Un modelo heurstico nuevo para el

anlisis del flujo vehicular

Por


Juan Manuel Gonzlez Calleros



Tesis sometida como requisito parcial para obtener el grado de
Maestro en Ciencias en la especialidad de Ciencias
Computacionales en el Instituto Nacional de Astrofsica, ptica y
Electrnica.


Supervisada por:

Dr. Gustavo Rodrguez Gmez

INAOE


Tonantzintla, Pue.
Agosto 2003

1
2
3
4
5 Resumen



Las sociedades actuales se caracterizan por un elevado trfico vehicular, dando
origen a congestionamientos que causan su lento avance o la detencin de estos.
Los problemas de trfico de autos pueden ser ocasionados cuando mucha gente
quiere llegar al mismo lugar al mismo tiempo, suscitando una alta densidad de
autos en las horas pico. Aunado a lo anterior, se puede presentar limitaciones en
los carriles de circulacin que no permiten un flujo adecuado de los autos. El
modo particular de conducir podra tambin influir en este tipo de
congestionamientos. En forma sarcstica, los investigadores del fenmeno
coinciden en decir: hay demasiada gente y muy pocas carreteras. El objetivo
principal de la presente tesis es presentar un modelo de trfico para analizar
diferentes condiciones de circulacin a travs de la simulacin digital. La
formulacin del modelo considera restricciones, para acotarlo, en los siguientes
parmetros: tipificacin del flujo de trfico, velocidad, condiciones deseables de
trfico, homogeneidad en autos y calles. Adems, hay dos objetivos secundarios
dentro de la tesis. El primero es, la presentacin de un mtodo nuevo para el
desarrollo de modelos, que en especial se adapta a los modelos de trfico. El
segundo, es usar la simulacin del modelo para lograr una sincronizacin de
semforos que permitan la mejora del flujo vehicular. El modelo es validado con
parmetros asociados a calles de la ciudad de Puebla. A travs de las simulaciones
se probaron diferentes estrategias que permiten determinar una adecuada
sincronizacin de semforos para mejorar el flujo vehicular.








6
7
8
9
10 Abstract



Nowadays the societies around the world are characterized by the high levels
in their vehicular traffic, that origin traffic jams which are the cause of the low
movement or the detention of the cars. The vehicular traffic problems could be
caused when many people want to arrive at the same place at the same time,
which causes high car densities during the peak hour. Even worse, few lines on
the road do not allow the correct flow for the cars. The driver behavior could be
cause of the traffic jams. In a sarcastic form, the specialist of the phenomenon
said: there are so many people and just to few roads. The main objective for the
present thesis is to present a traffic model to analyze different traffic conditions
using digital simulation. The model formulation considers restrictions, in the
following parameters: different flow types, speed, desirable traffic conditions,
homogeneity in cars and streets. Besides, there are two secondary objectives of
this thesis. The first one, is to present a new method to formulate models, the
interest is the traffic models. The second one is using the simulation of the model
to synchronize the traffic lights and improve the traffic flow. The model is
validated with parameters associated with the streets of Puebla City in Mexico.
Using the simulation different strategies were probed to determine the adequate
synchronization for the traffic lights and improved the traffic flow.
















Gracias Dios mo
porque he aprendido
a reconocer mi condicin de ser humano,
gracias a ti nac, gracias a ti crec
y vivo todo intensamente.









Como un eterno y humilde testimonio
de gratitud por su apoyo y amor
a mis queridos padres:
Rodolfo Gonzlez Montealegre
Blanca Calleros Sosa




















El vnculo que une
a tu autntica familia
no es de sangre, sino
de respeto y de goce mutuo.



A mis hermanos:
Vernica
Rodolfo
Claudia













En agradecimiento
a Josefina Guerrero Garca
por su afn de brindarme
su apoyo en todo momento
y cuya sola presencia
me alent a llegar a
la meta fijada.















Para quienes no limitaron mis pensamientos
sino que los encausaron libremente
lo que me permite estudiar mi pasado
y corregir mi futuro.


A mis maestros.












Mi sincera amistad
a mis amigos y compaeros.





























De manera especial a mi asesor, por su apoyo,
asesoria y consejos para cumplir
mi objetivo:

Gustavo Rodrguez Gmez











Un especial agradecimiento a quien formo
parte importante para el desarrollo del
modelo presentado en esta tesis


Jorge Martnez Carballido























En agradecimiento
al Consejo Nacional de Ciencia y Tecnologa
por el apoyo brindado a lo largo
de la maestra .















En agradecimiento al
Instituto Nacional de Astrofsica Optica y Electronica
por la infraestructura prestada para
tener una educacin de calidad.







PREFACIO

1
CAPTULO 1. Introduccin

1.1 Modelado de trfico macroscpico
1.1.1 Caractersticas de la cinematica
1.1.2 Modelos Macroscpicos de Greenshields y Greenberg

1.2 Modelo de trfico mesoscpico
1.2.1 Modelos de distribucin en un Headway
1.2.2 Modelo continuo de cinemtica de gases de Prigogine
y Herman
1.2.3 Modelo mejorado basado en la cinemtica de gases
1.2.4 Modelado de multiclases de cinemtica de gases para
flujo de trfico
1.2.5 Ecuacin de multicarriles para cinemtica de gases
1.2.6 Modelos genricos de cinemtica de gases y modelo
de multiclase y multicarril basado en un pelotn

1.3 Modelo de trfico microscpico
1.3.1 Modelos de seguimiento de autos con respuesta a
estmulos (Stimulus - response)
1.3.2 Modelos de Psicoespacio

1.4 Modelo de trfico submicroscpico

1.5 Modelos con autmatas celulares

1.6 Teora de colas

1.7 Control de semforos

1.8 Control inteligente de semforos

1.9 La problemtica



3

3
4
8

13
13
14

16
16

17
18


19
21

21

26

26

27

29

34

37


CAPTULO 2. Modelado y Simulacin del Flujo de Trfico

2.1 Modelos fsicos o a escala

2.2 Modelo de concepcin mental

2.3 Modelos matemticos

2.4 Modelos computacionales

2.5 Modelos hbridos

2.6 Modelado de flujo de trfico

41

41

45

47

50

52

52



2.7 Proceso de construccin de modelos
2.7.1 Interesados
2.7.2 Propsito
2.7.3 Nivel de abstraccin
2.7.4 Modelo
2.7.5 Simulacin

2.8 Proceso para la generacin de un modelo de trfico macroscpico
2.8.1 Interesados del modelo macroscpico
2.8.2 Propsito del modelo macroscpico
2.8.3 Nivel de abstraccin del modelo macroscpico
2.8.4 Modelo macroscpico
2.8.5 Simulacin del modelo macroscpico

2.9 Proceso para la generacin de un modelo de trfico mesoscpico
2.9.1 Interesados del modelo mesoscpico
2.9.2 Propsito del modelo mesoscpico
2.9.3 Nivel de abstraccin del modelo mesoscpico
2.9.4 Modelo mesoscpico
2.9.5 Simulacin del modelo mesoscpico



56
56
56
57
57
57

59
59
59
60
60
61

61
61
62
62
62
63
CAPTULO 3. Desarrollo

3.1 Elementos caractersticos

3.2 Formulacin del Modelo
3.2.1 Interesados
3.2.2 Propsito
3.2.3 Nivel de abstraccin
3.2.4 Modelo Sin tiempo de retraso
3.2.5 Simulacin

3.3 Modelo con tiempo de retraso
3.3.1 Manejo de las colas para los estados intermedios de
los cruces
3.3.2 Tiempo de llegada al siguiente cruce

3.4 Modelo con retraso y control de semforos



64

65

68
68
69
69
69
72

73
76

78

81

CAPTULO 4. Resultados

4.1 Validacin del modelo

4.2 Resultados del modelo sin retraso

4.3 Resultados del modelo con retraso y manejo de semforos


84

84

86

87



Conclusiones
Trabajo Fututo


96
97
Apndice A


99
Apndice B


104
Indice de Figuras


110
ndice de Tablas


111
Bibliografa 112





- 1 -
Prefacio


Las sociedades actuales se caracterizan por un elevado trfico vehicular que dan
origen a congestionamientos, esto provoca que los autos tengan un lento avance o se
detengan. Los problemas de trfico de autos pueden ser ocasionados cuando mucha
gente quiere llegar al mismo lugar al mismo tiempo, suscitando una alta densidad de
autos en las horas pico. Aunado a lo anterior, se pueden presentar limitaciones en los
carriles de circulacin que no permiten un flujo adecuado de los autos. El modo
particular de conducir podra tambin influir en este tipo de congestionamientos. En
forma sarcstica, los investigadores del fenmeno coinciden en decir: hay demasiada
gente y muy pocas carreteras.

Muchos han sido los avances que se tienen hasta el momento para el estudio del
flujo de trfico, modelos que han sido creados y mejorados desde mediados del siglo
XX con la finalidad de representar el comportamiento de los autos en las calles. Los
desarrollos que se han realizado a travs de los aos involucran diferentes factores
para la formulacin de los modelos, simplificaciones que se hacen para estudiar las
caractersticas que les han interesado a los investigadores. La investigacin
comprende una amplia gama que va desde la descripcin de la distancia segura que
debe existir entre dos autos, hasta el modelado detallado de los autos.

El objetivo principal del presente trabajo es presentar un modelo de trfico para
analizar diferentes condiciones de circulacin a travs de la simulacin digital. La
formulacin del modelo considera restricciones, para acotarlo, en los siguientes
parmetros: tipificacin del flujo de trfico, velocidad, condiciones deseables de
trfico, homogeneidad en autos y calles. Adems, un objetivo secundario es usar la
simulacin del modelo para lograr una sincronizacin de semforos que permita la
mejora del flujo vehicular. El modelo es validado con parmetros asociados a calles



- 2 -
de la ciudad de Puebla. A travs de las simulaciones se probaron diferentes
estrategias que permiten determinar una adecuada sincronizacin de semforos para
mejorar el flujo vehicular.

Los objetivos secundarios son:

Un mtodo para la elaboracin de modelos, en especial cubre los
requerimientos del modelado de flujo de trfico.
Establecer los ciclos de los semforos para la mejora del flujo vehicular.

El presente trabajo est desarrollado de la siguiente forma:

El captulo 1 presenta una descripcin de modelos representativos de trfico
vehicular creados hasta el momento y el manejo de semforos para
establecer los ciclos de los mismos.
El captulo 2 presenta la teora de modelado y simulacin, analizando la
interseccin que hay de sta con el flujo de trfico; adems, se propone un
mtodo para formular modelos, en especial los de trfico.
El captulo 3 presenta el desarrollo del modelo propuesto, los algoritmos
utilizados y las mejoras propuestas al primer modelo que se gener.
El captulo 4 presenta los resultados encontrados y la interpretacin de los
mismos que representan los objetivos para lo que se desarroll este trabajo.
El captulo 5 presenta las conclusiones del trabajo realizado y las pautas
para un trabajo futuro.
Por ltimo se encuentran los apndices que contienen:
o Apndice A. Contiene el cdigo de los programas usados para hacer la
tesis.
o Apndice B. Contiene la muestra realizada para validar el modelo.




- 3 -
Captulo 1

Introduccin


El crecimiento del uso de vehculos es un problema hoy en da por diferentes
causas. Algunas de estas son: la falta de capacidad de las calles para que los autos
circulen rpido, ineficacia de los semforos para adaptarse a los cambios que ocurren
en el trfico durante el da, en lo que concierne a la cantidad de carros que hay en las
calles. Esto trajo como consecuencia mi inters por crear un modelo de flujo de
trfico que ayude a mejorar el trnsito de las calles en la ciudad de Puebla.

El flujo de trfico ha sido motivo de estudio desde los aos 50s del siglo pasado y
no es un problema privativo de esta entidad. Muchos han sido los desarrollos
efectuados hasta el momento alrededor de todo el mundo, dentro de grandes empresas
gubernamentales y privadas, se encargan de este estudio en los pases de primer
mundo.

Tambin, los centros de investigacin se han dedicado a crear simuladores que
involucran el modelado del flujo vehicular. La industria automotriz es una de las ms
interesadas en esta investigacin, se encuentran desarrollando mapas que sirvan para
indicar al conductor cul es la trayectoria ms expedita para llegar a su destino. Para
lograr esto es necesario contar con un modelo que permita calcular el tiempo de
llegada del auto tomando en cuenta las condiciones de trfico existentes al momento
de la consulta. Estos ejemplos ayudan a entender la diversidad de intereses que hay
para crear simuladores de este tipo.




- 4 -
La consecuencia que se tiene de lo anterior, ha generado diversas formas para
crear modelos, estas dependen del enfoque y los objetivos que se buscan alcanzar. Es
por eso que se han creado tres grandes categoras para los modelos conocidas como:
macroscpica, mesoscpica y microscpica, sus modelos ms destacados son
descritos en esta seccin.

Mencin aparte merecen los nuevos desarrollos hechos usando equipos de
cmputo sofisticados que han permitido incrementar el nivel de detalle de los
modelos, creando la nueva categora llamada modelos submicroscpicos. Aqu se
ocupan teoras como los autmatas celulares que han contribuido a la creacin de
simuladores bastante completos y con gran cantidad de caractersticas del flujo
vehicular involucradas, es posible determinar si conviene o no poner un puente dentro
de una red de carreteras. La simulacin de estos modelos requiere del uso de
supercomputadoras por lo que es complicado trabajar con modelos que involucren
mucho detalle [Howard].


1.1 Modelado de trfico macroscpico

Un modelo macroscpico asume que el comportamiento de los conductores
depende de las condiciones del trfico. Las variables independientes de estos modelos
son la posicin x y el tiempo t. Lo que se describe es la densidad, velocidad y el flujo.


1.1.1 Caractersticas de la cinemtica

La capacidad de aceleracin de un vehculo es muy importante dentro de muchas
operaciones de trfico, una de las caractersticas importantes es determinar cmo
afecta la velocidad y la posicin del auto [Garber et Hoel].



- 5 -
De acuerdo a la cinemtica se sabe que hay una relacin entre la aceleracin,
velocidad, distancia y el tiempo. Si se considera la aceleracin como una funcin de
la velocidad se tiene:


u
u
t
t
dt
d
,

donde y son constantes y u representa la velocidad del vehculo.

El mximo de aceleracin que se puede presentar es . El trmino u debe ser una
unidad de aceleracin ya que es una medida de aceleracin. Debido a que u
representa velocidad, tiene unidades del inverso del tiempo t
-1
.
Si se integra la ecuacin diferencial se tiene

t t
t
e u e u

+
0
) 1 ( ,
donde u
0
es la velocidad al tiempo t = 0.

Ya que u es dx/dt, la distancia x(t) recorrida en cualquier momento t se obtiene
integrando la ecuacin anterior,
dt e u e dt u x
t
t t
t
t


+
0
0
0
) 1 (

,

) 1 ( ) 1 (
0
2
t t
e
u
e t x

,
_

.

Hay otros factores a tomar en cuenta para estos clculos pero para fines prcticos
del modelo no se tomarn en cuenta, como son: resistencia del aire, grado de
resistencia, resistencia al rodamiento, resistencia en las curvas, requerimientos para la
potencia, distancia de frenado [Garber et Hoel]. Las caractersticas del camino como



- 6 -
? ?
max

V
max

son los sealamientos y las reacciones de conductores a stas se descartan como parte
del modelo.

Dado que la velocidad v debe ser una funcin estrictamente montona decreciente
de la densidad ?. La implicacin es que hay menos autos en un tramo dado, si los
carros estn viajando rpido, las observaciones de trfico confirman este hecho
[Fowkes et Mahony]. En una avenida vaca, los conductores viajan a una velocidad
promedio que es la velocidad mxima permitida, esto es:

v V
max
cuando ? 0

Cuando los autos viajan separados por una distancia corta, los conductores deben
conducir a baja velocidad, esto es:

v 0 cuando ? ?
max
, ?
max
es el mximo valor de la densidad.

En la Figura 1 se observa la relacin v(p).







Figura 1. Relacin entre la velocidad y la densidad
1





1
[Haberman] pgina 284




- 7 -
La relacin flujo-densidad, est dada por:

q = q (?) = v (?) ?.

Que puede inferirse de la relacin fundamental de flujo y densidad,

q= ?v, (1)

[Haberman] y la relacin tendr la forma mostrada en la grfica. En el caso lineal de
V(?) esto da:

q(?)=Vmax ? [1-( ? / ? max)].

Es posible determinar experimentalmente la relacin del flujo y la densidad
usando fotografa area para determinar la densidad del trfico y colocando sensores
para grabar los niveles del flujo. Sin embargo, hay evidencia de esta relacin que
proviene directamente de la relacin de V(?) [Haberman]

q 0 cuando ? ?
max
? 0,

la explicacin fsica para esto es clara: en condiciones de densidad baja, los autos
viajan a alta velocidad, hay pocos carros [Fowkes et Mahony]. Bajo condiciones de
trfico pesado, dado que hay muchos autos en el camino, estos autos viajan despacio,
as que los flujos sern nuevamente bajos.

Hay un nivel donde el flujo es mximo q
max
y es cuando ? es ?*, ver Figura 2.
Los niveles de flujo arriba de q
max
no son alcanzables. Adems, q
max
puede depender
del ancho del camino, la luz, las condiciones del clima.







- 8 -







Figura 2. Relacin entre la densidad y el flujo de trfico
2



1.1.2 Modelos Macroscpicos de Greenshields y Greenberg

Con los elementos del modelo macroscpico de trfico es posible determinar la
densidad y velocidad que se presentan en el punto del flujo mximo. Una vez
obtenidos estos valores y usando la ecuacin (1) es posible encontrar flujo mximo.
Partimos de la suposicin de que existe una relacin lineal entre la velocidad y la
densidad, dada por la ecuacin

j
f
f s
u
u u
, (2)

donde,


j
densidad mxima,
us la velocidad promedio,
u
f
la velocidad mxima,
la densidad.


2
[Haberman] pgina 290

? ?* ?
max

q
max




- 9 -
De la relacin fundamental entre el flujo q, la velocidad v
s
y la densidad , es claro
que despus de unas manipulaciones algebraicas se encuentran las siguientes
relaciones:


q
u
u u u
j
f
s f s

2
, (3)

j
f
f
u
u q

2

. (4)

Diferenciando la ecuacin (4) con respecto a , se obtiene


j
f
f
u
u
d
dq

2
.

El flujo mximo se presenta cuando dq/d = 0, esto es


2
0
j

. (5)
Se puede observar que la densidad inicial es la mitad de la densidad mxima en el
flujo mximo. Diferenciando la ecuacin (3) respecto de u
s
se encuentra

f
j
f j
s
u
u
du
dq

2
.

