Hispanopedia WikiEl modelado y análisis del tráfico urbano forma parte de las tecnologías avanzadas de gestión inteligente del tráfico, un sector crucial en la administración y el control del tráfico. Su objetivo principal es predecir los niveles de congestión de una red de transporte urbana específica y proponer mejoras en dicha red. Las investigaciones se basan en tres tipos de información: datos históricos y recientes sobre la densidad y el flujo de la red de tráfico, un modelo de la infraestructura de la red de transporte y algoritmos que consideran las dimensiones espaciales y temporales. El objetivo final es optimizar la infraestructura de tráfico, como los semáforos. Estas optimizaciones deberían traducirse en una reducción de los tiempos de viaje, la contaminación y el consumo de combustible.
Para supervisar y gestionar las infraestructuras de tráfico, las ciudades pueden contar con sistemas de transporte inteligentes (ITS), especialmente útiles en zonas densamente urbanizadas. Estos sistemas permiten analizar y gestionar mejor el impacto de factores externos en la red de transporte a corto plazo, considerando la fluctuación diaria de la densidad de la red. [ 1 ] Y a largo plazo, teniendo en cuenta los cambios derivados del aumento de la motorización, la urbanización, el crecimiento demográfico y las variaciones en la densidad de población. Por otro lado, los conductores pueden utilizar sistemas avanzados de información para viajeros (ATIS), que proporcionan datos procesados al usuario final para ayudarle a encontrar las mejores rutas.
Los investigadores trabajan en diferentes niveles para avanzar en el análisis del tráfico, recopilando datos de tráfico de diferentes fuentes, modelando flujos de tráfico y redes, y desarrollando algoritmos para predecir estados del tráfico a corto o largo plazo. [ 1 ] [ 2 ]
Fuente de datos
Las fuentes de datos para crear un modelo son una elección clave para el modelo y los algoritmos. Los datos se pueden recopilar mediante dispositivos de monitoreo de tráfico no integrados, como detectores de bucle. Estos dispositivos registran el número de vehículos que pasan en un intervalo, lo que permite determinar la ocupación. Otras fuentes están integradas en los vehículos y recopilan información sobre su posición u otro comportamiento durante todo el trayecto. Estos dispositivos pueden ser sensores inalámbricos como el Sistema de Posicionamiento Global (GPS), datos de vehículos flotantes (FCD) y teléfonos móviles. Estos datos se pueden recopilar en tiempo real. [ 1 ]
Modelos de flujo de tráfico
Clasificación del nivel de detalle
Dependiendo de la cantidad de detalles que proporcione un modelo, se puede clasificar en varias categorías. [ 3 ]
Modelos microscópicos
El comportamiento de los vehículos y los conductores se describe con gran detalle y de forma individual en el flujo de tráfico.
Modelos de seguimiento de automóviles
Basándose en el proceso de un vehículo siguiendo a otro, los modelos de seguimiento de automóviles aparecieron en los años sesenta, siendo uno de los primeros enfoques de modelado microscópico.
Modelos de distanciamiento seguro
Se utiliza para determinar la distancia de separación entre un vehículo y su predecesor. Uno de los modelos más simples en esta categoría es la regla de Pipe, cuyo supuesto básico es: "Una buena regla para seguir a otro vehículo a una distancia segura es permitirse al menos la longitud de un automóvil entre su vehículo y el vehículo que le precede por cada diez millas por hora (16 km/h) de velocidad a la que se viaja" [ 4 ]. Según el modelo de seguimiento de automóviles de Pipe, la distancia de separación mínima segura aumenta linealmente con la velocidad. Un modelo similar fue propuesto por Forbes et al. , [ 5 ]. El modelo de Forbes consideró el tiempo de reacción necesario para que el conductor del automóvil que sigue perciba la necesidad de acelerar o desacelerar. En comparación con las mediciones de campo, se observa una ligera diferencia en la distancia de separación mínima a bajas y altas velocidades.
Modelos de seguimiento de vehículos basados en estímulos y respuestas
Los conductores intentan adaptarse al comportamiento del vehículo que les precede; este proceso se basa en el siguiente principio :
respuesta = sensibilidad × estímulo
Por lo general, la respuesta corresponde a la aceleración o frenado del vehículo que le sigue, con un retardo de tiempo de reacción. La sensibilidad del conductor se ha descrito en numerosos trabajos, incluidos los de Chandler et al. (1958), [ 6 ] Gazis et al. (1961) [ 7 ] y Leutzbach (1988). [ 8 ]
Modelos de espacio psicológico
Los modelos de seguimiento de vehículos presuponen que el conductor reacciona a pequeños cambios en la velocidad del vehículo precedente, incluso cuando las distancias entre vehículos son muy grandes o pequeñas. Para abordar este problema, se han utilizado conocimientos de psicología de la percepción para demostrar cómo los conductores están sujetos a limitaciones en la percepción de los estímulos a los que están expuestos. [ 9 ]
Las reglas de comportamiento básicas de dichos modelos son :
- A grandes distancias, el siguiente conductor no se ve afectado por las diferencias de velocidad.
