Nombre del Investigador: Francisco José Quiles Flor
Título del proyecto: ITEWAN, Diseño de un Sistema de Optimización del Tráfico Urbano mediante Aprendizaje Federado y Comunicación LoRaWAN para la gestión de grandes eventos en Albacete
Hipótesis de partida y Justificación:
Dos de las líneas de investigación actualmente activas en el grupo de investigación RAAP, que lidera el investigador solicitante, son: Aprendizaje Federado (AF) y redes LPWAN (Low Power Wide Area Network). LoRaWAN, estándar LPWAN ampliamente usado en IoT, permite comunicaciones de largo alcance con bajo consumo y se compone de dispositivos finales, gateways, servidor de red y servidor de aplicación. Este estándar ha sido optimizado por el grupo RAAP. Por su parte, el AF posibilita entrenar modelos sin centralizar datos, manteniéndolos en los dispositivos donde se generan (p. ej., servidores de aplicación LoRaWAN). El grupo RAAP trabaja en entornos AF sobre dispositivos de bajo coste para mejorar sostenibilidad y eficiencia energética.
Se parte de la hipótesis de que la integración del Aprendizaje Federado (AF) con redes LoRaWAN permitiría desarrollar un sistema inteligente de monitorización y gestión del tráfico urbano que sea eficiente en términos energéticos y sostenible. Esta combinación tecnológica ofrecería ventajas significativas: por un lado, LoRaWAN proporciona conectividad de largo alcance con bajo consumo, ideal para entornos IoT distribuidos; por otro, el AF posibilita el entrenamiento de modelos sin centralizar datos, preservando la privacidad y reduciendo la necesidad de transmisión masiva de información.
La justificación de esta propuesta radica en la creciente necesidad de soluciones inteligentes para la gestión del tráfico en ciudades medianas como Albacete, especialmente durante situaciones o eventos que implican cortes o modificaciones en la circulación. El uso de dispositivos de bajo coste y arquitecturas distribuidas contribuiría a la viabilidad económica y a la reducción del impacto ambiental, alineándose con los objetivos de sostenibilidad y eficiencia energética.
Resultados y Discusión:
El principal resultado de este proyecto es la propuesta de una arquitectura que integra sensores IoT, gateways LoRaWAN y un sistema de agregación federada que permite entrenar modelos de inteligencia artificial sin centralizar los datos. Los sensores, desplegados en puntos estratégicos, captan información sobre tráfico, ruido y calidad del aire; los gateways realizan preprocesamiento y entrenamiento local, y solo transmiten los parámetros aprendidos hacia el servidor de aplicación, donde se agregan de forma federada para construir un modelo global. Este diseño, apoyado en LoRaWAN y complementado con enlaces WAN (o incluso satelitales cuando sea necesario), sigue una lógica por capas (edge–fog–cloud) que reduce costes de comunicación y computación, mejora la privacidad al evitar el envío de datos en crudo y aporta resiliencia y flexibilidad ante cambios en la topología urbana.
Un aspecto importante ha sido el análisis del contexto urbano de Albacete, con el objetivo de determinar posibles ubicaciones de interés para desplegar los componentes de la arquitectura. Recordemos que la ciudad de Albacete es el principal nodo de comunicación en Castilla‐La Mancha, con una posición estratégica en varios corredores nacionales. Este hecho condiciona patrones de movilidad complejos. La ciudad se estructura en torno a un cinturón de autovías (A‐31, A‐30 y A‐32), dos rondas urbanas —una de ellas aún incompleta— y una tercera externa de alta capacidad, a lo que se suman grandes generadores de demanda, como los Polígonos Industriales de Campollano y Romica, polos comerciales periféricos (Imaginalia), y equipamientos clave como el Campus Universitario y el Hospital General. Los eventos de gran afluencia, como los que tienen lugar en el estadio de fútbol Carlos Belmonte o en especial la Feria de Albacete, alteran de forma notable la circulación al imponer restricciones temporales, lo que subraya la necesidad de herramientas de gestión dinámica, descentralizadas y respetuosas con la privacidad.