El mximo flujo se presenta cuando dq/du
s
= 0, es decir

2
0
f
u
u
. (6)



- 10 -
En el flujo mximo la velocidad inicial es la mitad de la velocidad mxima.
Con las tres ecuaciones que se han encontrado;
q = u
s ,
2
0
f
u
u
y

2
0
j

,
se obtiene el flujo mximo:


4
max
f j
u
q

. (7)

Greenberg propone el siguiente modelo basado en la analoga con los fluidos.

j
s
c u ln
(8)

j
c q ln
(9)

diferenciando esta ecuacin con respecto a se obtiene:

1
]
1

1 ln

j
c
d
dq
,
el flujo mximo se presenta en dq/d = 0, substituyendo en (8) se obtiene

c u
s
.

Luego el flujo mximo tiene velocidad c.






- 11 -
Las condiciones bajo las cuales los modelos funcionan son:

a) Greenshields satisface que la densidad tienda a cero y a la densidad
mxima, las condiciones de densidad libre y saturada.
b) Greenberg satisface slo que la densidad tienda a la densidad mxima,
condicin de densidad saturada.

Con estos modelos se pueden determinar la velocidad y la densidad del trfico
cuando ocurre el flujo mximo. Es necesario recolectar los datos apropiados para
obtener estos valores [Garber et Hoel]. Una vez recolectada la informacin es posible
usar la regresin lineal para probar el conjunto de datos, estos pueden ser
recolectados durante un experimento en algn cruce para medir las variables, y
encontrar los valores de la velocidad, densidad y flujo. Debido a que la variable
dependiente q est relacionada linealmente con las variables independientes u y ,
que es parte de la suposiciones del modelo tradicional planteado hasta ahora.

A continuacin aplicaremos los modelos de Greenshields y Greenberg a un
conjunto de datos recolectados en el cruce de la Avenida Jurez con la calle 29 sur.
Esta muestra de datos midi la densidad de algunas calles, el flujo y la velocidad de
paso de los coches.

Con el mtodo de mnimos cuadrados de las diferencias entre la muestra obtenida
y los datos esperados se hace un anlisis de regresin lineal. Para lograr determinar la
densidad de los autos se recurre a la ecuacin = q/u. La muestra arroj un flujo de
12 autos por ciclo de semforo, dado que el ciclo en verde dura 40 segs., entonces el
flujo es de 0.33 carros por segundo. Tomando las velocidades de los autos en
diferentes momentos, a distancias dismiles, se determina la densidad, nmero autos
por unidad de distancia. En la Tabla 1 se muestran los datos recolectados.




- 12 -
Velocidades
(yi)
Densidades
(xi Greenshield)
Ln Densidad
(xi Greenberg)
5.61 5.34 1.67
6.31 4.75 1.56
5.13 5.84 1.76
6.09 4.92 1.59
4.9 6.03 1.80
7.30 4.10 1.41
8.47 3.54 1.26
7.53 3.98 1.38
6.61 4.53 1.51
8.47 3.54 1.26
11.43 2.62 0.96
9.61 3.12 1.14
11.22 2.67 0.98
8.15 3.68 1.30
10.13 2.96 1.08

Tabla 1. Muestra de velocidades y densidades en la Avenida Jurez

Los valores de la evaluacin de los modelos usando la informacin de la Tabla 1
son:

Modelo de Greenshields Modelo de Greenberg
R = 0.9447
velocidad = 7.7188
densidad = 4.1502
flujo mximo = 32.0348

R = 0.9863
velocidad = 7.7381
densidad mxima = 10.8590
densidad = 3.9948
flujo mximo = 30.9120




- 13 -
El valor de R indica la aceptabilidad de la muestra. El modelo Greenberg tiene la
mejor R ya que es la que ms se aproxima a 1. La velocidad que proponen los
modelos es casi la misma. La densidad ideal que proponen es diferente, aunque esta
diferencia no es muy grande, se puede observar que la del modelo Greenberg es
menor. As, el modelo Greenberg presenta mejor aceptabilidad, mejor densidad,
mayor velocidad y presenta mayor informacin, el valor de la densidad mxima.


1.2 Modelo de trfico mesoscpico

Las reglas de comportamiento son descritas bajo un nivel individual ya que estn
basadas en el modelo de cinemtica de gases, describe la distribucin de la velocidad
en posiciones e instantes especficos. Un modelo de trfico mesoscpico no describe
el comportamiento de conductores y vehculos de forma individual.

La dinmica de estos movimientos depende de varios procesos, aceleracin,
interaccin entre vehculos, cambio de carril, describiendo el comportamiento
individual de los conductores.


1.2.1 Modelos de distribucin en un Headway

El tiempo en un Headway se define por el tiempo que hay de diferencia entre el
paso de dos autos que se van siguiendo. Los modelos de distribucin son
considerados mesoscpicos porque describen la distribucin de los headways para
vehculos individuales, mientras que no hay una consideracin explcita ni tampoco
un trazo separado de cada vehculo. Los modelos de distribucin de headways han
sido criticados por negar el rol que juega la dinmica del trfico. Adems, se asume
una homogeneidad en los autos [Hoogendoorn et Bovy].




- 14 -
Los modelos de grupos estn basados por el rol que juega el agrupamiento de
autos, un grupo est formado por autos que poseen la misma caracterstica. Los
modelos de grupos usan variables como velocidad y tamao de los grupos, el cual
puede crecer o decrecer en forma dinmica.


1.2.2 Modelo continuo de cinemtica de gases de Prigogine y
Herman

Los modelos de cinemtica de gases describen la dinmica de la densidad fase-
espacio reducida (phase-space density PSD), P(x,v,t ). En el instante t el nmero
esperado de vehculos dentro de una regin [x, x+dx] conduciendo a una velocidad [v,
v+dv ].

Prigogine y Herman asumen que cambios dinmicos en la densidad fase-espacio-
reducida son provocados por los siguientes procesos:

Conveccin (transmisin de calor de un cuerpo a otro). Los vehculos con
velocidad v fluyen dentro o fuera del segmento de carretera [x, x+dx].
Aceleracin hacia la velocidad deseada. Los autos que no viajen a la
velocidad ideal tienden a acelerar.
Desaceleracin provocada por la interaccin entre conductores. Un vehculo
que interacta con un vehculo lento debe reducir su velocidad si no es posible
rebasar.

Su trabajo gener la siguiente ecuacin diferencial parcial [Prigogine et Herman]


int

,
_

+
,
_

t
p
t
p
x
p
v
t
p
acc
,



- 15 -
la parcial con subndice acc representa los cambios hechos al acelerar hacia la
velocidad deseada y la parcial con subndice int representa los cambios generados por
la interaccin entre vehculos.

La propuesta de Prigogine, hecha en 1961, para dar solucin a la interacci n es la
siguiente:
El evento de bajar la velocidad tiene una probabilidad de 1 - , mientras que
un rebase inmediato tiene la probabilidad . El rebase no afecta la velocidad
del auto rpido.
La velocidad del auto lento w no es afectada por los eventos de interaccin.
El tamao de los autos puede ser omitido.
El auto rpido disminuye su velocidad instantneamente.
La interaccin que afecta a ms de dos vehculos no se toma en cuenta

De esta forma con estas suposiciones se propone la siguiente ecuacin


( ) ( ) ( )

,
_

dw t w x p v w t v x p
t
p
, , ) , , ( 1
int

.

Ahora para el proceso de aceleracin se toma en cuenta la relajacin de la
velocidad del conductor hacia una velocidad de equilibrio, que va a estar basada en
las condiciones del trfico. Para esto [Prigogine et Herman] propusieron la siguiente
expresin:

( ) ( ) ( )

,
_

,
_

v
v t x v V p
t
p
acc
/ , *
0
,
donde representa el tiempo de aceleracin y ( ) t x v V ,
0
representa la distribucin de
velocidad deseada.



- 16 -
1.2.3 Modelo mejorado basado en la cinemtica de gases

El trmino de interaccin ha sido criticado, principalmente por la validez del caos
vehicular que se asume [Hoogendoorn et Bovy]. Paveri y Fontana consideran un
escenario ficticio donde los autos con seguimiento libre entre ellos llegan a una cola
de avance lento, con dos casos extremos considerados:

El vehculo que llega a la cola, la pasa de la misma forma que pasara un solo
auto.
Cada carro pasa la cola de forma independiente.

Este modelo muestra que el modelo presentado por Prigogine y Herman refleja el
segundo caso, mientras que los dos puntos se acercan ms a la vida real [Prigogine et
Herman].


1.2.4 Modelado de multiclases de cinemtica de gases para flujo
de trfico

En el 2000 Hoogendoorn y Bovy desarrollaron un modelo de trfico basado en
cinemtica de gases multiclases. Ellos describen la dinmica de lo que llaman
multiclases de la densidad fase-espacio reducida, MUC-PSD, denotada por la
expresin: p
u
(x,v,v
0
,t), donde u indica la clase del usuario u de un universo U, dando
como resultado [Hoogendoorn et Bovy]:



int

,
_

+
,
_

t
p
t
p
x
p
v
t
p
u
acc
u u u
,





- 17 -
donde


( ) ( )
v
v v p
t
p
u u
acc
u

,
_

/ .
0
,

describe el proceso de aceleracin de los vehculos de la clase u hacia la velocidad
deseada v
0
, con un tiempo de aceleracin
u
y


( ) ( )

,
_

s
s u s u
u
u
t x t x
t
p
R I
) , ( , ) 1 (
, ,
int

,
donde


( )
0 0 0
,
) , , , ( ) , , , ( , dwdw t w w x p t v v x p v w t x
s u
v w
s u I
<

,

>

v w
s u
s u
dwdw t w v x p t v w x p v w t x
R
0 0 0
,
) , , , ( ) , , , ( ) , (
.

Estas dos ltimas ecuaciones denotan la dinmica de la interaccin vehicular con
vehculos de la misma clase s o de alguna otra que sea diferente.

Esta distincin entre clases de usuarios da como resultado la presentacin del
proceso de disminucin de la velocidad de los vehculos rpidos que es ms cercano a
la realidad, donde vehculos rpidos se encuentran con vehculos lentos y tienen que
frenar.


1.2.5 Ecuacin de multicarriles para cinemtica de gases

En 1997 [Helbing] present un modelo de cinemtica de gases para operaciones de
trfico de varios carriles. El desarrollo es similar al hecho en 1975 por [Paveri et
Fontana] pero el intercambio de carriles es considerado explcitamente.



- 18 -
+
+

,
_

,
_

,
_

,
_

j j
LC
j
vc
j j
acc
j j j
v v
t
p
t
p
t
p
t
p
x
p
v
t
p
int
,
vc
j
t
p

,
_

,
LC
j
t
p

,
_

t
j
v
CLC
c j u
ILC
c j u c j u
acc
c j u c j u c j u
t
p
t
p
t
p
t
p
x
p
v
t
p

,
_

,
_

,
_

,
_

) , , ( ) , , (
int
) , , ( ) , , ( ) , , ( ) , , (
Si se denota con j el ndice del carril entonces p
j
(x,v,v
0
,t) denota lo que llama
multicarril de la densidad fase-espacio reducida, ML-PSD, del carril j con la siguiente
relacin:



donde



denota la velocidad de difusin tomando en cuenta las fluctuaciones individuales con
la imperfeccin de conducir,



denota el intercambio entre lneas desde o hacia la lnea j, y

es el porcentaje de autos que entran y salen del carril.


1.2.6 Modelos genricos de cinemtica de gases y modelo de
multiclase y multicarril basado en un pelotn

En 1999 [Hoogendoorn] especific un modelo genrico de cinemtica de gases de
multiclase y multicarril basado en el modelo de un pelotn. En su modelo se describe
lo que pasa entre vehculos de clase y sobre el carril j, con flujo libre c = 1 o estilo
pelotn c = 2 da la multiclase y multicarril ( MLMC) PSD p
(u,j,c)
(x,v,v
0
,t):





- 19 -
Para el autor de este modelo los creadores del modelo de cinemtica sobreestiman
el nmero de interacciones y el caos provocado entre los autos. En segundo lugar dice
que en la vida real el flujo, cuando marcha como pelotn, est completamente
determinado por el lder. Estas dos limitantes se pueden resolver con su modelo slo
variando el valor de c.


1.3 Modelo de trfico microscpico

El desarrollo comenz en la dcada de los 60s con los modelos de seguimiento
entre autos (car-following). De los cuales se derivan otros, estos son: los modelos de
distancia segura que describen la dinmica de un auto con respecto a su predecesor.
La regla de Pipes dice: Una buena regla para ir detrs de otro vehculo a una
distancia segura es permitirse uno mismo una distancia, al menos, de un carro de
distancia entre los carros por cada 10 millas/hr (16.1 km/hr) de velocidad que trae el
auto [Pipes]. Usando esta regla de conducir, se puede determinar la distancia que
requiere el auto n a velocidad v con respecto del auto n-1.

D
n
(v)=L
n
(1+ v/16.1).

En ste modelo la distancia de seguridad se incrementa linealmente junto con la
velocidad del modelo; un modelo similar fue hecho en 1958 [Forbes et al].
Considerando la simplicidad de los modelos es sorprendente lo exactos que son con
observaciones hechas en la vida real [Pignataro].

En 1988 Leutzbach genera un modelo ms refinado describiendo el espacio
existente entre los autos. La distancia de frenado se define con respecto de la
distancia que requiere un auto para frenar por completo, incorporando la distancia que
requiere el auto para frenar y la mxima desaceleracin [Leutzbach].



- 20 -

D
n
(v)=L
n
+ T
v
+ v
2
/ (2ug).

La ecuacin anterior indica la distancia que requiere un auto para frenar, sin
provocar un accidente, despus de que el auto que va al frente de l frena, un modelo
similar al de Forbes. En 1998 Jepsen discute que esta distancia de seguridad para un
vehculo n con velocidad v es [Jepsen]:

D
n
(v)=(L
n
+ d
min
) + v(T + vF)

donde
Ln es el tamao del auto.
d
min
constante que representa la distancia mnima entre autos, depende de las
condiciones de densidad en momentos de congestionamiento.
T es el tiempo de reaccin a un evento inesperado 0.6 a 1.5 segs.
F es el factor de riesgo que se asume est en relacin con la velocidad que
llevan los autos.

Los conductores con experiencia tienen conocido el factor T pero los novatos
requieren tener en cuenta las reglas de seguridad, como por ejemplo:
Mantente dos segundos atrs del vehculo del frente

Se ha encontrado en muchos estudios que el tiempo de reaccin de un conductor
es de 0.6 a 1.5 segundos.







- 21 -
1.3.1 Modelos de seguimiento de autos con respuesta a estmulos
(Stimulus - response)

Este tipo de modelos tienen como base el comportamiento que tienen los autos con
respecto del auto que va delante de ellos. En general, la respuesta generada es
provocada por el frenado o la aceleracin del vehculo al frente, esta respuesta
depende del tiempo de reaccin del conductor T [Hoogendoorn et Bovy].

Muchos modelos han sido creados, todos ocupan los mismos parmetros para las
clases de usuarios y los carriles. Describiendo la diferencia entre la aceleracin real y
la aceleracin ideal se creo una regla simple de seguimiento al lder que deriva en un
modelo macroscpico de segundo orden [Payne]

V ( x( t + T ), t+T ) =

V
e
(r (x+D, t)).

Esta ecuacin muestra que los conductores adaptan su velocidad a una velocidad
de equilibrio, que es una funcin de la densidad del trfico en la posicin x+D. La
velocidad de equilibrio representa un cambio entre la velocidad del conductor y la
reduccin de la velocidad cuando empeoran las condiciones del trfico.


1.3.2 Modelos de Psicoespacio

Psicologa perceptiva ha sido usada para mostrar que los conductores tienen
lmites para sus reacciones a los estmulos que provocan sus reacciones [Todosiev et
Barbosa]. Las reglas bsicas del comportamiento que representa el modelo llamado
psico-espacio son:

Con grandes espacios libres entre los autos el conductor no modifica su
comportamiento con respecto a nadie.



- 22 -
Con pequeos espacios entre los autos, las combinaciones de las velocidades
y las distancias en las calles no provocan una reaccin en el conductor, esto es
por que el movimiento es muy lento.

En 1971 [Widerman] desarroll el primer modelo de este tipo distinguiendo
restricciones y no restricciones de manejo considerando la percepcin. El cambio de
carril y los rebases son incorporados en este modelo. El modelo microscpico de
trfico est basado en la teora del seguimiento entre carros que considera la
separacin entre autos y la velocidad a la que viajan los autos. Entre las restricciones
que dificultan su estudio es la de obtener una solucin analtica del modelo, la cual
puede ser muy complicada de resolver [Garber et Hoel].

Muchas son las razones que pueden provocar la detencin del flujo de autos en un
camino, stas son: accidentes, reduccin de carriles en la carretera, una luz roja en un
semforo, etc. El modelo de ondas de choque de los flujos de trfico (Shock waves in
traffic streams) representa la forma como se propaga el frenado de los autos a partir
de un cuello de botella. Si un observador caminara en direccin contraria a la que se
mueve el trfico podra observar cmo los autos van formando una cola con sentido
opuesto al de la circulacin de los autos. La forma en la que se genera la cola tiene
una velocidad y un efecto de onda ya que se propaga el frenado de los autos, por eso
el nombre del modelo.

La forma en la que empiezan a frenar los autos es conocida como onda de choque;
ver Figura 3, donde hay dos curvas que representan la grfica de densidad contra flujo
de autos pero bajo condiciones diferentes, dos flujos diferentes por causa de un
embotellamiento. La densidad es la misma slo que el flujo se reduce y por lo tanto
las condiciones cambian, un ejemplo es el punto donde se alcanza el flujo mximo la
densidad ideal cambia de ?
0
a
a ?
0
b
. Con esta informacin es posible deducir
informacin cuantitativa para medir el tamao de las colas que se pueden formar.



- 23 -
La velocidad de los vehculos se reduce mientras se acercan y pasan por el cuello
de botella, hay un cambio de densidad ?
1
a ?
2
y de flujo q
1
a q
2.
La onda de
propagacin de la velocidad se origina en w, el punto donde se produce el cambio de
capacidad del camino, el tamao del carril y el nmero de autos que pueden pasar por
l. La velocidad esperada de los autos u
w
se obtiene a partir de:


1 2
1 2

q q
u
w
,

esta ecuacin representa la pendiente de la cuerda CD de la Figura 3 que es la
velocidad creada por el cambio en la densidad del camino.

Con esta ecuacin es posible determinar el tamao de la cola que se va a formar
con el cambio de densidad, siempre y cuando se conozca la densidad y el flujo del
camino antes y despus del cuello de botella.