- A distancias reducidas, algunas combinaciones de velocidades relativas y diferencias de distancia entre vehículos no producen una respuesta del conductor que le sigue, porque el movimiento relativo es demasiado pequeño.
La capacidad de los modelos de psicoespaciamiento para describir el comportamiento transitorio del flujo de tráfico, como la caída de capacidad y la estabilidad de los atascos amplios (atascos en los que la velocidad del tráfico es cercana a cero y que se propagan aguas arriba con una velocidad casi constante) ha sido abordada por Krauss et al. (1999).
Modelos de simulación microscópica
En la actualidad, la disponibilidad de ordenadores personales rápidos ha propiciado el desarrollo de un gran número de modelos de simulación microscópica , generalmente basados en el paradigma de modelado de espacio psicológico.
Modelos de autómatas celulares
Recientemente introducido en el ámbito de la teoría del flujo de tráfico microscópico, el autómata celular describe el sistema de tráfico como una red de celdas de igual tamaño (típicamente 7,5 m). Un modelo CA describe la forma en que un vehículo se mueve de celda en celda. [ 10 ] [ 11 ]
Modelos de partículas
Si bien estos modelos distinguen y describen los vehículos individualmente, su comportamiento se describe mediante ecuaciones de movimiento agregadas, como en un modelo macroscópico de flujo de tráfico.
modelos submicroscópicos
Al igual que los modelos microscópicos, describen el comportamiento de los vehículos y los conductores, pero los modelos submicroscópicos van aún más allá al describir el comportamiento de control del vehículo y el funcionamiento de partes específicas del mismo.
Modelos mesoscópicos
Un modelo mesoscópico no distingue ni rastrea vehículos individuales, sino que expresa la probabilidad de que un vehículo determinado se encuentre en una posición, momento y velocidad determinados.
El tráfico se representa con un alto nivel de agregación, por lo que no se distinguen los vehículos individualmente.
Escala de aplicación
La escala de aplicación viene determinada por el tamaño del área sobre la que se aplica el modelo, desde un tramo de carretera hasta una ciudad entera o incluso un área mayor.
Algoritmos de predicción de tráfico
Al disponer de modelos de datos de redes de tráfico que recopilan diversas características según su naturaleza, existen muchos enfoques y algoritmos para aprovecharlos en casos prácticos.
Algoritmos de pronóstico
Históricamente, se creía que los métodos utilizados para determinar los estados y la densidad del tráfico proporcionaban un resultado de pronóstico puntual. Estos métodos solo utilizan mediciones pasadas de situaciones idénticas, por lo que pueden predecir la densidad en una ubicación específica. Los siguientes métodos y algoritmos utilizan este enfoque simple basado en datos pasados, pero se distinguen por diferentes criterios. Para empezar, los métodos estadísticos se basan en la autorregresión y los métodos de media móvil . Se implementan en algoritmos como ARMA , ARIMA (ARMA integrado) o SARIMA (ARIMA estacional). También existen otros métodos estadísticos basados en regresión no paramétrica y sus variantes. El aprendizaje automático para pronosticar modelos de tráfico se utiliza mediante diversos algoritmos, como la regresión vectorial (SVR), la red neuronal con retardo temporal (TDNN) o la red bayesiana . [ 1 ]
Metodologías más recientes que tienen en cuenta la estructura relacional de los datos, pronostican la densidad del tráfico en el tiempo basándose en datos vinculados de múltiples posiciones espaciales en diferentes momentos en el tiempo, incluso datos futuros ya predichos. Los estudios que utilizan estructuras relacionales de datos han utilizado principalmente modelos STARIMA (ARIMA espacio-temporal), filtros de Kalman y el modelo de series temporales estructurales. El uso de un marco de aprendizaje relacional estadístico (SRL) es muy efectivo para mejorar la precisión predictiva de datos estructurados relacionales. El aprendizaje relacional estadístico se adapta muy bien a este campo de investigación por su capacidad de describir dependencias y relaciones e incluir conocimiento de fondo en el modelo, como en una red de transporte . Los modelos generados con un método de aprendizaje relacional estadístico pueden representar un amplio conjunto de ubicaciones gracias a su capacidad de realizar agrupaciones y regresiones concurrentes en sus múltiples fuentes y niveles de información. Esto hace posible que dicho modelo prediga las condiciones del tráfico fuera de una red en un solo proceso de inferencia .
