'informació. Primer, els agents espacials i temporals recorren el graf per recollir l'estat global de la xarxa. Després, aquesta informació condensada es distribueix de nou a totes les estacions i moments. Aquest mecanisme redueix la complexitat computacional de l'autoatenció estàndard de quadràtica a lineal (O(NT)), cosa que permet treballar amb ciutats de gran mida sense sacrificar la capacitat de modelar relacions llunyanes.
L'arquitectura combina quatre mòduls essencials. El primer és un codificador espai-temporal que integra les característiques dinàmiques de cada estació —nombre d'espais lliures, bicicletes disponibles, flux històric— amb variables contextuals externes, com el clima, l'hora o els punts d'interès propers. El segon mòdul és una propagació per grafs, que agrega informació de les estacions veïnes i captura la dependència espacial local. El tercer és una convolució temporal, que extreu patrons de curta durada en les sèries de demanda. El quart és el ja esmentat mecanisme d'atenció per agents, responsable de modelar les dependències globals. La combinació d'aquests quatre mòduls permet al model entendre tant el comportament local de cada estació com la dinàmica global de tota la xarxa.
L'atenció per agents mereix una atenció especial. Els tokens espacials i temporals no són nodes del graf, sinó paràmetres apresos durant l'entrenament. En la primera fase, cada agent espacial atén totes les estacions i condensa en un vector latent les regularitats més rellevants de la xarxa. Simultàniament, els agents temporals fan el mateix amb tots els passos de temps, identificant tendències, estacionalitats i anomalies. En la segona fase, la informació es transmet de tornada als nodes originals. Aquest anar i venir evita l'explosió combinatòria de comparar cada estació amb totes les altres en tots els instants, però conserva la riquesa expressiva d'un mecanisme d'atenció global.
Els experiments realitzats amb conjunts de dades reals, com els registres de Citi Bike a Nova York i Divvy a Chicago, mostren que STAGformer supera les alternatives existents en diferents horitzons de predicció, amb millores significatives en mètriques com l'RMSE i el MAE. Més enllà dels números, el rellevant és que la millora es manté quan l'horitzó s'allarga. Per a un operador, això significa poder planificar no només la pròxima hora, sinó tota la jornada amb més confiança.
Des d'una perspectiva de negoci, la precisió en la previsió de demanda té un impacte directe en la rendibilitat. Una flota mal distribuïda genera estacions buides o plenes, usuaris insatisfets i costos operatius innecessaris. Amb models com STAGformer, un operador pot optimitzar les rutes dels camions de redistribució, jerarquitzar les intervencions de manteniment i ajustar dinàmicament la capacitat de cada estació. Així mateix, la informació predictiva és una font valuosa per a la planificació urbana: permet als ajuntaments dimensionar infraestructures, ubicar noves estacions i dissenyar polítiques de mobilitat basades en l'evidència.
A Q2BSTUDIO, empresa de desenvolupament de programari i tecnologia, portem anys aplicant aquests principis en projectes reals. La nostra especialitat és el desenvolupament d'aplicacions a mida per al sector de la mobilitat i la logística, combinant l'enginyeria de programari amb la intel·ligència artificial. Treballem amb arquitectures cloud AWS/Azure per processar grans volums de dades en temps real, i utilitzem eines de BI/Power BI per transformar les prediccions en quadres de comandament accionables. La ciberseguretat és una altra capa essencial: els sistemes de mobilitat gestionen dades personals i crítiques, per això protegim cada integració amb protocols de seguretat avançats i auditories contínues.
El següent salt qualitatiu és l'automatització. Les prediccions generades per arquitectures com STAGformer no han de quedar-se en un informe. Poden alimentar agents d'IA que suggereixin o executin accions: reasignar una furgoneta a una zona amb alta demanda prevista, alliberar espais en certes estacions o activar alertes quan es prevegui una manca d'estocs. Aquests agents actuen com un equip d'operacions augmentat, alliberant les persones per a tasques de més valor estratègic. A Q2BSTUDIO dissenyem aquest tipus de solucions integrades, des del model predictiu fins a la interfície final que fa servir l'equip d'operacions.
En definitiva, la micromobilitat necessita models que estiguin a l'altura de la seva complexitat. STAGformer ofereix una via prometedora per superar les limitacions dels transformers clàssics en entorns de gran escala, i demostra que és possible combinar precisió, eficiència i aplicabilitat real. El següent pas no és només millorar les mètriques, sinó integrar aquestes capacitats en plataformes que facin més intel·ligent la ciutat i més sostenible el negoci del transport compartit. La tecnologia ja està preparada; ara correspon als equips d'enginyeria i als operadors convertir aquest potencial en decisions diàries.