Figura 3. Medidas de cinemtica y ondas de choque relacionadas con las curvas
de flujo y densidad
3


3
[Garber et Hoel] pgina 195
Curva normal


Curva de cuello
de botella
C
c
D C
2

?
3
?
3
b ?
1
?
0
b
?
0
a
?
2

C
1

q
1

q
2
q
3




- 24 -
Es posible que el cuello de botella no sea un punto fijo, es decir, hay un auto que
evita el paso de los dems y viaja a una cierta velocidad, el punto est en movimiento.
Si conocemos cual es la velocidad a la cul se mueve el cuello de botella es posible
determinar el crecimiento de la cola CC detrs del embotellamiento. Este est dado
por la diferencia entre la velocidad del auto generador del cuello de botella vcb y la
velocidad de la onda de choque generada u
w


CC = vcb- u
w
.

Puede ser posible tambin deducir la longitud de la cola longc formada si se sabe
la distancia d que va a recorrer el auto al frente.

longc = CC * d/vcb.

Usando la densidad del cuello de botella ?2 se puede determinar el nmero de
autos que se encuentran en el cuello

?
2
( longc).

Cuando los autos entran en el rea de menor capacidad, las condiciones de la cola
crecen de forma compleja, resultando en un incremento automtico en la densidad de
?
1
a ?
2
y en un decremento en la velocidad. Es posible complicar el modelo y pensar
en cambios constantes entre la densidad y como consecuencia de flujo y se puede
usar el modelo de Greenshields para representar esta situacin de la siguiente forma:

,
_

j
i
f si
u u

1 ( )
i f si
u u 1 ,
donde

j
i
i

,

es la densidad normalizada.



- 25 -
De esta ecuacin es posible obtener la velocidad u
w
usando la densidad:

( ) [ ]
2 1
1 +
f w
u u ,

que es la propagacin de la onda de choque de Greenshields.

Puede ocurrir que haya poca diferencia entre las densidades, entonces ?
1
y ?
2
son
casi iguales por lo que se puede despreciar esta diferencia entre ellas quedando la
ecuacin de densidad casi similar de esta forma:

[ ]
1
2 1
f w
u u .
Adems, esta ecuacin puede ser us ada para determinar la onda de choque que se
genera al ponerse una luz roja en el semforo de una esquina. Durante la etapa que
dura en verde el semforo, la densidad normalizada es ?
1
y cuando la luz cambia a
rojo el trfico en la esquina se detiene, que da como resultado una densidad de
congestionamiento, luego el valor de la densidad ?2 es 1. Entonces, la velocidad de la
onda de choque, que en este caso es la velocidad de frenado, puede obtenerse por la
ecuacin:


1

f w
u u .

Por tanto, si el tiempo de duracin del rojo en el semforo es t la longitud de la
lnea de autos formada en la calle es t u
f 1
. Despus de esto se calcula la velocidad
de movimiento del flujo u
s2
cuando se pone la luz verde con una densidad ?
2
, ahora ?
1
es 1. De la ecuacin ( )
i f si
u u 1 se obtiene la velocidad u
s2



2 s f w
u u u + .
Ya que la velocidad de arranque u
s2
es muy pequea, representa la velocidad de
arranque cuando se pone el semforo verde, se puede concluir que la velocidad de
inicio de la onda de choque es u
f
.



- 26 -
1.4 Modelo de trfico submicroscpico

La disponibilidad de las computadoras ha dado como resultado el uso de su poder
de cmputo para resolver modelos complejos de micro simulaciones.

Un gran nmero de estos modelos han sido creados y algunos fueron revisados por
el proyecto SMARTEST [Algers et al], que encontr 58 modelos microscpicos de
los cuales analiz 32, encontrando simulaciones microscpicas.
Los modelos incluyen el comportamiento del seguimiento entre autos y el
intercambio de carriles, particularizando cada auto.

Los modelos de simulacin submicroscpica describen el funcionamiento de
partes especficas de los autos, as como los procesos que siguen durante su
conduccin. Estn enfocados para determinar el impacto que tiene un sistema de
soporte en el auto.


1.5 Modelos con autmatas celulares

Los modelos con autmatas celulares describen los sistemas de trfico con una
superficie de clulas de tamao similar, aproximadamente 7.5 m. Un autmata celular
describe el movimiento de las clulas de una celda a otra de forma discreta. La
desventaja que tienen es que tardan en presentar resultados por que requieren de un
gran nmero de iteraciones para converger a un estado ideal. Han sido usados para
simular operaciones de trfico en gran escala, as como para predicciones de trfico.

En general, son aplicables para redes de gran escala para lo que requieren del uso
de supercomputadoras para efectuar los clculos de los modelos [Howard]. El
desarrollo de modelos usando este paradigma es costoso y de manejo restringido por
la necesidad de tecnologa de punta.



- 27 -
Los autmatas tienden a representar las ventajas de los modelos micro, que son
complejos, apoyndose de la eficiencia de las computadoras, Al tener la posibilidad
de manejar supercomputadoras es posible incrementar el nmero de caractersticas y
variables en los modelos. La simulacin de los procesos y la interaccin entre
variables es posible.

Tambin, hay modelos que muestran resultados realistas sobre una escala
macroscpica, especialmente en las redes urbanas en trminos de reducir las curvas
de densidad [Nagel et al], [Esser et al]. La reduccin en la densidad es una de las
metas que se busca al disear modelos, con la finalidad de ayudar a la mejora del
flujo. Si hay un flujo continuo de autos en las calles el tamao de la densidad
disminuye.

En conclusin, los modelos usando autmatas celulares son ms completos, es
posible incluir ms variables logrando mayor cercana con la realidad. El uso de este
paradigma es reciente y la investigacin encontrada hasta ahora ha contribuido a la
mejora en el trfico. El beneficio obtenido por la inversin en equipo de cmputo de
gran capacidad tiene un valor social muy grande. Es necesario hacer un comparativo
entre modelos similares a los desarrollados con autmatas celulares para determinar si
la mejora es lo suficientemente significativa.


1.6 Teora de colas

Los congestionamientos tan molestos, sobre todo en las horas pico, dentro de las
calles generan siempre colas que son formadas por las llegadas de autos que esperan
por un servicio; la luz verde en el semforo o una oportunidad para avanzar cuando
los carros lo permiten. Este servicio es proporcionado por uno o varios canales.
Existen muchos modelos para analizar este fenmeno, en la presente tesis se examin



- 28 -
el que toma en cuenta un carril. Para entender el sistema de colas es necesario definir
las siguientes variables [Garber et Hoel]:
La distribucin de las llegadas. Las llegadas pueden ser simuladas por una
distribucin determinista o aleatoria, la distribucin de un trfico que va de
ligero a medio es descrita por la distribucin de Poisson [Garber et Hoel], que
es usada generalmente en la teora de colas para flujo de trfico.
Mtodo de servicio. Las colas pueden ser clasificadas de acuerdo al mtodo
que le va a dar servicio a las llegadas. Pueden ser estructuras de atencin del
primero en llegar es el primero en salir (FIFO first in- first out), tambin, se
toma en cuenta la prioridad que se tiene para atender la cola.
Caractersticas de la longitud de la cola. La longitud mxima de la cola puede
ser finita o infinita, en las calles consideradas tienen un nmero finito en su
capacidad de agrupar los autos.
Distribucin del servicio. Esta distribucin es tambin considerada aleatoria,
la distribucin de Poisson y la exponencial negativa son las ms usadas
[Garber et Hoel].
Nmero de carriles. El nmero de carriles indica el nmero de carriles que
hay en la calle.
Colas sobresaturadas y no saturadas. Las colas sobresaturadas son aquellas
donde los carros que llegan al cruce exceden la capacidad de la calle y las no
saturadas son aquellas donde la capacidad de la calle excede los carros que
llegan al cruce. Esta variable va cambiando con el paso del tiempo y depende
de la capacidad de cada calle, representa la ocupacin de la calle.

Las colas de tamao finito requieren que se defina dicho tamao para su estudio,
suponiendo que este nmero es N, el tiempo de llegadas de los autos es q y Q denota
el tiempo de servicio de cada auto, ambas variables son aleatorias. Se han



- 29 -
desarrollado la siguiente ecuacin para las colas finitas que indica la probabilidad de
que haya n autos en la cola [Garber et Hoel]:


n
N
n P

1
1
1
) (
+

+
, donde
Q
q
,

el nmero de carros en el sistema es:


1
1
1
) 1 ( 1
1
) (
+
+

+ +

N
N N
N N
n E

.


1.7 Control de semforos

El semforo tiene un control que sirve para cambiar los colores del mismo de
acuerdo con un plan fijo o variable. Hay diferentes partes que conforman el semforo,
las ms importantes son: el ciclo del semforo que es el tiempo que tarda una
secuencia completa de cambio de colores, el tiempo de la seal de los colores verde,
amarillo y rojo.

Si se toma una muestra durante la hora pico de una calle y se muestrea el flujo en
intervalos de 15 minutos, es posible tener el volumen para el diseo de la hora pico
usando el factor de la hora pico PHF que indica el flujo mximo presentado en un
intervalo de 15 minutos, este es el tiempo usado en las intersecciones [Garber et
Hoel], con la siguiente ecuacin para calcular este valor:


pico hora la de durante volumen
pico hora la en Volumen
PHF
K K K K K K
K K K K
min 15 max * 4
.




- 30 -
Este factor sirve para el diseo de los tiempos de las seales de los semforos,
pues existe la posibilidad de que las llegadas en los intervalos de tiempo durante la
hora pico pueda ser mayor que el valor total de toda la hora pico. As, el volumen
para la hora pico (DHV) puede definirse por:


PHF
pico hora la en Volumen
DHV
K K K K
.
El PCE es usado para convertir los volmenes de carriles con camiones y
autobuses a volmenes de autos, esta conversin es necesaria por que el tiempo que
toma a cada auto cruzar el semforo es diferente al de los transportes pesados, los
valores usados oscilan entre 1.6 y 2.5 segundos. Tambin, el tiempo que requieren los
autos para dar vuelta vara por lo que se usa un factor que es de 1.4 a 1.6 segundos
para los que dan vuelta a la izquierda y de 1.0 a 1.4 segundos para los que dan vuelta
a la derecha [Garber et Hoel].

El tiempo de los ciclos de los semforos ha sido creado para reducir el lapso de
espera promedio de los autos en los cruces y los accidentes. Cuando los semforos
son colocados en cruces independientes, es decir, el semforo no tiene conexin con
ningn otro semforo, es necesario tener intervalos de tiempo pequeos entre 35 y 60
segundos. Aunque, es necesario usar ciclos ms grandes cuando el flujo es grande, los
tiempos no deben de rebasar los 120 segundos [Garber et Hoel].

El ciclo en amarillo, que se considera parte del ciclo en verde, sirve para prevenir
a los autos que deben frenar. Muchos han sido los estudios desarrollados para
encontrar cul es la distancia segura y el tiempo que debe durar el intervalo de color
amarillo, para prevenir accidentes. El rango para el ciclo en amarillo debe ser de 3 a 5
segundos, esto depende de la velocidad mxima permitida y de la aceleracin [Garber
et Hoel], con la siguiente ecuacin es posible determinar el tiempo del ciclo:




- 31 -

( ) Gg a
u
u
L W
+
+
+
+
2
0
0
min
.

De esta ecuacin, d representa el tiempo de reaccin de un conductor a un
cambio, puede ser 1.0 segundo, W ancho de la interseccin, L longitud del vehculo
puede ser la promedio, u
0
el lmite de velocidad, a es la constante de desaceleracin,
Gg es la aceleracin de la gravedad.

As mismo, muchos mtodos han sido desarrollados para el clculo de los ciclos
de los semforos. Uno de estos es el de Webster [Garber et Hoel] que demostr que
se puede obtener un tiempo de retraso para los autos, el tiempo que tarda en llegar un
auto a la esquina donde se encuentra el semforo, si el ciclo de semforo es calculado
por la siguiente ecuacin:

1
0
1
5 5 . 1
i
i
Y
L
C ,

donde L representa el total del tiempo perdido por cada ciclo que se obtiene por la
frmula:

R l L
i
i
+

1
,

donde R es el tiempo del ciclo en rojo.


Para obtener los valores de l
i
es el tiempo perdido por fase i, que se calcula con la
ecuacin:



- 32 -


ei i ai i
G G l + ,

donde
ai
G el ciclo en verde del semforo sin contar el tiempo de amarillo,
i
es el
tiempo del ciclo en amarillo y
ei
G es el tiempo efectivo del ciclo en verde, el tiempo
en el que pasan autos por el semforo. La definicin de
i
Y queda definida por la
siguiente expresin


j
ij
i
S
V
Y ,

donde
ij
V es el flujo en el carril j y
j
S el flujo de saturacin en la lnea j, el valor de
es el nmero de fases, un semforo puede atender diferentes calles, el semforo
tiene un ciclo para cada calle lo que es conocido como fase. Ahora, el ciclo en verde
efectivo
te
G se obtiene con la ecuacin:

L C G
te
,

C representa la longitud del ciclo usado actualmente, se obtiene redondeando
0
C al
mltiplo de 5 segundos ms cercanos. Para obtener el retraso mnimo total, se calcula
el tiempo efectivo de verde para cada fase.


te
i
ei
G
Y Y Y
Y
G

+ + +

L
2 1
,

y el tiempo actual para cada fase se obtiene,


i i ei ai
l G G + , desde la fase , , 1 K i .

Hay otro mtodo para el clculo del intervalo mnimo del ciclo de semforo,
llamado administracin de tiempo, se usa para permitir el paso de los autos durante la



- 33 -
( )
,
3600
1
1
1
min
PHF
h V
R
C
i
i i
i
i
1
1
1
1
1
]
1

,
_

hora pico, tomando en cuenta el ciclo en rojo requerido R, usando la siguiente

ecuacin:









i
V es el volumen crtico dentro de la fase i,
i
es el intervalo de amarillo en la fase i,
i
h es el promedio del camino para la fase i en la lnea crtica, donde pasan ms
coches, se da en segundos.


El tiempo mnimo de verde para cada fase se calcula con:


1
]
1

,
_

1
1
i
i
i
i
i
ai
R C
V
V
G .
Parte del desarrollo de las ecuaciones anteriores tienen como finalidad reducir el
tiempo de espera de los conductores. El tiempo de espera se calcula usando los
valores de los ciclos de semforos establecidos al aplicar las ecuaciones de Webster y
el mtodo de administracin de tiempo [Garber et Hoel]. Para lograr el clculo del
tiempo de retraso Webster desarroll una ecuacin, la ms frecuentemente empleada
[Garber et Hoel], sta representa el tiempo de espera promedio de un auto en el
j-simo intervalo de la i-sima fase de semforo
j
d :




- 34 -

100
100 P
V
B
CA d
j
j

,
_

+ ,

donde

( )
( )
j i
i
x
A

1 2
1
2
,
( )
j
j
x
x
B

1 2
2
,

i
es la porcin del ciclo en verde efectivo C G
ei i
,
ei
G es el tiempo efectivo de verde durante la fase i,
j
x es el grado de saturacin para el j-simo intervalo s V x
i j j

j
s el flujo de saturacin en el j-simo intervalo (vehculos/carril/segundos)
P representa el porcentaje de correccin, que en condiciones normales va de 5 a 15
porciento.
C es la longitud del ciclo
j
V es el volumen de autos en el j-esimo intervalo (vehculos/carril/segundos).

El retraso total para cada intervalo puede estimarse determinando
j
d para cada
carril del intervalo, multiplicando cada
j
d por su volumen correspondiente al carril y
sumando estos valores. Y si se hace este clculo para cada fase del semforo se puede
obtener el retraso total del semforo.


1.8 Control inteligente de semforos

Una de las desventajas originadas por el uso de seales de semforo
preestablecidas es que no pueden reaccionar o dar soluci n a situaciones dinmicas.
Los semforos que funcionan de acuerdo con las llegadas de los autos en la calle son
los indicados en estas situaciones [Garber et Hoel]. Para tomar control de estos
semforos se toman en consideracin los siguientes eventos:



- 35 -
La demanda se refiere a la peticin de paso de una cola al control.
La porcin inicial representa los vehculos esperando entre el detector y la
lnea de alto durante el ciclo enrojo del semforo.
El periodo mnimo es el tiempo debe mantenerse prendida el ciclo en verde
del semforo.
La porcin extra puede aadirse a la porcin inicial del ciclo en verde para
aumentar el flujo a travs de la interseccin.
El lmite de la extensin es el valor mximo que puede agregarse a la porcin
inicial.
La unidad de extensin es el valor mnimo que puede aumentarse al tiempo de
la porcin inicial semforo.

Los semforos pueden ser totalmente controlados o semicontrolados [Garber et
Hoel]. Los semicontrolados slo usan sensores en la zona de flujo mnimo, a pesar de
que esto no satisface los requerimientos para un buen funcionamiento, funciona
cuando se logra explotar la habilidad que tienen lo semforos de modificar sus ciclos.
Las fases de los semforos con estas caractersticas se establecen de la siguiente
forma :

1. La fase principal del ciclo en verde es predeterminada con un periodo mnimo
pero puede mantenerse prendido hasta que la seal de la cola de autos
pequea se active.
2. Si el ciclo en verde se ha mantenido prendido durante un tiempo mayor o
igual al valor mximo preestablecido, la fase debe cambiarse a rojo.
3. La fase verde cuando el sensor est en cola pequea tendr que mantenerse
por lo menos un periodo igual al predeterminado, este valor genera un
incremento en el tiempo por cada llegada de un nuevo auto.
4. Si el sensor de la cola pequea prende, el semforo cambia a rojo y en las
colas de mayor tamao cambia a verde.



- 36 -
Cuando siempre hay un flujo grande el verde siempre se prende por el punto 4,
pero no un tiempo mayor al preestablecido en el punto 1. Lo anterior deriva en un
semforo con el mismo comportamiento de uno sin sensores. Es necesario tener
valores predeterminados que se adecuen para ayudar al flujo en las horas pico [Garber
et Hoel].

Para determinar el tiempo que se va a aadir al ciclo de semforo es necesario
tomar en cuenta la velocidad del vehculo y la distancia X existente entre los sensores
y la lnea de alto. As la extensin, tiempo requerido por un auto viajando a la
velocidad promedio u para llegar a la lnea de alto, es: u X . Con los valores
obtenidos es posible aumentar el valor del ciclo para permitir el paso de los autos con
la siguiente ecuacin:


u
L W X
extencin de unidad
+ +
,

W es lo ancho del cruce y L la longitud del auto.

La porcin inicial debe permitir a los vehculos que estn en la cola del cruce,
durante la fase roja del semforo, pasar y despejar el cruce. El clculo de este valor
depende del tamao de la cola n, el promedio de paso de autos h y el tiempo de
retraso al arranque k
1
, los valores para n y k
1
recomendados son de 2 segs. y 3.5 segs
respectivamente [Garber et Hoel]

Porcin inicial = (hn + k
1
).