Especificaciones de las características del tráfico del modelo
Los algoritmos de procesamiento múltiple existentes utilizan diferentes metodologías, enfoques y características probadas. Algunos de ellos ya se habían observado anteriormente. Los algoritmos pueden diferir según los datos en los que se basa su modelo o la forma en que estructuran y vinculan estos datos. Así, los modelos, a menudo en función de cómo gestionan los datos, pueden centrarse en volúmenes de tráfico, velocidad de viaje, ocupación, capacidad de las carreteras, etc. Para ello, los modelos suelen abarcar desde ARIMA hasta modelos lineales generalizados dinámicos ( GLM dinámicos ) y redes neuronales . [ 12 ]
Para generar datos útiles para los sistemas de transporte inteligentes (ITS), los algoritmos, que suelen estar estrechamente vinculados a la estructura y las capacidades de su modelo, utilizan diversas especificaciones que tienen en cuenta dichas capacidades. Los algoritmos a menudo buscan predecir datos a largo o corto plazo. Para ello, sus especificaciones abarcan desde el filtrado de Kalman , el filtrado exponencial, los métodos estadísticos no paramétricos , los análisis espectrales y de espectro cruzado, el aprendizaje secuencial y la teoría de catástrofes de cúspide . [ 13 ]
Véase también
Bibliografía
- 1 2 3 4 Lippi, Marco; Bertini, Mateo; Frasconi, Paolo (20 de septiembre de 2010). "Previsión de tráfico colectivo". En Balcázar, José Luis; Bonchi, Francisco; Gionis, Arístides; Sebag, Michèle (eds.). Aprendizaje automático y descubrimiento de conocimiento en bases de datos . Apuntes de conferencias sobre informática. vol. 6322. Springer Berlín Heidelberg. págs. 259–273 . doi : 10.1007/978-3-642-15883-4_17 . ISBN 978-3-642-15882-7.
- ↑ Su, Haowei; Yu, Shu (22 de noviembre de 2007). "Modelo híbrido de máquina de vectores de soporte en línea basado en GA para la predicción del flujo de tráfico a corto plazo". En Xu, Ming; Zhan, Yinwei; Cao, Jiannong; Liu, Yijun (eds.). Tecnologías avanzadas de procesamiento paralelo . Lecture Notes in Computer Science. Vol. 4847. Springer Berlin Heidelberg. pp. 743–752 . doi : 10.1007/978-3-540-76837-1_80 . ISBN 978-3-540-76836-4.
- ↑ Hoogendoorn, SP; Bovy, PHL (1 de junio de 2001). "Estado del arte del modelado del flujo de tráfico vehicular". Actas de la Institución de Ingenieros Mecánicos, Parte I: Revista de Ingeniería de Sistemas y Control . 215 (4): 283– 303. doi : 10.1177/095965180121500402 . ISSN 0959-6518 . S2CID 37179972 .
- ↑ Pipes, Louis A. (1953-03-01). "An Operational Analysis of Traffic Dynamics". Journal of Applied Physics . 24 (3): 274– 281. Bibcode : 1953JAP....24..274P . doi : 10.1063/1.1721265 . ISSN 0021-8979 .
- ↑ Forbes, TW; Zagorski, HJ; Holshouser, EL; Deterline, WA (1958-01-01). "Medición de las reacciones de los conductores a las condiciones del túnel" . Highway Research Board Proceedings . 37 .
- ↑ Chandler, Robert E.; Herman, Robert; Montroll, Elliott W. (1958). "Dinámica del tráfico: estudios sobre el seguimiento de vehículos". Operations Research . 6 (2): 165– 184. doi : 10.1287/opre.6.2.165 . JSTOR 167610 .
- ↑ Gazis, Denos C.; Herman, Robert; Rothery, Richard W. (agosto de 1961). "Modelos no lineales de seguimiento del líder para el flujo de tráfico". Operations Research . 9 (4): 545– 567. doi : 10.1287/opre.9.4.545 .
- ↑ Leutzbach, Wilhelm (1988). Introducción a la teoría del flujo de tráfico . Springer. ISBN 9783642648052.
- ↑ Hammadi, Slim; Ksouri, Mekki (4 de marzo de 2013). Ingeniería avanzada de movilidad y transporte . John Wiley & Sons. ISBN 9781118614198.
- ↑ Nagel, Kai (1996). "Modelos de salto de partículas y teoría del flujo de tráfico". Physical Review E . 53 (5): 4655– 4672. arXiv : cond-mat/9509075 . Bibcode : 1996PhRvE..53.4655N . doi : 10.1103/physreve.53.4655 . PMID 9964794 . S2CID 20466753 .
- ↑ Nagel, K. (1997-11-30). "De los modelos de salto de partículas a la teoría del flujo de tráfico: documentación internacional de investigación del transporte - TRID" . Transportation Research Record (1644) . Recuperado el 2015-12-08 .
- ↑ Ledoux, Corinne (1997-10-01). "Un modelo de flujo de tráfico urbano que integra redes neuronales". Transportation Research Part C: Emerging Technologies . 5 (5): 287– 300. Bibcode : 1997TRPC....5..287L . doi : 10.1016/S0968-090X(97)00015-6 .
- ↑ Stathopoulos, Anthony; Karlaftis, Matthew G. (1 de abril de 2003). "Un enfoque de espacio de estados multivariado para el modelado y la predicción del flujo de tráfico urbano". Transportation Research Part C: Emerging Technologies . 11 (2): 121– 135. Bibcode : 2003TRPC...11..121S . doi : 10.1016/S0968-090X(03)00004-4 .
- Simulación de tráfico