Se han explorado las posibles fuentes de datos que podrían ser de utilidad a la arquitectura propuesta. El sistema puede combinar mediciones obtenidas de los sensores IoT de la infraestructura existente (cámaras en semáforos, paneles informativos y estaciones meteorológicas municipales), enriqueciéndolas con recursos externos como APIs de tráfico y mapas (Google Maps, OpenStreetMap), observación terrestre (Copernicus), predicciones meteorológicas (AEMET) y series históricas (IGN, Google Earth Pro). Se contempla además el uso de indicadores de afluencia derivados de la red móvil (conteo de IMEIs) y reportes ciudadanos. Esta integración daría lugar a un conjunto de datos multimodal —imágenes, audio, texto, geolocalización y medidas numéricas— que permitirá un entendimiento más robusto del sistema de movilidad sin comprometer datos sensibles gracias al paradigma federado.
Para el aprendizaje federado se priorizarán modelos ligeros y entrenables en el borde (p. ej., árboles de decisión o regresión logística) cuando el hardware sea limitado, y se considerarán enfoques específicos de tráfico basado en grafos para la predicción de flujos, donde la red viaria se modela como un grafo y los nodos intercambian actualizaciones de parámetros. Asimismo, se evaluarán estrategias de gestión dinámica de semáforos con clientes federados en nodos de tráfico, combinando recuentos de vehículos, velocidad media, ocupación de carril e índices de congestión. En escenarios con mayor capacidad de cómputo, se explorará federated deep learning y enfoques multimodales que integren cámaras, sensores ambientales y fuentes externas, aprovechando la agregación de pesos para preservar la privacidad y reducir el ancho de banda requerido.
Conclusiones:
El proyecto ITEWAN ha demostrado la viabilidad conceptual de integrar IoT, redes LoRaWAN y aprendizaje federado para la gestión inteligente del tráfico urbano en escenarios dinámicos como los grandes eventos de Albacete. La arquitectura propuesta ofrece ventajas claras en eficiencia energética, privacidad y escalabilidad, frente a soluciones centralizadas tradicionales. Además, el análisis del contexto urbano y la identificación de fuentes de datos multimodales sientan las bases para futuros desarrollos experimentales y validaciones en entornos reales, consolidando una línea de investigación con alto potencial de transferencia tecnológica y aplicación en ciudades medianas.
Producción científica: (Poster, artículo, comunicación a jornadas o congresos).
La descripción detallada de la arquitectura propuesta y sus componentes, así como el análisis de las posibles fuentes de datos, protocolos de comunicación y posibles modelos de aprendizaje útiles se han recopilado en un artículo que será enviado a una conferencia de alcance nacional, estando su presentación y publicación prevista para junio de 2026:
Víctor Hidalgo, Alejandro Romero, Teresa Olivares, Carmen Carrión y M. Blanca Caminero. “Arquitectura basada en aprendizaje federado y comunicación LoRaWAN con componentes DtS-IoT para la optimización del tráfico urbano en Albacete” (título tentativo). Artículo en preparación que será enviado a las Jornadas SARTECO 2026 (Madrid, junio 2026).
Además, durante este proyecto se han enviado los siguientes trabajos, que están relacionados con la investigación de base necesaria para acometer la propuesta de arquitectura global, resultado principal del proyecto:
Víctor Hidalgo, Carmen Carrión y M. Blanca Caminero. “Semi-Asynchronous Federated Learning for Resource- Constrained IoT and Edge Systems: A Comprehensive Survey», enviado al IEEE Internet of Things Journal.
Alejandro Romero, Rodrigo Catalán, Teresa Olivares, M. Ángeles Amador.”VirtualIORS: an Educational Emulator of the ISS Amateur Radio System for Accessible Space Communication Learning”. Aceptado para el 5th Symposium on Space Educational Activities. Munich 2026.