El valor del ciclo en verde es el resultado de la suma de la porcin inicial y la
unidad de extensin.




- 37 -
Los semfo ros que son totalmente manejados por sensores son buenos en lugares
donde las fluctuaciones en los volmenes de trfico son muy grandes. Se usan
sensores en todos los lugares donde el semforo tiene control y reglas si-entonces.
Adems, es necesario tener valores de mnimos y mximos para los ciclos en verde y
rojo del semforo para que operen en forma equitativa en todos los carriles que
controla el semforo.


1.9 La problemtica

El problema del trfico en la ciudad de Puebla, como en muchos otros lugares, es
ocasionado por el avance lento o detencin del movimiento de los autos, algunas
veces provocado por accidentes o por limitaciones existentes de los caminos: la baja
capacidad para permitir el paso rpido de los autos. Lo ms comn es que mucha
gente quiere llegar al mismo lugar al mismo tiempo, originando un flujo grande en
horas pico.
Hasta ahora no ha sido posible agrupar factores que modelen el trfico con todas
las caractersticas que intervienen en l. La tendencia de los modelos que se estn
desarrollando es considerar factores no-homogneos. Howard (1997) presenta el
modelo TRANSIMS (Transportation Analysis Simulation System) creado para
analizar escenarios de trfico, con la finalidad de predecir los efectos que provoca
poner un puente o aadir una avenida dentro de una ciudad. Un problema diferente es
el presentado en [Botom et al.1999] DinyMIT es un sistema desarrollado que
funciona con un conjunto de puntos que representan un mapa de una ciudad. Adems,
se han agregado caractersticas que pueden influir en el bloqueo de las calles como
son accidentes, obras, etc., que se presentan de forma sorpresiva.

Se ha desarrollado a lo largo de muchos aos gran cantidad de informacin que
trata de describir el comportamiento del flujo de autos y se han logrado avances



- 38 -
importantes en este aspecto. Sin embargo, la complejidad del modelado del flujo
vehicular a travs de sistemas dinmicos, en el que muchos factores intervienen, es
grande. Si se buscara representar el comportamiento de los conductores en los
modelos, podra ser una tarea imposible ya que implica querer representar el
comportamiento humano, tarea que no ha sido posible recrear hasta el momento.

A la luz de las observaciones anteriores, a lo largo de este trabajo se va a presentar
la formulacin de un nuevo modelo de trfico heurstico, basado en la
experimentacin de campo. La generacin de dicho modelo se bas en lo observado
en las calles y en buscar una identificacin entre lo que son los semforos: unos
prestadores de servicios, y lo que son los autos: clientes en busca de ser atendidos por
el semforo.

Los factores involucrados para la formulacin del modelo son:
El planteamiento para representar un nmero n de calles.
Los diferentes tipos de trfico que se presentan en la vida cotidiana.
El manejo del flujo de carros en las calles considerando factores como:
o el espacio disponible en las calles.
o las velocidades de los autos
o el paso de los autos despus de un ciclo en rojo.
La interaccin que hay entre los carros y la capacidad de las calles.
La formacin de las colas en los cruces donde el semforo se pone en el ciclo
en rojo.

El manejo de tres versiones del modelo que son:
Modelo 1. No considera un tiempo de retraso en el paso de los carros de una
calle a otra, lo cual se comprob sirve para condiciones donde las calles se
mantienen con una ocupacin de mayor al 60%.



- 39 -
Modelo 2. Considera tiempo de retraso entre el paso de los carros de una calle
a otra. Es ms cercano a la realidad pues ayuda a medir el flujo de los carros y
a observar los tiempos que demoran los autos en su paso en las calles, adems
sirve para todo tipo de trfico sin importar la ocupacin de la calle.
Modelo 3. Es igual al 2 con la variante que tiene control de semforos, en este
modelo es posible predecir los ciclos de semforo que generan un aumento en
el flujo y una disminucin en la densidad de las calles.

La presentacin de reportes que permiten comparar los tres modelos, analizando:
La densidad calle por calle y global, todas las calles.
Los tiempos de paso de los carros a travs de todas las calles.
Las entradas y salidas del sistema.

Tambin, se presenta el planteamiento de los beneficios que se pueden obtener con
el uso de sensores para controlar el trfico, pues para el modelo 3 se requiere de
controles que permitan conocer las condiciones de trfico. Los beneficios que se
pueden obtener con el aumento del flujo vehicular son: la reduccin del tiempo de
espera de los autos en las colas, la disminucin de la contaminacin, mejora en el
aspecto emocional de los conductores, sobre todo cuando estn en un cruce esperando
el verde en el semforo, cuando no hay autos pasando. El problema del uso de este
tipo de sistemas es el elevado costo de los sensores y su colocacin, los controles en
los semforos tambin son de valor considerable. No obstante, los beneficios que se
pueden encontrar con el uso de dispositivos justifican satisfactoriamente la inversin
requerida.

El modelo creado cae dentro de la categora de modelos macroscopicos ya que las
variables usadas para su desarrollo son parte de ste tipo de modelos. Adems, se esta
analizando el comportamiento general del trfico sin buscar comportamientos
individuales de los autos, parte del inters de los modelos microscpicos y



- 40 -
mesoscpicos. Con las variables involucradas, para el planteamiento del modelo, se
facilita la simulacin, debido a que hay pocas variables involucradas. El
requerimiento tcnico para hacer simulaciones de modelos macroscpicos es: una
computadora personal, esto hace posible desarrollar trabajos usando esta categora de
modelos.




- 41 -
Captulo 2

Modelado y simulacin del flujo de trfico



La palabra simulacin significa imitar algo [Roberts et al], cualquier cosa o
situacin que se presente en el mundo y que se represente para su estudio. Ejemplos
de simuladores hay muchos, las aplicaciones de estos tambin varan, se pueden
encontrar en la industria, los centros de investigacin, las escuelas, etc. De la mano
de un simulador siempre hay un modelo [Roberts et al] que sirve de base para
efectuar la simulacin.

Un modelo es una abstraccin de la realidad que quiere ser simulada, dicha
abstraccin depende del propsito que tenga la investigacin. Para hacer un modelo
es necesario hacer simplificaciones y con esto se pierde informacin. No obstante, el
inters del modelo motiva a despreciar los datos perdidos al hacer la reduccin del
problema. Existen varios tipos de abstracciones para generar los modelos, las ms
comunes son: modelos fsicos, modelos de concepciones mentales, modelos
matemticos, modelos computacionales o algn hbrido de los anteriores [Roberts et
al].


2.1 Modelos fsicos o a escala

Un modelo fsico es una representacin a escala de la realidad. Tal y como lo
menciona [Kelton et al], la primera impresin que se tiene de estos modelos es una
rplica fsica o un modelo a escala del sistema que se quiere estudiar. Tambin
conocidos como modelos icono, con estos se pueden estudiar fenmenos naturales
que son difciles, en muchos casos imposibles, de medir. Ejemplos de estos



- 42 -
fenmenos hay muchos, la fuerza de las olas que puede derribar a un barco, el
comportamiento de una avalancha de nieve, por mencionar algunos.

Este tipo de fenmenos, que por su naturaleza son complicados de analizar en el
momento que ocurren, se busca modelar para estudiar sus efectos. Los arquitectos y
diseadores de nuevas tecnologas para la construccin efectan las pruebas de
resistencia sobre maquetas, modelos de la estructura, para proceder a la construccin.

Parte del desarrollo que un modelo fsico requiere, segn la propuesta de
[Khoshnevis], para realizar un proceso de simulacin son los siguientes pasos:

Definicin del propsito
Estudio del sistema
Recoleccin de datos
Construccin del modelo
Validacin del modelo
Experimentacin del modelo
Resultados de la simulacin.

Para entender estas propiedades veamos un ejemplo de un modelo a escala de
trfico. Las condiciones que se representan son: existe slo una interseccin de cuatro
calles, cada calle tiene dos sentidos. Adems, el cruce se encuentra regulado por un
semforo con los ciclos tradicionales y con sealamiento para dar vuelta a la
izquierda, la vuelta a la derecha est considerada con el ciclo en verde del semforo.
Para dar solucin a este sistema es necesario hacer una recoleccin de datos para
determinar los tiempos de llegada de los autos al cruce y su paso a travs del cruce,
ya sea seguir de frente, ir a la izquierda o a la derecha. Para esto se requiere de cuatro
asistentes, cada uno tomando en cuenta una calle hacia la interseccin. Asignando un
cronmetro a cada persona se guarda el tiempo de llegada de cada auto. Tambin, se
lleva un registro de la que toma cada auto al pasar la interseccin.



- 43 -
El propsito del modelo es tener el mejor ciclo en verde posible, no hay necesidad
de tomar en cuenta el actual a menos que se desee comparar el comportamiento actual
con el propuesto. Esta etapa es conocida como la recoleccin de datos.

El siguiente paso es la construccin del modelo fsico para las intersecciones del
sistema. El modelo fsico que propone [Khoshnevis] usa una tabla donde se
representa la interseccin, los autos, los dos carriles por cada vista de la interseccin
y un semforo. Suponen que el semforo funciona y es manejado por un cronmetro.
Tambin, se pone un reloj central para la simulacin y cada asistente toma sus carros
y se coloca en cada extremo de la mesa, la Figura 4 muestra el experimento.



Figura 4. Experimento del modelo de trfico a escala
4




4
[Khoshnevis] pgina 41



- 44 -
Usando los datos recolectados, cada asistente va a introducir un auto a la
interseccin slo cuando el reloj central coincida con los tiempos de llegada que
recolect. Cada asistente podr hacer que su auto pase la interseccin slo si la luz
del semforo es la apropiada, recordar que los autos pueden tomar diferentes rumbos.
Conforme el tiempo avanza se crea un registro del tiempo de espera de los autos de
cada interseccin. El proceso termina hasta que los asistentes agotan sus datos. Una
vez terminado el proceso, se hace un cambio en el ciclo del semforo y se repite el
experimento. Este ciclo se repite y se saca un promedio de la espera de los autos.

Esta etapa es conocida como la experimentacin del modelo. El modelo es
utilizado usando los valores del ciclo del semforo con el que fue tomada la muestra,
la finalidad es probar el modelo y determinar si representa la realidad. Si no hay
mucha diferencia entre los datos recolectados y los expresados por el modelo esto
quiere decir que se puede pensar que el modelo es vlido.

Finalmente se procede a analizar la salida del modelo, es decir, los datos
encontrados en el modelo sirven para usar el menor de los promedios como valor para
el semforo. Entonces se debe ir al semforo de verdad y poner este tiempo que se
encontr, esto es la implementacin del modelo. Para este ejemplo es posible hacer
dicha implementacin ya que slo consiste en una configuracin del ciclo del
semforo. Este modelo muestra la desventaja de tener un tiempo de simulacin con
tiempo medido en segundos reales. Resulta imprctico realizar simulaciones usando
este mtodo sobre todo por que se tiene acceso a las computadoras y es posible hacer
que el proceso se haga en segundos. Tambin, este modelo muestra la dificultad que
involucra hacer un modelo sin el uso de lenguaje simblico.









- 45 -
2.2 Modelo de concepcin mental

Los modelos de concepciones mentales comenta [Sterman] son usados en las
ramas de la psicologa y la filosofa. Acorde con los estudiosos de estas ramas los
modelos mentales son descritos como una coleccin de rutinas o estndares de
operacin, elementos que van a permitir tomar alguna accin basada en un grupo de
opciones, una muestra de lo que se ha aprendido con la experiencia o simplemente
una representacin de lo que se ve en la vida diaria. Los dos ltimos puntos de esta
definicin manifiestan el hecho de que un modelo, en este caso mental, se basa en la
experiencia u observacin que tiene del fenmeno el desarrollador del modelo y bajo
este punto de vista es creado.

Sterman propone cinco pasos para desarrollar un modelo mental. En primer lugar,
encontrar cul es el problema a resolverse y quin es el cliente real. Estas dos
cuestiones deben solucionarse antes de empezar a trabajar porque representa el punto
donde se va a mirar cuando exista alguna duda sobre el correcto avance del modelo:
es el punto de referencia del trabajo. En la Tabla 2 se muestran los puntos que para
[Sterman] se deben cubrir al hacer un modelo mental.

1. Definicin del problema.
Seleccin del tema. Cul es el problema y por qu es un problema?
Variables importantes Cules son las variables que son importantes
que se pueden considerar?
Tiempo. Cunto va a ser el tiempo futuro que se va a considerar?
Cunto tiempo del pasado debe de tomarse en cuenta?
Definicin dinmica del problema. Cul es el comportamiento
histrico de las variables involucradas? Cul podra ser su
comportamiento en el futuro?
2. Formular una hiptesis dinmica
Generacin de la hiptesis inicial. Cules son las teoras actuales del
problema?
Variables Endgenas. Hacer una hiptesis basada en las salidas
esperadas del sistema.
Mapeo. Buscar cules son las relaciones que hay entre los elementos



- 46 -
encontrados hasta ahora.
3. Formular un modelo de simulacin
Especificar la estructura y las reglas de decisin.
Estimacin de los parmetros, relaciones del comportamiento y
condiciones iniciales.
Pruebas de consistencia del propsito y los lmites.
4. Pruebas
Comparacin del modelo con la realidad para ubicarlo.
Robustez bajo condiciones extremas
5. Plan de diseo y evaluacin
Descripcin del escenario
Plan de diseo
Efectos de los planes
Anlisis de la robustez con diferentes escenarios
Interaccin de los planes
Tabla 2. Pasos del proceso de modelado
5


Pese a guas como la mostrada en la Tabla 2, no se garantiza el xito del trabajo.
Por otro lado, si se desea tener un mayor xito en el desarrollo de un modelo mental
hay que seguir un proceso iterativo. [Sterman] propone un ciclo donde explica que
cada punto puede ser probado antes de pasar al siguiente y si la prueba no es
satisfactoria se puede regresar a cualquier fase, depende del origen de la falla
encontrada.

La Figura 5 muestra este comportamiento entre los pasos y ayuda al entendimiento
del proceso. Las lneas exteriores definen la ruta tradicionalmente seguida, basada en
una lista de pasos a seguir de forma secuencial. En la realidad no se trabaja as ya que
el ciclo no es una secuencia de pasos si no una interaccin entre ellos.

Hoy en da los ciclos iterativos forman parte del desarrollo de sistemas. Las
pruebas en cada paso son necesarias antes de moverse a otra fase, pueden ser tan
simples o sofisticadas dependiendo del punto en el que se encuentre el proceso.

5
[Sterman] pgina 86



- 47 -
Frecuentemente hay que retroceder a un paso anterior o a otro localizado ms atrs,
este salto es indicado por la nube al centro de la Figura 5.


Figura 5. El proceso de modelos mentales es iterativo
6



2.3 Modelos matemticos

Un modelo lgico o matemtico es un conjunto de suposiciones y aproximaciones,
ambas estructuradas y cuantitativas, hacia el camino que el sistema ha de tomar o
tomar [Kelton et al]. Estos modelos generalmente se prueban usando la simulacin
por computadora mas no siempre. Para [Bender], un modelo matemtico es una
abstraccin simplificada de una construccin matemtica relacionada con una parte
de la realidad y creada con un propsito particular.



6
[Sterman] pgina 87

Planes de formulacin y
evaluacin
Formulacin
Hiptesis
Definicin del problema
Pruebas



- 48 -
Ambas definiciones nos hablan de lo que implica construir un modelo matemtico,
la simplificacin de la realidad con el fin de entender el sistema en estudio. Una
realidad es que se obtiene slo una aproximacin del sistema, no la totalidad de l.
Esto es debido a la complejidad que tienen los sistemas y lo complicado que es hacer
una copia exacta de la realidad. No obstante, es posible disear partes de esta
realidad, lo ms cercanas a sta, y as se logra estudiar el fenmeno.

El mundo, para la construccin de modelos, puede ser dividido en tres partes
[Bender], stas son:
Las cosas cuyos efectos son despreciados, cosas que afectan al modelo pero cuyo
comportamiento no es de inters en el modelo en estudio.
Variables exgenas o independientes.
Las cosas que se quieren evaluar al crear el modelo, variables endgenas o
dependientes.

Esto define las entradas, salidas y suposiciones del sistema. stas ltimas, son de
vital importancia, el xito del desarrollo del modelo depende de hacer las
suposiciones correctas. El desarrollo de los modelos depende de los diseadores,
stos hacen diferentes suposiciones y simplificaciones, no hay un solo modelo que de
la mejor descripcin del sistema. Levins descubri que no se puede tener al mismo
tiempo generalidad, realismo y precisin en un modelo [Bender]. Cada una al
incrementarse origina disminucin en las otras. Lograr maximizar las tres no es
posible.

La definicin de las variables y su interrelacin constituyen el proceso de construir
las suposiciones del sistema. Despus, es posible usar el modelo para obtener las
conclusiones. Esto es un proceso deductivo que dice: si las suposiciones son correctas
entonces las conclusiones tambin lo son. Por eso una conclusin falsa indica algo
errneo en las suposiciones hechas sobre el modelo [Bender]. Esto es muy importante



- 49 -
ya que se debe tener algo contra lo que se va a probar el modelo y as ver si se llega a
los mismos resultados al usar el modelo.

El mismo autor nos dice, un resultado es robusto si es derivado de diferentes
modelos de la misma situacin. Aunque llega a ocurrir que dos modelos, del mismo
objeto, lleguen a diferentes conclusiones, no se puede saber cul de las dos es la
correcta. Esto es porque cada modelo se construye con una finalidad diferente,
usando suposiciones que no coinciden con las de otro modelo, por eso las
conclusiones pueden ser diferentes.

En general, un modelo sirve para predecir cosas no para explicarlas, ya que la
explicacin depende de las condiciones bajo las cuales fue creado el modelo y puede
ser que stas no tengan nada que ver con la explicacin real del fenmeno. Bender
describe un proceso a seguir para la construccin de modelos descrito en la Tabla 3.








Tabla 3. Plan del proceso de modelado matemtico
7


Una vez concluido este proceso es posible usar el modelo. Se debe tener cuidado
en su uso aunque en las pruebas haya salido muy bien. Cada uso del modelo debe ser

7
[Bender] pgina 6
1. Formulacin del problema. Qu es lo que deseas saber? Determinar si la
naturaleza del modelo depende lo suficiente de lo que quieres que haga.
2. Esquema del modelo. Separar todas las partes que estn involucradas.
Desechar lo que no sirve y buscar las variables dependientes e
independientes. La interrelacin entre las variables debe ser especificada.
3. Es funcional? Determinar si es posible utilizar el modelo y obtener los
datos que se requieren para probarlo. Si no es posible regresar al paso 2 o
incluso al 1. Si es posible ir al paso 4.
4. Prueba del modelo. Usar el modelo para obtener conclusiones que deben
coincidir con los datos de prueba o con el sentido comn. Si las
conclusiones son errneas y no hay errores en el modelo entonces regresar
al paso 1 y 2.



- 50 -
considerado una prueba, sobre todo si esta difiere de las ya efectuadas. Existen
aplicaciones que no son aptas para este tipo de modelo, por ejemplo, un modelo del
impacto de una guerra nuclear no podra ser probado.

En este caso, para efectuar las pruebas se requiere de experiencia en el mbito del
modelo, para hacer una buena evaluacin.


2.4 Modelos computacionales

Los modelos computacionales son usados en un amplio rango de aplicaciones de
las ciencias exactas, as como en las ciencias sociales y econmicas, [Roberts et al].
Muchos de los sistemas que se usan hoy en da para predecir el comportamiento de
sistemas complejos emplean la simulacin por computadora para obtener
conclusiones. Actualmente, los servicios metereolgicos usan simuladores de clima
para predecir el comportamiento del tiempo.

De la mano de un modelo est la simulacin por computadora, sta se refiere a los
mtodos que sirven para estudiar la gran variedad de modelos, usando evaluaciones
numricas. Se requiere de software diseado para imitar las caractersticas y la
operacin de los sistemas representados, regularmente sobre el tiempo. Desde un
punto de vista prctico, la simulacin es el proceso de diseo y creacin de un
modelo computarizado de un sistema real o uno propuesto.

La popularidad de la simulacin ha crecido durante las ltimas tres dcadas, la
principal razn es la posibilidad de trabajar con modelos complicados de sistemas de
la misma complejidad. Se ha convertido en una herramienta poderosa y verstil.




- 51 -
La construccin de un modelo computacional consta de dos etapas y stas a su vez
de 3 subetapas [Roberts et al], donde se incluye el proceso de construccin del
modelo de simulacin, la Figura 6 muestra con ms detalle estos pasos. En sta se
observa un proceso iterativo, donde despus de llegar a un nivel de evaluacin se
puede regresar a cualquier etapa. Con los datos obtenidos en la etapa de evaluacin
del modelo es posible determinar si es suficiente o es necesario modificar algo. Si es
necesario hacer algn cambio, se determina en qu etapa hay que trabajar.

La primera etapa de este esquema comprende la parte conceptual. Donde la
definicin del problema se hace primero, aqu se debe reconocer y definir el problema
en estudio; las variables que intervienen y la dinmica de las mismas ya que es muy
importante tomar en cuenta las causas y los efectos que provocan. Enseguida, la
conceptualizacin del problema, involucra documentar los datos generados en la
definicin del problema.


Figura 6. Etapas del proceso de construccin de un modelo
8


8
[Roberts et al] pgina 8
Definicin del problema

Conceptualizacin del sistema

Representacin del modelo

Comportamiento del modelo

Evaluacin del modelo

Polticas de anlisis y uso del modelo
Refinamiento
Tcnico
Conceptual



- 52 -
Existen diversos medios para hacerlo, los diagramas de ciclos causales, las
grficas de las variables y los diagramas de flujo, son tres de los ms comunes. Por
ltimo, se genera una representacin del modelo en trminos computacionales.

La segunda etapa comprende la parte tcnica del desarrollo. El primer paso a
seguir es usar la simulacin por computadora para verificar el comportamiento del
modelo, as como el comportamiento de las variables. Una vez hecho esto, se procede
a hacer pruebas al modelo. Esto involucra comprobar que los datos que se generan
corresponden a la realidad. Finalmente, el modelo se usa para probar otras cosas que
van a formar parte del sistema.


2.5 Modelos hbridos

Un modelo hbrido se compone de dos o ms elementos diferentes, los modelos
pueden formularse usando ms de una de las clasificaciones de los modelos, ya sean
matemticos, fsicos, computacionales o concepcin mental. De hecho la definicin
de modelos matemticos indica que no slo dependen del uso del lenguaje de las
matemticas sino que en muchos casos tambin de la simulacin por computadora.
Hoy en da la mayora de los modelos usan las computadoras para efectuar sus
pruebas, es decir se hace un hbrido de los modelos con los computacionales.


2.6 Modelado de flujo de trfico

Hoogendoorn comenta que las operaciones de trfico pueden ser representadas
usando como base una investigacin de campo, sta realizada sobre las actividades de
la vida real. Con este tipo de informacin se generan modelos representando una
realidad, basada en el punto de vista del diseador del modelo. Esta realidad puede
ser simulada y ayudar en la toma de decisiones. Los sistemas de flujo de trfico no



- 53 -
estn exentos de la complejidad, sta se refleja en los modelos de estos sistemas. An
en los casos, en que a pesar de la complejidad se pueden encontrar soluciones
analticas, la simulacin de estas soluciones es difcil de realizar.

Con los estudios y avances en el modelado de trfico hechos hasta el momento se
ha encontrado que la descripcin generada del fenmeno, usando modelos
matemticos, no es un reflejo de la realidad. La nica ley fsica precisa de la teora de
trfico es la ecuacin de conservacin del nmero de autos. Todas las dems
estructuras creadas reflejan ya sea idealizaciones intuitivas o aproximaciones
reducidas de observaciones empricas. [Papageorgius en Hoogendoorn et Bovy].

Los modelos de trfico creados hasta el momento cumplen con una serie de
caractersticas las cuales sirven para diferenciarlos unos de otros, stas se han
generalizado y son de uso comn. Un modelo de trfico microscpico describe el
comportamiento de conductores y vehculos de forma individual. Un modelo
submicroscpico describe el mismo comportamiento de un modelo microscpico,
aade al modelo mayor especificacin, en especial sobre el auto. En los modelos
mesoscpicos se estudian los autos por grupos, se clasifican de acuerdo a sus
velocidades y se obtienen tipos de autos que se pueden estudiar de forma individual.
Un modelo macroscpico asume el comportamiento de los conductores dependientes
de las condiciones del trfico y estudia el comportamiento de los autos a gran escala.
En la Tabla 4 se presenta una descripcin de la clasificacin propuesta por
[Hoogendoorn et Bovy].

De esta descripcin se observa el fenmeno descrito por Levins no es posible
maximizar en forma simultnea generalidad, realismo y precisin [Bender]. Esto se
ve en los modelos del tipo microscpico y submicroscpico se obtiene precisin y
realismo pero se sacrifica la generalidad. Ocurre lo mismo tambin con el modelo
mesoscpico donde no hay tanta precisin ni generalidad, est en un punto



- 54 -
Submicroscpico
Mesoscpico
M
A
C
R
O
S
C
O
P
I
C
O

Microscpic
o
intermedio. Finalmente, el modelo macroscpico tiene mucha generalidad pero pierde
toda precisin.

Los modelos de esta clasificacin pueden ser observados como agrupaciones unos
de otros. El conjunto ms grande es el macroscpico, en l se encuentran contenidos
los dems modelos. El siguiente, es el modelo mesoscpico. Despus, est el modelo
microscpico donde se encuentra contenido el submicroscpico. La Figura 7 ayuda al
entendimiento de esta descripcin.



Figura 7. Niveles de detalle de los modelos

2












- 55 -

Microscpicos. Un modelo de trfico microscpico describe el comportamiento de
conductores y vehculos de forma individual. El propsito es determinar el comportamiento
del seguimiento entre autos. Este tipo de modelos se desarrollan con base en el
comportamiento que tienen los autos con respecto del auto que va delante de ellos. Algunos
ejemplos son:
Distancia segura . Se busca obtener la distancia segura para ir detrs de un auto.
Respuesta a estmulos. Se basa en la respuesta que tiene un conductor provocada por el
frenado o la aceleracin del vehculo que va al frente de l.
Psicoespacio. La psicologa ha sido usada para mostrar que los conductores tienen lmites
en sus reacciones a los estmulos que recibe de las acciones del conductor al frente.

Submicroscpicos. Un modelo submicroscpico describe el mismo comportamiento de un
modelo microscpico y aade al modelo mayor especificacin, en especial sobre el auto. El
propsito de estos modelos es describir el funcionamiento de partes especficas de los autos,
as como los procesos que siguen durante su conduccin. Estn enfocados para determinar el
impacto que tiene un sistema de soporte en el auto. Algunos ejemplos son:
SIMONE. Donde se describe el comportamiento de los conductores influenciados por la
operacin de un sistema de control inteligente en un crucero. Adems se toma en cuenta
el entorno del vehculo.


Mesoscpicos. Se estudian los autos por grupos, se clasifican de acuerdo a sus velocidades y
se obtienen tipos de autos que se pueden estudiar de forma individual. El propsito del modelo
es estudiar el comportamiento de los autos como grupos homogneos y mostrar que as ocurre
en la vida real. Algunos ejemplos son:
Distribucin en el camino. Describe la distribucin de los vehculos como iguales. No hay
una consideracin explicita ni tampoco un trazo separado de cada vehculo.
Modelo de pelotn. Los modelos de grupos estn basados por el rol que juega el
agrupamiento de autos. Para este fin un grupo esta formado por autos que poseen la
misma caracterstica, usan variables como velocidad y tamao de los grupos, el cual
puede crecer o decrecer en forma dinmica.
Modelo de cinemtica de gases. Las modelos de cinemtica de gases describen la
dinmica de la densidad fase-espacio reducida de los gases. Muchos han sido los
desarrollos de esta teora, se han incluido multiclases de autos y multicarriles en las
carreteras.


Macroscpicos. Un modelo macroscpico asume que el comportamiento de los conductores
depende de las condiciones del trfico. El propsito de estos modelos es Estudiar el
comportamiento de los autos a gran escala para tomar decisiones a nivel masivo. Con los
elementos del modelo macroscpico de trfico es posible determinar el flujo mximo, la
densidad y velocidad que se presentan en el punto del flujo mximo. Algunos ejemplos son:
Conservacin del nmero de vehculos. Explica que el nmero de autos que entra a un
tramo de carretera, donde no entran ni salen autos, se mantiene constante.
Relacin del flujo, densidad y velocidad. Esta relacin define la interaccin y
dependencia que hay entre tres variables que son el flujo, densidad y la velocidad.

Tabla 4. Descripcin de las clasificaciones hechas por Hoogendoorn y Bovy



- 56 -
2.7 Proceso de construccin de modelos

A continuacin se propone un proceso nuevo para construir modelos, es especial
de trfico. La Figura 8 muestra el esquema bajo el cual un modelo puede
desarrollarse, para cumplir con las expectativas para las que fue creado. Dentro del
esquema de la Figura 8 se presenta el proceso, que puede ser iterativo. Hay
comunicacin hacia delante o hacia atrs el nmero de veces que sea necesario hasta
refinar el modelo, una estrella similar como la propuesta por Sterman, Figura 5 de la
seccin 2.2 de ste captulo.



2.7.1 Interesados

Definir quin es el cliente, ayuda a orientar el trabajo. Si no se sabe para quin se
est trabajando o a quin se busca satisfacer, no podemos definir qu es lo que se
quiere hacer. Como dice Orozco todo proceso debe satisfacer las expectativas del
cliente, debe deleitarlo [Orozco et Jimnez]. A su vez un proceso es definido como
cualquier actividad realizada en nuestra vida, no slo se encuentra orientado a la
industria. Lo anterior motiva a definir a quin queremos ayudar o beneficiar al hacer
el modelo.


2.7.2 Propsito

Una vez definido el inters por hacer el modelo se debe establecer de forma clara
evitando ambigedades lo que se quiere hacer. Es importante la claridad en este punto
porque el propsito sirve para definir si algo en proceso de desarrollo cumple con lo
establecido desde un principio. Adems, evita tomar caminos equivocados y a
enderezar el rumbo del trabajo a tiempo.



- 57 -
2.7.3 Nivel de abstraccin

Definido lo que se quiere hacer se elabora un diseo con un plan de trabajo cuyo
seguimiento es necesario. El nivel de abstraccin forma parte del diseo, ste
representa el nivel de detalle a tomar en cuenta del problema. Para el caso de flujo de
trfico existen categoras definidas como son los modelos macroscpicos,
microscpicos, etc.; as dependiendo del nivel de especificacin que se desee tener en
el modelo, se disea ste.


2.7.4 Modelo

Una vez obtenida la abstraccin de la realidad se propone el modelo que la
represente. Las simplificaciones y restricciones asumidas, deben ir de acuerdo con el
punto de vista de inters en el fenmeno.


2.7.5 Simulacin

La simulacin de un modelo sirve para obtener conclusiones. En este momento es
posible dar solucin al modelo especificado de dos formas. Una de ellas es
resolviendo de forma analtica las ecuaciones propuestas, incluso es posible efectuar
una solucin simulada de este proceso pero esto es complicado de hacer. La otra es
realizando una simulacin para determinar si es correcto el modelo. Una vez probado
el modelo y mostrado su correcto funcionamiento se revisa si cumple con la
especificacin de nuestro cliente ya que despus de la simulacin puede ocurrir que el
inters cambie debido por el mayor entendimiento del sistema. Es importante recalcar
que los resultados de la simulacin slo sirven para tomar decisiones o sacar
conclusiones, una explicacin del fenmeno no puede obtenerse del modelo creado.




- 58 -


Figura 8. Dinmica del proceso de elaboracin de un modelo

Las flechas de la Figura 8 indican que durante el proceso de refinamiento y
evolucin del modelo es posible ir a cualquier etapa del desarrollo para analizar
dnde se cometi una falla o dnde se puede mejorar el trabajo.

Para ejemplificar y mostrar que esta metodologa se aplica a los modelos
existentes se van a describir los puntos del mtodo para los modelos macroscpico y
mesoscpico. Es posible generar el mtodo para los modelos microscpicos y
submicroscpicos de forma anloga a la efectuada con los otros dos modelos.



INTERESADOS
Para quin lo
queremos hacer?
PROPOSITO
Qu es lo que se
quiere hacer?
Para qu?
NIVEL DE
ABSTRACCION
Con qu se va a
resolver. Diseo
del modelo.
MODELO
Representacin
del modelo
SIMULACION
Prueba del
modelo
Debe cumplir con
lo que esperan los
interesados



- 59 -
2.8 Proceso para la generacin de un modelo de trfico
macroscpico

Un modelo macroscpico asume que el comportamiento de los conductores
depende de las condiciones de trfico afectando a los conductores directamente en su
ambiente. Las variables independientes de estos modelos son la posicin x y el
tiempo t. Se describe la densidad, velocidad y el flujo. Los modelos de tipo
macroscpico estudian el comportamiento global del trfico ganando generalidad en
el desarrollo, aun as pueden establecer la posicin de un auto.


2.8.1 Interesados del modelo macroscpico

El inters por el desarrollo de modelos macroscpicos es estudiar el
comportamiento global del trfico sin ocuparse de los individuos, se interpreta que el
trfico es un todo y sus componentes tambin lo son. El grupo de inters son los
diseadores de modelos que carecen de medios para hacer simulaciones usando gran
cantidad de variables.

2.8.2 Propsito del modelo macroscpico

Cuando los recursos de los que se dispone para el desarrollo del modelo, esto es
tiempo y equipo que se tiene, son limitados se recurre a desarrollar un modelo simple
como es el ma croscpico. No obstante esta limitante, los resultados mostrados en
modelos como ste son mejores que en los que presenta gran cantidad de detalle,
modelos microscpicos [Hoogendoorn et Bovy]. Adems, la ventaja que se tienen de
la construccin de estos modelos es que requieren de poco cmputo y puede usarse en
lnea, dar soluciones en tiempo real, por la velocidad con que ofrecen respuestas.
Tambin, la validacin de este tipo de modelos se puede hacer usando muestras ya
que la densidad y el flujo pueden ser medidos.



- 60 -
2.8.3 Nivel de abstraccin del modelo macroscpico

Lograr una representacin del flujo de trfico para mostrar que las condiciones
del trfico como son: la densidad, el flujo y la velocidad de campo, influyen
directamente en el desempeo de los conductores y en el movimiento global de los
autos. Logrando entender esta parte se puede predecir cul va a ser la densidad y el
flujo de una carretera despus de un tiempo t y tomar medidas para prevenir
congestionamientos y mejorar el flujo vehicular. Los elementos que considera el
modelo macroscpico son carreteras de tamao finito o infinito y tres variables
fundamentales: densidad, flujo y velocidad de campo.

La relacin que hay entre estas variables han generado ecuaciones fundamentales
de esta categora de modelos como son la ley de conservacin de autos y la ecuacin
fundamental del flujo de autos que relaciona el flujo y la densidad [Haberman]. Con
estas ecuaciones es posible predecir el flujo y la densidad a futuro y as estimar cul
debe ser el flujo que debe entrar en una carretera si se requiere de mantener un flujo
uniforme, por ejemplo.


2.8.4 Modelo macroscpico

El modelo macroscpico tiene dos ecuaciones fundamentales que relacionan el
flujo, la densidad y la velocidad de campo, estas son:

q = ?u y 0

x
q
t

.

Para estas ecuaciones se requiere del desarrollo de otras ecuaciones que sirvan
para dar solucin a estas ecuaciones. Los modelos creados son: continuo, el semi-



- 61 -
discreto y discreto, en la seccin donde se describen los modelos macroscpicos se
detallan los desarrollos hechos hasta el momento.


2.8.5 Simulacin del modelo macroscpico

Los modelos macroscpicos pueden tener una solucin analtica muy cercana a la
real [Hoogendoorn et Bovy], y la simulacin de estos modelos es para comprobar los
datos de la solucin analtica, adems, es posible encontrar estimaciones, predecir y
controlar el flujo de trfico usando la simulacin.


2.9 Proceso para la generacin de un modelo de trfico mesoscpico

Un modelo de trfico mesoscpico no describe el comportamiento de conductores
y vehculos de forma individual. Sin embargo, las reglas de comportamiento son
descritas bajo un nivel individual ya que estn basadas en el modelo de cinemtica de
gases, describe la distribucin de la velocidad en posiciones e instantes especficos.
La dinmica de estos movimientos depende de varios procesos, aceleracin,
interaccin entre vehculos, cambio de carril, describiendo el comportamiento
individual de los conductores.


2.9.1 Interesados del modelo mesoscpico

Los interesados en el desarrollo de modelos mesoscpicos son las personas que
requieren de pruebas de laboratorio, es decir, no buscan respuestas en tiempo real
sino estudiar el fenmeno. El problema de estos modelos es la gran cantidad de
variables que involucran por lo que lograr un control del flujo no es posible
[Hoogendoorn et Bovy].



- 62 -
2.9.2 Propsito del modelo mesoscpico

La creacin de los modelos mesoscpicos tiene la intencin de disminuir el detalle
de los modelos microscpicos y hacer clculos menos complicados. Posteriormente
ha servido de escaln para la creacin de modelos macroscpicos ya que esta teora
ha sido usada para la formulacin de modelos menos complicados que se convierten
en macroscpicos.


2.9.3 Nivel de abstraccin del modelo mesoscpico

El nivel de abstraccin de los modelos mesoscpicos est integrado por los grupos
formados en la red de trfico, stos tiene homogeneidad. Diferentes son las
caractersticas ha tomarse en consideracin para la formacin de estos grupos que
despus se consideran autnomos e interactan con otros grupos. La interaccin
produce un nivel de detalle pero no de cada auto sino de cada grupo por lo que pierde
la caracterstica de modelo microscpico, aun as es un modelo con gr an nivel de
detalle porque pueden existir tantos grupos como se especifiquen. Los grupos tienen
una analoga con el movimiento de un pelotn de la milicia que se mueve
uniformemente y siguiendo a un lder y este grupo puede pasar o unirse con otro
grupo segn lo decida su lder. El anlisis de los grupos se hace con la teora de
cinemtica de gases y las propiedades que se derivan.


2.9.4 Modelo mesoscpico

Los modelos mesoscpicos han sido analizados y explicados con anterioridad,
seccin 1.2 del captulo 1, es importante es tomar en cuenta la densidad-fase-espacio
que forma parte de la teora de cinemtica de gases y es de esta ecuacin de donde se
derivan lo dems modelos. La generalizacin de este tipo de modelos, es decir tomar



- 63 -
en cuenta multicarriles y multiclases de grupos, no tiene resultados que sean
considerados buenos [Hoogendoorn et Bovy].


2.9.5 Simulacin del modelo mesoscpico

La simulacin de este tipo de modelos es muy compleja ya que la representacin
de las caractersticas ha derivado en muchas variables y su clculo es complicado as
que no es posible usarlos en situaciones reales.

El nuevo mtodo para la formulacin de modelos es una de las contribuciones de
la tesis. La propuesta que se plantea demuestra que los modelos de trfico
desarrollados hasta ahora bien pudieron seguir ste mtodo para su formulacin. El
modelo desarrollado para esta tesis sigui el mtodo propuesto.

La diferencia principal en comparacin con los mtodos tradicionales es la
inclusin de los interesados, que en muchos casos puede ser la persona que conoce el
problema a fondo y ayudara a evitar que se hagan suposiciones falsas. Adems, la
interaccin que debe haber entre todas las etapas es importante y no todos los
mtodos lo tienen. Los procesos iterativos para la evaluacin y correccin de
procesos es vital para llegar a un correcto desenlace.






- 64 -
Captulo 3

Desarrollo


El modelo de trfico tradicional agrupa las variables velocidad, flujo y densidad
[Haberman], donde la velocidad del trfico v corresponde a la velocidad de los carros.
La densidad del trfico ? est definida por el nmero de autos que hay en una
distancia d. El flujo de trfico q es un nmero de carros que pasan en un punto del
camino en un intervalo de tiempo t. El rendimiento del sistema de caminos se da en
trminos del flujo a travs del sis tema. Algunos de los modelos tradicionales, por
ejemplo el desarrollado por Lighthill-Whitman-Richards [Lighthill et Whitman],
[Whitham], [Richards], [Helbing], han estado sujetas a controversias respecto a su
validez y aplicabilidad a los problemas reales del flujo de trfico [Klar et Wegener].
La nica ley fsica precisa de la teora de trfico es la ecuacin de conservacin del
nmero de autos. Todas las dems estructuras creadas reflejan ya sea idealizaciones
intuitivas o aproximaciones reducidas de observaciones empricas [Hoogendoorn et
Bovy].

Las operaciones de trfico pueden ser representadas con base en una investigacin
de campo, sta realizada sobre las actividades de la vida real [Hoogendoorn et Bovy].
Esta informacin permite generar modelos representando una realidad, basada en el
punto de vista del diseador del modelo, sta al ser simulada ayuda en la toma de
decisiones. Ya se ha explicado sobre la complejidad que involucra el desarrollo de
modelos, las soluciones analticas, cuando las hay, no producen los resultados
esperados [Hoogendoorn et Bovy].




- 65 -
Ya se ha hablado extensamente de la problemtica del trfico dentro de los
captulos 1 y 2 de este documento, tambin, de las limitaciones que hay en los
modelos hechos hasta el momento. Dentro de este apartado se va a mostrar cmo se
desarroll un modelo nuevo que representa el flujo vehicular y ayuda a su mejora.
Son tres los las variantes que se presentan de este modelo, estas son: modelo sin
retraso, modelo con retraso y modelo con retraso y manejo de semforos. En primer
lugar, se va a explicar los elementos caractersticos que se van a tomaron en cuenta
para el diseo del modelo. Despus, se explicarn los componentes de modelo.
Finalmente, se muestran los tres diferentes modelos creados.


3.1 Elementos caractersticos

Los elementos, contenidos dentro de cada uno de los modelos expuestos en los
captulos anteriores, considerados comunes por su uso se tomaron en cuenta para el
desarrollo del modelo presentado en este trabajo. En primer lugar, las tres variables
del modelo tradicional, que se consideran en la mayora de los modelos creados hasta
ahora. La velocidad y el flujo son variables que pueden ser medidas con mayor
sencillez que la densidad, esta ltima es complicada de calcular, sobre todo si es
necesario hacerlo fsicamente ya que se requiere de una toma area para contar los
autos, afortunadamente el uso de sensores ayuda a medir de sta variable. Entonces se
tiene:

v la velocidad del trfico, corresponde a la velocidad de los carros.

? densidad del trfico, el nmero de autos en una distancia d, el espacio entre los
autos depende de cada conductor,
Si k es la longitud del carro, entonces, la distancia de la defensa delantera de
un carro a la defensa trasera del carro que le sigue est dada por (1 - ?k) / (?-1)



- 66 -

q flujo de trfico, es un nmero de carros que pasan en un punto del camino en
una unidad de tiempo. El rendimiento del sistema de caminos se da en trminos
del flujo a travs del sistema.

Aunque existen ecuaciones que permiten calcular la densidad a partir de la
velocidad es muy complejo obtener este clculo [Haberman]. Dentro de este trabajo
el inters es determinar el comportamiento de los cruces y las colas que se forman en
estos.

Como parte de la descripcin del modelo se consideran los siguientes factores:

Vehculos. Se pueden construir diferentes categoras de autos, en caso que se
consideren importantes. La simplificacin del modelo considera a los autos de
igual tamao. Tambin, es necesario introducirle la variable velocidad de los
carros, sta depende de las calles y las condiciones del trfico. El modelo toma en
cuenta las velocidades promedio, presentes en cada calle.
Bloqueos. Estos detienen la circulacin. Son provocados por muchas razones,
accidentes, obra pblica, etctera. Lo ms comn es el ciclo en rojo de un
semforo.
Calles. En esta etapa es necesario definir el tamao y la longitud de las calles para
conocer sus capacidades, el flujo mximo de autos que pueden transit ar en ellas.
El planteamiento permite representar un nmero n de calles.
Cruce. Un cruce sirve para representar el paso de los coches de una calle a otra.
Los diferentes tipos de trfico, en la vida cotidiana, permiten dar una
clasificacin que va desde el trfico muy ligero al congestionado.
Manejo de semforos para todos los cruces donde se maneja los ciclos que
permiten el paso a los autos o la detencin de estos. Para el manejo de los
semforos hay dos variantes, la primera es cuando los ciclos de semforos son



- 67 -
establecidos y no se modifican durante la simulacin, la segunda permite que los
ciclos de semforo se modifiquen dependiendo de las condiciones de trfico que
se presenten.

El manejo del flujo de autos a travs de las calles considerando factores como:

El espacio disponible en las calles para el flujo vehicular.
Las velocidades de los autos para transitar en las calles.
El tiempo que demoran los automviles en cruzar, la calle despus de un ciclo en
rojo, depende de su posicin en la cola.
La interaccin que hay entre los carros y la capacidad de las calles para avanzar o
quedarse detenidos.
La formacin de las colas en los cruces donde el semforo se pone en el ciclo en
rojo.

El manejo de tres versiones del modelo que son:

Modelo 1. No considera un tiempo de retraso en el paso de los carros de una calle
a otra, lo cual se comprob sirve para condiciones donde las calles se mantienen
con una ocupacin de mayor al 60%.
Modelo 2. Considera tiempo de retraso entre el paso de los carros de una calle a
otra. Es ms cercano a la realidad pues ayuda a medir el flujo de los carros y a
observar los tiempos que demoran los autos en su paso en las calles. Adems, este
modelo sirve para todo tipo de trfico, sin importar la ocupacin de la calle.
Modelo 3. Es igual al 2 con la variante que tiene control de semforos. En este
modelo es posible predecir los ciclos de semforo que generan un aumento en el
flujo y una disminucin en la densidad de las calles.





- 68 -
La presentacin de reportes que permiten comparar los tres modelos, analizando:
La densidad calle por calle y la de todas las calles.
Los tiempos de paso de los carros a travs de todas las calles.
Las entradas y salidas del sistema.

En la siguiente seccin se explica el modelo y la forma como se obtuvo,
posteriormente se presentan las tres variantes del mismo.


3.2 Formulacin del Modelo

El desarrollo del modelo consta de varias etapas. La primera, consisti en observar
el fenmeno en las calles, una investigacin de campo, donde se colectaron datos para
la validacin del modelo. Despus, la formulacin del modelo siguiendo el proceso
explicado en el captulo anterior, seccin 2.7, con las sub-etapas que forman parte de
este mtodo.


3.2.1 Interesados

El problema del trfico en la ciudad de Puebla, como en muchos otros lugares, ha
tenido un incremento digno de llamar la atencin. La intencin de resolver problemas
de carcter social para mi es importante y necesario para contribuir en la mejora de la
ciudad. El inters es modelar el trfico, hacindolo de la forma ms sencilla posible,
para mejorar el flujo vehicular.








- 69 -
3.2.2 Propsito

El objetivo del modelo de trfico es analizar diferentes condiciones de circulacin
a travs de la simulacin digital. La formulacin del modelo considera restricciones,
para acotarlo, en los siguientes parmetros: tipificacin del flujo de trfico, velocidad,
condiciones deseables de trfico, homogeneidad en autos y calles. Adems, un
objetivo secundario es usar la simulacin del modelo para lograr una sincronizacin
de semforos que permitan la mejora del flujo vehicular. El modelo se valida con
parmetros asociados a calles de la ciudad de Puebla.
3.2.3 Nivel de abstraccin

El modelo que presento toma en cuenta los eventos que ocurren en un conjunto de
cruces, que hacen una analoga con un grupo de servidores de red conectados en
serie. Recordando la Figura 8 y el proceso para la generacin de un modelo vamos a
definir los elementos de cada uno de los elementos que forman el mtodo.

En el modelo ocurren diferentes cosas o eventos a considerar, estos son: paso de
autos a travs de un cruce, llegada de autos a la esquina de un cruce, entrada de un
auto a una calle, modificacin del tamao de las colas en los cruces.


3.2.4 Modelo Sin tiempo de retraso

El modelo creado es heurstico. El inters principal es observar los cruces, con la
finalidad de analizar diferentes condiciones de circulacin. A cada cruce se le asigna
un estado que indica la cantidad de autos en la cola: autos que llegan menos los autos
que dejan de estar en ella. Los autos camino al cruce se identifican por medio de un
estado intermedio. En este estado se toman en cuenta los autos que estn en la calle
conectada al cruce y an no han llegado a l. Las entradas al cruce estn definidas por



- 70 -
los autos que pasan de estar en estado intermedio y llegan a l. Las salidas de una
interseccin se miden con el tiempo de paso de cada coche por esta interseccin.
Finalmente, se cuenta la cantidad de coches que salen del cruce, estos autos pueden
formar parte del estado intermedio de la siguiente interseccin. Se asume tiempo
instantneo del paso del estado intermedio a la entrada al cruce y la llegada de los
coches es simulada por medio de una distribucin de Poisson, esta distribucin
describe la llegada de los autos [Garber et Hoel].

El modelo esquematizado se presenta en la Figura 9. Un generador de llegadas
simula los arribos de coches a la primera calle, esta operacin depende de las
condiciones de trfico que se requiera presentar, puede ir de ligero a congestionado.
Se considera un carril por donde van los coches y dentro de ste no se generan ni se
pierden autos. Los carros llegan al primer cruce y dependiendo de las condiciones de
los semforos y de la ocupacin de la cola en la calle podrn pasar o esperar su turno
para dejar el cruce. El paso de los autos puede ser a la siguiente calle o simplemente
dejar de estar en el sistema, puede ocurrir que el auto requiera dar vuelta, por lo tanto
pasa el cruce pero no entra a la siguiente calle. Las entradas a las calles pueden
producir ganancia de autos y sta puede ser representada con generadores de llegadas
como el usado para la primera calle. El uso de estos generadores sirve para
representar las llegadas de los autos que provienen de la interseccin pero no de la
calle anterior. Los arribos de los automviles a las calles requiere del clculo del
tiempo de retraso entre el momento de su entrada a la calle y la llegada a la cola o el
paso por el cruce, en este tiempo los autos estn en un estado intermedio: los carros
estn en la calle pero no han llegado a la esquina. Las condiciones, hasta ahora,
mencionadas se repiten para un grupo de k cruces y al final de estos se contabilizan
los autos que salen, con la finalidad de lograr maximizar este valor.






- 71 -

Cruce 1 Cruce 2 . . . Cruce k

Generador de
llegadas
Contador
t
k
tiempo de retraso
depende de la interseccin




Figura 9. Modelo de trfico

Los parmetros del modelo son: la capacidad del cruce que representa la cantidad
mxima de autos que puede formarse en la cola, la ocupacin del cruce que indica
qu cantidad de autos hay en la cola de la esquina, el ciclo del cruce que representa
los ciclos completos de los semforos, el tiempo del siga (verde) del cruce, desfase
en cada intermedio. Para realizar la simulacin hay que definir el tiempo de
simulacin, el estado inicial de los parmetros usados para el sistema. Finalmente, los
valores almacenados son el tiempo de arribo de los coches a los diferentes cruces, el
tiempo de salida, las posiciones de llegada que ocupan los autos, pueden estar en la
cola, en el intermedio o fuera del sistema.

Un primer desarrollo presenta cada cruce y su ocupacin. La ocupacin es
definida por el nmero de autos que llegan al cruce menos los autos que dejan de
estar en l: los que ya estn
0
kt
Ocu , ms los que llegan
k
In , menos los que salen
k
Out

.
0
k k kt k
Out In Ocu Ocu +

Adems, los autos en camino al cruce se encuentran en un estado que llamamos
intermedio. Aqu se toman en cuenta los autos que estn en la calle conectada al cruce
y que an no han llegado a l. Los autos que pasan de una calle a otra se encuentran
en este intervalo de calle mientras no lleguen al cruce

.
1

k k
Out Inter



- 72 -
Las entradas del cruce se definen por los autos que llegan a l al abandonar el
estado intermedio. El tiempo que demora a un auto puede estar en funcin de muchos
parmetros como: velocidad de los autos, capacidad de la calle, entre otros. Sin
embargo, este tiempo se asume igual a cero, es decir, el paso es instantneo

.
k k
Inter In

Finalmente, las salidas de un cruce se miden con el tiempo del ciclo en verde del
semforo, el lapso de simulacin donde el verde es activo, entre la velocidad
promedio obtenida de la muestra

,
1
1
1

paso de Velocidad
lapso del Verde
Out
k
L L
K K
donde
1
es la funcin techo [Graham].


3.2.5 Simulacin

La simulacin del modelo y sus resultados se presentan en el captulo siguiente y
forman parte de los resultados obtenidos.
















- 73 -
3.3 Modelo con tiempo de retraso













Figura 10. Diagrama para el clculo del tiempo de retraso

Los vectores V
k
registran el tiempo de paso T
i
de los autos al estado intermedio
(Inter
k
). Al principio, el generador de llegadas guarda los tiempos de arribo de los
autos en un arreglo v
1
, es decir, entran al estado intermedio de la calle con rumbo al
cruce 1. Esto ocurre de forma anloga en el resto de los cruces, el paso de un auto a
travs del cruce genera el almacenamiento de su tiempo en el vector V
k

correspondiente.

El tiempo de llegada del auto, en el estado intermedio Inter
k
, al cruce k depende de
la distancia que recorra el carro en la calle. En caso de haber cola en el cruce no se
recorre toda la distancia.

El funcionamiento de los vectores es similar a una cola, el primero en entrar al
estado intermedio Inter
k
es el primero en llegar al cruce k. El tamao de la cola es
restringido y depende del mximo aforo que puede proporcionar la calle.
t
k
tiempo de retraso
depende de la interseccin

Cruce 1 Cruce 2 . . . Cruce k

Generador
de llegadas
Contador
Salidas
V1
Ti

:

:

T
V2

Ti

:

:

T
Vk

Ti

:

:

T



- 74 -
Como el tiempo de simulacin es por periodos de tiempo, van de t
0
a t
1
, se mide el
estado del cruce en este lapso de tiempo, es decir, cuantos carros hay en la cola del
cruce al inicio y al final del intervalo.

Con los datos que contiene la cola del vector V
k
, se procede a sacar los carros que
pueden pasar del estado intermedio Inter
k
al cruce k. Para determinar si un carro
llegar al cruce se calcula que distancia que debe recorrer y se divide ste valor entre
la velocidad promedio del auto, as se obtiene el tiempo que tardar en recorrer esa
distancia el carro. El valor del tiempo de recorrido es sumado al valor del tiempo de
entrada al estado intermedio Inter
k
, que fue extrado del vector V
k
. Si la suma
obtenida cae dentro del intervalo que va de t
0
a t
1,
el carro pasa a formar parte de la
cola del cruce k. Adems, se elimina el valor del vector Vk, el carro deja de formar
parte del estado intermedio. El algoritmo para el proceso de extraccin de valores del
vector V
k
es el siguiente:
1. Si hay valores en la cola, ir a paso 3.
2. Si no hay valores ir a paso 6.
3. Se toma el valor al frente de la cola.
4. Se calcula el tiempo faltante para llegar al cruce
5. Si el tiempo est dentro del intervalo [t0, t1] se saca el valor del inicio de la
cola y se inserta dentro de los llegados al cruce. Despus, regresa al paso 1.
6. Si no cae dentro del rango, entonces, ir a 7.
7. Termina proceso.

A continuacin se muestra un ejemplo de este proceso. Suponiendo que el tiempo
de simulacin va de t
0
=10 segundos a t
1
=15 segundos, y la cola presenta los
siguientes datos. Los tiempos de llagada son colocados arbitrariamente ya que la
finalidad es mostrar el manejo de las colas, la forma de cmo se calcula ste tiempo
es presentada en la seccin 3.4.2.




- 75 -






1. Si hay valores en la cola, ir a paso 3
3. Valor 1.2
4. Tiempo de llegada al cruce 11.2 segundos, el tiempo de llegada se asume que
es de 10 segundos.
5. Esta dentro del intervalo as que pasa al cruce y se regresa a 1



1. Si hay valores en la cola, ir a paso 3
3. Valor 1.5
4. Tiempo de llegada al cruce 14.5 segundos, el tiempo de llegada se asuma es
de 13 segundos.
5. Esta dentro del intervalo as que pasa al cruce y se regresa a 1







1. Si hay valores en la cola, ir a paso 3
3. Valor 2.1
Frente Cola Tamao = 3
0.0 1.2 1.5 2.1 0.0
Frente Cola Tamao = 2
0.0 0.0 1.5 2.1 0.0
Frente
Cola Tamao = 1
0.0 0.0 0.0 2.1 0.0



- 76 -
4. Tiempo de llegada al cruce 17.1 segundos, el tiempo de llegada se asuma es
de 15 segundos.
6. Esta fuera del intervalo, ir a 7
7. Termina recorrido

Esta es la forma es como se van a manejar los vectores y las colas que almacenan.


3. 3.1 Manejo de las colas para los estados intermedios de los cruces

El manejo de las diferentes colas requeridas en el desarrollo del sistema necesita
un administrador de ellas. Las operaciones de estas colas son las tradicionales,
insertar en la cola (push), sacar de la cola (pop), saber si la cola est vaca (isempty) y
de forma contraria saber si la cola est llena (isfull).

Los datos requeridos de la cola son: el frente, la cola, el tamao actual de la cola y
el tamao mximo permitido. Dado que hay muchas colas, se usa una estructura de
datos para almacenar la continuacin referente a cada cola. El uso de un vector, por
ejemplo, sirve para este fin, donde el ndice de cada vector indica el nmero del cruce
y el valor almacenado. A continuacin se representa el empleo de los vectores para
almacenar estos datos.

Vector de posicin de las colas
Vector de posicin de los frentes
Vector para almacenar el tamao actual
de las colas
Vector que almacena el valor mximo
permitido en la colas


5 2 . . . 8 4
1 8 . . . 5 3
5 5 . . . 4 2
8 10 . . . 8 15
Indice 1 2 . . . n-1 n



- 77 -
El tamao mximo de la cola dos, de este ejemplo, es de diez elementos,
actualmente ocupa slo cinco de estos. El frente de la cola est en la posicin ocho y
la cola se encuentra en la posicin dos. Esto es:





Colas de este tipo no requieren de recorrer elementos cada vez que se hace una
operacin de eliminacin, operacin que toma tiempo de procesamiento sobre todo si
hay muchos datos en la cola. Slo se tiene que mover el valor de la cola y limpiar la
casilla. El empleo de una estructura de datos adecuada para manejo de las colas, que
se creen en el sistema, facilita las operaciones asociadas a stas. A lo largo del
captulo se emplean vectores para el manejo de las colas.
Las operaciones bsicas de las colas son: cola vaca, cola llena, insercin y
eliminacin. Las dos primeras operaciones son de gran utilidad para el desarrollo de
los mtodos de insercin y eliminacin de la cola. A continuacin se van a explicar
las funciones de las colas y el uso de los vectores para manejarlas. Los algoritmos
para manejo de colas se pueden consultar en el apndice A.

La deteccin cola vaca consulta el valor que hay en el vector que almacena el
tamao actual de cola, si su valor es cero la cola est vaca. Es de suma importancia
ya que evita hacer operaciones, como la eliminacin de un elemento de la cola,
cuando no hay elementos en ella.

Otra caracterstica de las colas, es determinar si una cola est llena. Esto se detecta
comparando el vector que almacena el tamao actual de la cola con el tamao
mximo permitido para sta.

12.5 14.2

8.5 10.2 11.2
1 2 3 4 5 6 7 8 9 10



- 78 -
El ndice de la cola est localizado entre dos valores: su tamao actual y su tamao
mximo permitido. La operacin residuo obtiene este ndice y regresa el valor cero si
ambos valores son iguales.

Para insertar un dato en la cola es necesario verificar si la cola no est llena, la
operacin cola llena lo verifica. Despus se incrementa la posicin actual de la cola,
la operacin residuo obtiene la nueva posicin en sta. Finalmente, se inserta el valor
en la cola y se incrementa el valor del tamao de sta.

La otra operacin que se requiere es la eliminacin de elementos de la cola. Lo
primero que se debe hacer es comprobar que hay elementos en la cola, para esto se
cre la funcin cola vaca. Una vez comprobado la existencia de elementos se copia
el valor del frente de la cola. Despus, se borra el elemento de la cola y se recorre el
frente a la siguiente posicin, similarmente que en la insercin se usa la operacin
residuo para hacer este clculo. El inters de esta funcin es obtener el valor de la
cola por lo que en caso de no haber elementos en la cola se regresa un valor de
default.


3.3.2 Tiempo de llegada al siguiente cruce

En esta seccin se presenta el algoritmo que se dise para el manejo del tiempo
de llegada de los autos a los cruces, tomando en cuenta el retraso de los autos.

El tiempo de llegada de un auto al cruce depende del estado intermedio Inter
k

donde se ubique, del estado del cruce k a donde quiere llegar, y el tamao de la cola.
Se debe tomar en cuenta el decremento, que pudiera existir en la cola, durante el ciclo
de simulacin. El decremento de la cola se produce slo cuando el ciclo de semforo
esta en siga.



- 79 -
La primera parte del algoritmo es la verificacin del tiempo del ciclo en verde
durante el intervalo de simulacin t
0
y t
1
. La Figura 11 muestra un diagrama de los
posibles escenarios que se pueden presentar, son cuatro los casos.




Figura 11. Posicin del intervalo de simulacin dentro del ciclo de semforo

La razn para encontrar ste tiempo, del ciclo en verde durante el intervalo de
simulacin t
0
y t
1,
es: determinar el tiempo en el que los autos pueden pasar por el
cruce. Es claro que si el intervalo cae dentro del caso c, no van a pasar los carros por
el cruce as que el tiempo de paso de autos TFS es cero. Si se cae dentro del caso d,
quiere decir que los autos pasan durante todo el tiempo que contemple el intervalo.
Cuando el inicio del intervalo t
0
es dentro del ciclo en rojo y termina el intervalo t
1
en
el ciclo en verde, caso a, el tiempo a considerar se mide entre el inicio del ciclo en
verde y el fin del intervalo t
1
. Finalmente, el caso de que el intervalo comience dentro
del ciclo en verde y termine dentro del ciclo en rojo, caso b, el tiempo a considerar se
mide entre el inicio del intervalo t
0
y el inicio del ciclo en rojo.

Una vez obtenido el valor del tiempo en que los autos pueden pasar por el cruce,
se calcula cuantos autos van a pasar. Es necesario introducir un nuevo trmino PPC
que indica el tiempo promedio que tarda en pasar un carro por el cruce. Con una
divisin, entre el tiempo en que pueden pasar los carros y el promedio que tarda un


a) c)


b) d)




[t
0
, t
1
]
Verde Rojo Verde
[t
0
, t
1
]
Verde Rojo Verde
[t
0
, t
1
]
Verde Rojo Verde
[t
0
, t
1
]
Verde Rojo Verde



- 80 -
carro en pasar por el cruce, se obtiene el nmero de autos que van a dejar el cruce
dentro del intervalo y la cola se va a reducir tanto como sea posible.

Despus, se calcula la distancia que debe recorrer un auto, que se encuentra en el
estado intermedio, para llegar a la cola del cruce. El tamao de la cola del cruce es
conocido, el tamao de las calles y el tamao promedio de los autos, con estos datos
se puede obtener la distancia que deben recorrer los carros, que resulta de la resta del
valor del tamao de la calle menos la distancia que ocupan los autos de la cola.

El paso final es calcular el tiempo en que el auto va a recorrer la distancia, el
tiempo de retraso. La velocidad del auto es conocida, se considera la velocidad
promedio de los carros que circulan por esa calle, y con la formula clsica de
distancia sobre velocidad se encuentra el tiempo de recorrido.

El algoritmo creado es el siguiente:
1. Calcular el nmero de autos que van a dejar la cola en el intervalo
1.1 Determinar el tiempo que va a funcionar el semforo TFS dentro del intervalo
1.1.1 Si el intervalo de simulacin cae totalmente dentro del ciclo en verde.
TFS = t
1
-t
0

1.1.2 Si el intervalo de simulacin empieza dentro del ciclo en rojo y termina
dentro del ciclo en verde.
TFS = t
1
-ICV, donde ICV es el inicio del ciclo
en verde del semforo
1.1.3 Si el intervalo de simulacin empieza en el ciclo en verde y termina dentro
del ciclo en rojo.
TFS = ICR-t
0
, donde ICR es el inicio del ciclo
en rojo del semforo
1.1.4 Si el intervalo de simulacin no cae dentro del ciclo en verde el valor es
cero.
TFS = 0.0
1.2 Determinar cuntos carros pasan CP en el tiempo TFS
CP = TFS/PPC, donde PPC es el paso de carros en el cruce.
1.3 El tamao actual de la cola TAC es decrementado en CP quedando el tamao de la cola
TCO.
TCO = TAC CP
2. Determinar cul es la distancia que hay que recorrer hacia la cola, tomando en cuenta el tamao que
ocupe.
2.1 Tomando en cuenta el tamao de la calle TCA y el tamao del auto TAU se obtiene la
distancia a recorrer DR
DR = TCA (TAU * TCO)
3. El tiempo de llegada TLL se calcula usando la velocidad promedio del auto VA
TLL = VA / DR



- 81 -
Con este algoritmo y el manejo de colas es posible hacer una representacin del
tiempo que demoran los autos en llegar a cada cruce. Las condiciones de trfico que
existen al momento de hacer el clculo son tomadas en cuenta y las distancias que
deben recorrer los carros. Tambin, se considera el tiempo en que los autos entran al
estado intermedio ya que para poder sacar un carro del estado intermedio es necesario
que cumpla con el tiempo de llegada al cruce, ver seccin 3.4.1.


3. 4 Modelo con retraso y control de semforos

Los dos modelos anteriormente presentados contienen el manejo de los semforos
con valores que no son modificados durante la simulacin. En este apartado se
presenta el algoritmo diseado para el control de los semforos. Los tiempos de los
ciclos de los semforos se ajustan basados en los tiempos mnimos y mximos de los
ciclos en verde y rojo de los semforos. En la seccin 1.8 se explic que los ciclos de
semforo deben tener valores mnimos y mximos para las fases de semforo en color
verde y rojo.

El valor del ciclo en verde es establecido al principio y corresponde al tiempo
mnimo recomendado para el cruce. Los valores de los ciclos en verde de todos los
cruces se almacenan en el vector VV. El tiempo extra que se puede agregar al ciclo en
verde es almacenado en el vector VE, para cada cruce puede haber un valor extra
diferente.

Tomando en cuenta que la simulacin ocurre en intervalos de simulacin que van
de t
0
a t
1
, es durante ste tiempo que se va a examinar si es necesario incrementar el
ciclo en verde del cruce. La rutina funciona dentro de un ciclo de semforo en verde,
es decir, si el ciclo de semforo esta en rojo no hay verde que incrementar. Los carros



- 82 -
que estn en la cola, as como los que estn en el estado intermedio deben ser
considerados para el incremento del ciclo, si no hay carros, el ciclo debe terminar.

En el caso de que haya autos, se calcula el tiempo necesario para que pasen por el
cruce, hay que tomar en cuenta slo los carros que pasen por el cruce dentro del
intervalo de simulacin. El tiempo necesario para el paso de los carros es calculado
con las ecuaciones ya utilizadas, para el clculo del paso de carros a travs de un
cruce y el clculo del tiempo de llegada al cruce, usando estas formulas se determina
el tiempo extra necesario para despachar los carros.

Debido a que el clculo del tiempo extra toma en cuenta el intervalo de
simulacin, es posible que para el siguiente intervalo de simulacin sea necesario
incrementar una vez ms el ciclo en verde. Como ejemplo del funcionamiento del
algoritmo, supongamos que el ciclo en verde ha terminado en el segundo 20 de la
simulacin. Adems, que tenemos la opcin de incrementar el ciclo en 10 segundos.
Asumiendo que nos encontramos en el intervalo de simulacin entre los segundos 20
y 25, donde el ciclo en verde ya termin. Tambin, suponemos que los carros que
pueden pasar por el cruce requieren de 5 segundos por lo que el tiempo del ciclo en
verde crece hasta los 25 segundos y el valor extra se convierte en 5. Durante el
siguiente intervalo de simulacin que va de los segundos 25 a 30, suponiendo que el
incremento es de 5 segundos por cada intervalo, el ciclo en verde ha concluido. Una
vez ms es necesario calcular si es preciso incrementar el ciclo, si hay carros que van
a pasar se incrementa el ciclo, en caso contrario se pone el semforo en su fase roja y
termina el algoritmo.








- 83 -
Los vectores que almacenan los valores de los ciclos en verde y los extras tienen la
siguiente notacin:

Vector de valores originales de los ciclos en verde VV[1 k].
Vector de valores extras para los ciclos en verde VE[1 k].
Tiempo de simulacin del intervalo TS.

El algoritmo es el siguiente:
El ciclo checa desde i = 1 hasta k
1 Si ya se cumpli el tiempo del ciclo en verde en el cruce i VV(i)=TS
1.1. Si hay tiempo extra VE(i)<>0
1.1.1.1.Si hay carros en el cruce numero de carros(i) <> 0
1.1.1.1.1. Calcular el tiempo de paso
TP = numero de carros (i)*tiempo promedio de paso (i)
1.1.1.1.2. Agregar el tiempo extra disponible para dar paso a los
coches
Si (VE(i)>=TP)
VE(i)= VE(i)-TP y VV(i)= VV(i)+TP
Si no
VV(i)= VV(i)+ VE(i) y VE(i)= 0
1.1.1.2.No hay carros en el cruce ni en camino ir a 1.2.
1.2. Terminar ciclo en verde


Con ste mtodo para manejar semforos se va a lograr una mejora en el flujo de
trfico, logrando una reduccin en la densidad de las calles, lo que implica un flujo
mayor.

En este captulo se ha descrito la formulacin de un nuevo modelo de trfico
heurstico, con tres variantes. La abstraccin del modelo es la misma, la diferencia
radica en los elementos tomados en cuanta para la implementacin del modelo. En el
siguiente captulo se van a mostrar los resultados que se encontraron al aplicar el
modelo a un grupo de calles. Tambin, se va a presentar la comparacin de los
resultados con los datos de la muestra para la validacin del modelo.



- 84 -
Captulo 4
Resultados


Dentro de este captulo se van a presentar los resultados obtenidos de la
simulacin de los modelos. Los ejemplos aqu expuestos asumen que el modelo es
valido, la demostracin de la validez del modelo ser expuesta en primera instancia.
Despus, se consideran condiciones de las calles observadas en la muestra, como son:
los tiempos promedio de paso de los autos por el cruce, los tamaos de las calles, las
velocidades promedio, los ciclos de semforo. Usando estos datos se simularon
diferentes condiciones de trfico para analizar las ventajas y desventajas del uso del
modelo bajo diferentes condiciones.

4.1 Validacin del modelo

La validacin de este modelo se efectu por medio de la simulacin usando
datos experimentales tomados de una muestra que realic en la ciudad de Puebla.
La muestra que se presenta en el apndice B sirvi para poder validar el modelo.
Dado que el modelo considera un carril, la muestra tomada en la avenida Jurez
dentro de las intersecciones con las calles 29 sur, 25 sur y 13 sur fue tomada slo
observando el comportamiento de un carril. La muestra tomada en las calles del
Boulevard 5 de mayo y la 14 oriente consideran 3 carriles, no obstante se puede
usar la informacin de cada carril de forma independiente y hacer el comparativo
con lo presentado por el modelo.




- 85 -
La condicin estudiada y comparada es la formacin de las colas en los cruces.
A continuacin se presenta una tabla donde se indica el error encontrado entre los
datos de la muestra y los generados por el simulador.

Calle Valor
muestra
Modelo sin
retraso
Error Modelo con
retraso
Error
Carril 1 del
Boulevard 5 de
mayo
5 6 1 7 2
Carril 2 del
Boulevard 5 de
mayo
7 6 1 6 1
Carril 3 del
Boulevard 5 de
mayo
5 6 1 7 2
Carril 1 de la 14
oriente
8 8 0 9 1
Carril 2 de la 14
oriente
9 8 1 9 0
Carril 3 de la 14
oriente
9 10 1 10 1
Avenida Jurez y
29 sur
9 8 1 9 0
Avenida Jurez y
25 sur
8 8 0 10 2
Avenida Jurez y
13 sur
6 6 0 6 0
Tabla 5. Valores de validacin del modelo

En la Tabla 5, los valores comparados son los tamaos promedio redondeados de
las colas. Se puede apreciar que la diferencia, en la mayora de los casos, es de un
solo carro. El peor de los casos muestra una diferencia de 2 carros entre los valores de
la muestra y los resultados del simulador por lo que la simulacin del modelo nos
permite decir que es valido para analizar condiciones de trfico.








- 86 -
4.2 Resultados del modelo sin retraso

Con el modelo sin retraso se simul la modificacin del ciclo de los semforos de
los cruces que tiene la Avenida Jurez y las calles 29 sur y 25 sur. Se encontr una
disminucin del tamao de las colas.

La Figura 12 presenta los datos obtenidos para el primer y segundo cruce, la parte
superior de las grficas son histogramas que presentan el tamao de las colas
generados por el simulador y la parte inferior son histogramas que presentan el
tamao de las colas con datos obtenidos de la muestra. El eje x representa el tamao
de las colas y el eje y representa el nmero de repeticiones que hubo de ese tamao de
cola.










Cruce 1 Cruce 2
Figura 12. Resultados de la simulacin del modelo

Se aprecia que el tamao de las colas generadas con el simulador en algunos casos
son menores, esto fue posible modificando los ciclos de semforo bajo la suposicin
de que sincronizados los semforos el flujo mejorara.
Datos muestra Datos muestra



- 87 -
4.3 Resultados del modelo con retraso y manejo de
semforos

El modelo simple tiene limitaciones las cuales son: el manejo para el control de
semforos y la falta de los tiempos de retraso. El problema radica que las calles se
encuentran vacas en condiciones de trfico normal o menor, y el paso instantneo de
los carros de los estados intermedios a las colas genera una diferencia notable con la
realidad. Es necesario introducir el tiempo de retraso.

El modelo mejorado presenta varias caractersticas extras al modelo simple, estas
son:

El clculo del tiempo de retraso. Involucr la creacin de una estructura de
datos para su manejo.
Manejo de tiempos de los ciclos de semforos para adecuarlos al trfico y
mejorar el flujo.
Generacin de diferentes categoras de trfico, stas son:

o Congestionado. Indica una ocupacin que va del 80% al 100% de las
calles.
o Pesado. Indica una ocupacin que va del 60% al 80% de las calles.
o Normal. Indica una ocupacin que va del 40% al 60% de las calles.
o Ligero. Indica una ocupacin que va del 20% al 40% de las calles.
o Muy ligero. Indica una ocupacin que va del 0% al 20% de las calles.

Una vez comprobado el modelo se probaron, bajo las mismas condiciones de
trfico, los tres modelos: el modelo sin retraso (SR), el modelo con retraso (CR) y el
modelo con retraso y control de semforos (CRS).




- 88 -
Para considerar vlidos los datos obtenidos a travs de las simulaciones, se
hicieron el nmero suficiente de iteraciones para que la diferencia entre el promedio
de la iteracin anterior y la actual fuera menor al 1%. Las iteraciones necesarias para
la convergencia de los modelos, un error menor al 1%, se muestran en la Tabla 8. Se
puede ver que el mximo nmero de iteraciones necesarias fue de 76, un nmero
pequeo. De esta forma, se logr que las pruebas se efectuaran bajo las mismas
condiciones de trfico

El modelo SR puede ser considerado como un caso particular del modelo CR, con
la condicin que el retraso sea considerado cero. En uno de los resultados del
simulador se muestra el nmero de carros que entran al simulador y las salidas que
hay de l; ver Tabla 6.

Tambin, las salidas son muy parecidas excepto en el modelo CRS debido a que el
semforo permanece ms tiempo en verde hay un nmero mayor de salidas. No
obstante, se aprecia una disminucin en las salidas del modelo CRS, del tipo de
trfico normal y ligero, con respecto al modelo CR que parece contrariar la intencin
de sincronizar los semforos para mejorar las salidas. Sin embargo, hay que notar que
las entradas son menos y la diferencia es poco significativa, slo un carro. Estos datos
se presentan en la Tabla 7, el tiempo promedio que demor un auto en atravesar
todas las calles.

No obstante, el inters para comparar los tres modelos se hace para analizar una
condicin especial, el modelo SR y CR presentan datos muy similares para las
condiciones de trfico congestionado y pesado, coinciden los tiempos de salida; ver
Tabla 7. Esto demuestra que bajo condiciones de trfico congestionado y pesado los
resultados tomando en cuenta el retraso en las calles y no tomndolo es lo mismo. La
diferencia se da en la columna del modelo CRS.




- 89 -
En la Tabla 7 se puede apreciar la mejora en los tiempos obtenidos por el modelo
con retrazo y por lo tanto un flujo de trfico ms eficiente.

Modelo SR Modelo 2 CR Modelo 2 CRS Tipo
Entradas Salidas Sin salir Entradas Salidas Sin salir Entradas Salidas Sin salir
Congestionado 270 184 86 270 184 86 270 188 82
Pesado 213 183 30 213 183 30 213 187 26
Normal 172 152 20 172 154 18 170 153 17
Ligero 101 91 10 99 92 7 100 92 8
Muy Ligero 51 46 5 52 47 5 50 46 4
Tabla 6. Datos del paso de carros en los simuladores

Tipo de trfico Simulador Sin retraso Simulador con retraso Simulador con semforo
Congestionado 10.39 10.45 9.10
Pesado 6.28 6.36 5.04
Normal 3.93 4.14 3.26
Ligero 2.42 3.72 2.02
Muy Ligero 1.45 2.91 2.71
Tabla 7. Tiempo promedio de paso de los carros a travs del sistema

Tipo de trfico Simulador Sin retraso Simulador con retraso Simulador con semforo
Congestionado 12 12 12
Pesado 20 20 7
Normal 10 18 7
Ligero 42 6 8
Muy Ligero 25 76 14
Tabla 8. Iteraciones necesarias para que el simulador convergiera

Adems, se muestran los ciclos de semforos que el simulador ocup durante la
simulacin, estos crecieron. El valor normal de la fase verde para los datos que se
estn presentando fue de 43 segundos y nunca alcanzaron el valor mximo de 70
segundos. Este valor es arbitrario y puede ser definido acorde a las necesidades del
usuario.

En la Tabla 9 se observa el ciclo en verde promedio que gener el simulador para
cada tipo de trfico.









- 90 -
Tipo de trfico Ciclo de semforo
Congestionado 68
Pesado 65
Normal 61
Ligero 57
Muy Ligero 50

Tabla 9. Ciclos de semforo propuestos por el simulador

Hay que notar que en el tipo de trfico muy ligero el ciclo no creci
significativamente, slo 7 segundos. Los resultados muestran que el tiempo de
traslado decrece con este cambio.

La densidad es una variable que representa la ocupacin en las calles y el inters
es mantenerla lo ms baja posible. Es por eso que se analiza el comportamiento de
esta variable y es comparada en todos los modelos para observar su comportamiento
en el tiempo de simulacin.

Un histograma, como el presentado en las Figuras 13 a 17, muestra el nmero de
repeticiones que hay de los tamaos de las colas. Al medir la ocupacin de las calles
en cada intervalo del ciclo de simulacin s est midiendo la densidad de la calle. En
las Figuras 13, 14, 15, 15 y 17 se presentan histogramas de la densidad de una calle
que simboliza la mejora en este valor, en el caso del simulador con semforos.

Adems, se presenta una grfica comparativa de la densidad a travs del tiempo en
cada modelo, que es tambin de una calle. La ltima grfica, de cada Figura,
representa la densidad total que se presenta en los cruces simulados, lo cuales fueron
seis. Se puede ver que el fenmeno de reduccin de densidad se da en todas las calles
para el caso de modificacin de semforos.






- 91 -
Simulador Cruce
Sin retraso
Histograma Densidad

Con retraso
Histograma Densidad

Semforos
Histograma
Densidad

Densidad del cruce.
Azul SR.
Rojo CR.
Amarrillo CRS.


Densidad de todos los
cruces.
Azul SR.
Rojo CR.
Amarrillo CRS.


Figura 13. Comportamiento de la densidad de trfico congestionado


Los histogramas muestran una disminucin en la densidad cuando se modifica el
ciclo de los semforos. La grfica de la densidad muestra un comportamiento similar
entre los dos modelos CR y SR pero hay una disminucin notoria en el modelo CRS.
Cuando se observa un solo cruce no es tan clara la diferencia pero existe.





- 92 -
Simulador Cruce
Sin retraso
Histograma Densidad

Con retraso
Histograma Densidad

Semforos
Histograma
Densidad

Densidad del cruce.
Azul SR.
Rojo CR.
Amarrillo CRS.


Densidad de todos los
cruces.
Azul SR.
Rojo CR.
Amarrillo CRS.


Figura 14. Comportamiento de la densidad de trfico pesado


El trfico pesado muestra resultados similares al congestionado. Los histogramas
muestran una disminucin en la densidad cuando se modifica el ciclo de los
semforos. La grfica de la densidad muestra un comportamiento similar entre los dos
modelos CR y SR pero hay una disminucin notoria en el modelo CRS. Cuando se
observa un solo cruce no es tan clara la diferencia pero existe.









- 93 -
Simulador Cruce
Sin retraso
Histograma Densidad

Con retraso
Histograma Densidad

Semforos
Histograma
Densidad

Densidad del cruce.
Azul SR.
Rojo CR.
Amarrillo CRS.


Densidad de todos los
cruces.
Azul SR.
Rojo CR.
Amarrillo CRS.


Figura 15. Comportamiento de la densidad de trfico normal


Para el trfico normal es ms notorio que los histogramas muestran una
disminucin en la densidad cuando se modifica el ciclo de los semforos. La grfica
de la densidad muestra un comportamiento similar entre al de los dos tipos de trfico
anteriores.




- 94 -
Simulador Cruce
Sin retraso
Histograma Densidad

Con retraso
Histograma Densidad

Semforos
Histograma
Densidad

Densidad del cruce.
Azul SR.
Rojo CR.
Amarrillo CRS.


Densidad de todos los
cruces.
Azul SR.
Rojo CR.
Amarrillo CRS.


Figura 16. Comportamiento de la densidad de trfico ligero


Para ste tipo de trfico la grfica de la densidad muestra una mejora entre los
trficos CR y CRS, que es de esperarse por el manejo del ciclo de los semforos. El
modelo SR presenta una densidad menor debido a que las calles se encuentran ms
libres y al no tomar en cuenta el tiempo de retraso las calles se vacan muy rpido.



- 95 -
Simulador Cruce
Sin retraso
Histograma Densidad

Con retraso
Histograma Densidad

Semforos
Histograma
Densidad

Densidad del cruce.
Azul SR.
Rojo CR.
Amarrillo CRS.


Densidad de todos los
cruces.
Azul SR.
Rojo CR.
Amarrillo CRS.


Figura 17. Comportamiento de la densidad de trfico muy ligero


Para el trfico muy ligero la densidad muestra un comportamiento donde los
modelos presentan variantes. No obstante cerca del final de la simulacin la densidad
se comport similar en ellos.



- 96 -
Conclusiones



Actualmente, los avances tecnolgicos estn contribuyendo a la solucin de
problemas que en otro tiempo eran imposibles de resolver. El desarrollo de las
computadoras y los sistemas de software permiten el manejo de grandes volmenes
de informacin y su procesamiento en tiempos eficientes. Los dispositivos cada vez
son ms sofisticados y de menor tamao; adems, su costo es cada vez ms bajo. Esto
hace posible la implementacin de sistemas complejos que contribuyen a tener una
mejor calidad de vida para las personas ya que facilitan las actividades cotidianas de
la gente.

Para mi la mejor forma de resolver un problema es mediante la formulacin de
modelos. Pienso que se tiene control casi total sobre las condiciones que se presentan
y hay un camino hacia donde ir. Se define perfectamente la problemtica, se establece
la forma en que se plantea resolver, se comprueba la tctica y si la prueba no es
satisfactoria se regresa al punto en el que se produjo la falla. Lo ms importante es
que se tiene claro a dnde se quiere llegar y cmo se va a llegar ah, donde la forma
de cmo llegar puede variar tanto como uno lo quiera, depende del diseador del
modelo la manera de crearlo.

Junto con los modelos, hay una herramienta muy valiosa que ayuda a la
verificacin de stos que es la simulacin. El proceso de la informacin es rpido con
el uso de las computadoras y es posible probar en reiteradas ocasiones y bajo
diferentes circunstancias los modelos.

El uso de la simulacin permiti verificar que las colas observadas en los cruces
coinciden, dentro de mrgenes razonables, con las que se generan por medio de la



- 97 -
simulacin del modelo. Con esta informacin fue posible modificar los ciclos de los
semforos y mejorar el nmero de autos que haba a la salida del ltimo cruce, lo que
trae como consecuencia una mejora en el flujo vehicular.

La aportacin de un nuevo mtodo que sirve para desarrollar modelos, en
especial los de trfico, los modelos hechos hasta el momento encajan perfectamente
dentro del mtodo propuesto y el diseo del modelo que se desarroll se baso en la
misma metodologa. Esta es una herramienta de trabajo que puede facilitar el camino
a la concepcin de un problema y su solucin siguiendo un proceso bien definido.

Tambin, dentro del trabajo de campo, las muestras obtenidas son representativas
de las condiciones vehiculares dadas en los horarios en que fueron tomadas las
pruebas. Estas pueden variar de acuerdo al horario. Una alternativa que se propone
para medir la condicin del trfico es disponer de algn tipo de instrumentacin que
permita alimentar en tiempo real al simulador para realizar anlisis con mayor
precisin. Sin embargo, instrumentaciones del tipo anterior son en general muy
costosas pero el beneficio que se podra obtener lo puede justificar.

Los resultados que presenta el modelo contienen errores mnimos en los
comparativos entre la muestra y los datos del simulador, slo una diferencia de un
carro o dos en el caso extremo. Fue posible analizar diferentes condiciones de trfico
y mejorar el flujo modificando el ciclo de los semforos. Se alcanz, el objetivo
propuesto al inicio del trabajo.


Trabajo Fututo

Los trabajos futuros para robustecer el modelo son varios y el trabajo realizado
hasta hora puede servir de punto de partida para hacerlo.



- 98 -
El manejo de ms carriles es algo que debe ser tomado en cuenta, dentro de la tesis
se analizaron dos calles, la 14 sur y el boulevard 5 de mayo, con tres carriles cada
una. Los resultados de simulador permitieron ver que el comportamiento de cada
carril puede ser representado, la extensin necesaria es lograr el anlisis de ms de un
carril a la vez.

Dentro del modelo no se considera que entre calle y calle salgan o entren autos. La
entrada de autos al sistema puede ser representada con generadores de entradas para
cada cruce. La salida de autos puede hacerse usando una funcin de probabilidad para
cada cruce y determinar si el carro sigue al frente o toma otra direccin.

Otras condiciones especiales como accidentes, topes, baches, pueden ser
presentadas usando una disminucin en la velocidad de los autos. La idea es dividir la
calle en dos partes donde la lnea divisoria es la contingencia que reduce el paso de
los autos. Considerar que el imprevisto puede ser representado como un cruce y que
en lugar de una calle se tienen dos. El cruce nuevo, tendra un ciclo en verde siempre,
el trfico no se detiene por completo slo disminuye su velocidad, los autos pasan a
cierta velocidad a la otra parte de la calle.

Las soluciones pensadas requieren de muestrear las condiciones de trfico
especiales, los accidentes resultara complicado de medir las velocidades. Una vez
levantada la muestra se deber probar el modelo y demostrar que las hiptesis son
correctas.



- 99 -
Apndice A


Clculo de velocidades y posicin

Cdigo para calcular la posicin y la velocidad de los autos a partir de la ecuacin
) 1 ( ) 1 (
0
2
t t
e
u
e t x

,
_

con una aceleracin y un tiempo dado.

Usando el cdigo en MATLAB para este clculo
%Determina la posicin de
function [velocidad , distancia] = calculaVelPos(alpha,beta,tiempo,u)
u0=convierte_kph_mps(u);
u=(alpha/beta)*(1-exp(-beta*tiempo))+(u0*exp(-beta*tiempo));
velocidad=convierte_mps_kph(u)
distancia= ( (alpha/beta)*tiempo ) - ( (alpha/(beta*beta)) * (1 - exp(-
beta*tiempo)) ) +( (u0/beta)* (1-exp(-beta*tiempo)))


%conversion de KPH a MPS
function u0=convierte_kph_mps(u)
u0=u*0.27;

%conversion de MPS a KPH
function u0=convierte_mps_kph(u)
u0=u/0.27;

Cdigo para el modelo de Greenberg

function [regresion, velocidad, densidad, flujomax] = regresion1 (xs,ys)

SUMAxPORy=sum(xs .* ys)
n=size(xs)
SUMAxALA2=sum(xs.^2)
SUMAy=sum(ys)
SUMAx=sum(xs)
k=SUMAx^2
b=( (SUMAxPORy) - ( (1/n(1,2)) * (SUMAx) * (SUMAy) ) ) / ( SUMAxALA2 - ( (1/n(1,2)) *
(SUMAx^2) ) )
a= ( (1/n(1,2)) * (SUMAy) ) - ( (b/n(1,2)) * (SUMAx) )

%media de valores de y



- 100 -
media=mean(ys)
%llenado del vector de valores Y=a+bx
for i=1:n(1,2)
Ys(1,i)=funcion(a,b,xs(1,i));
end;
SUMYsDIFmedia=sum( (Ys-media).^2 )
SUMysDIFmedia=sum( (ys-media).^2 )

R=SUMYsDIFmedia/SUMysDIFmedia
regresion= R;
%valores para el modelo greenshields
velocidad=-b
densidadmax=exp(a/(-b))
densidad=densidadmax*(exp(-1))
flujomax=densidad*(-b)
function [valory] = funcion (a,b,x)
valory=a+(b*x);

Cdigo para el modelo de Greenshield
function [regresion, velocidad, densidad, flujomax] = regresion (xs,ys)

SUMAxPORy=sum(xs .* ys)
n=size(xs)
SUMAxALA2=sum(xs.^2)
SUMAy=sum(ys)
SUMAx=sum(xs)
k=SUMAx^2
b=( (SUMAxPORy) - ( (1/n(1,2)) * (SUMAx) * (SUMAy) ) ) / ( SUMAxALA2 - ( (1/n(1,2)) *
(SUMAx^2) ) )
a= ( (1/n(1,2)) * (SUMAy) ) - ( (b/n(1,2)) * (SUMAx) )

%media de valores de y
media=mean(ys)
%llenado del vector de valores Y=a+bx
for i=1:n(1,2)
Ys(1,i)=funcion(a,b,xs(1,i));
end;
SUMYsDIFmedia=sum( (Ys-media).^2 )
SUMysDIFmedia=sum( (ys-media).^2 )

R=SUMYsDIFmedia/SUMysDIFmedia
regresion= R;
%valores para el modelo greenshields
velocidad=a/2
densidad=a/(-2*b)
flujomax=a^2/(-4*b)
function [valory] = funcion (a,b,x)
valory=a+(b*x);





- 101 -
Ejemplo del libro de [Garber et Hoel]

Densidad Velocidad Ln Densidad
20
27
35
44
52
58
60
64
70
75
82
90
100
115
53.2000
48.1000
44.8000
40.1000
37.3000
35.2000
34.1000
27.2000
20.4000
17.5000
14.6000
13.1000
11.2000
8.0000
2.9900
3.2900
3.5500
3.7800
3.9500
4.0600
4.0900
4.1500
4.2400
4.3100
4.4000
4.4900
4.6000
4.7400

Obteniendo los resultados siguientes.
Para el modelo Greenberg

R = 0.9196 velocidad = 28.5930
densidadmax = 157.1106 densidad = 57.7978
flujomax = 1.6526e+003

Para el modelo de Greenshield

R = 0.9468 velocidad = 31.2779
densidad = 59.2378 flujomax = 1.8528e+003




- 102 -
Pseudo cdigos para manejo de colas

Las funciones de colas reciben algunos parmetros por referencia, denotado por un
smbolo de &, esto es debido a que los valores se modifican y es necesario guardar
esta modificacin en las variables originales.


ColaVacia (VectroActualColas, n)
Si ( VectorTamActualColas (n) == 0)
return true;
else
return false;


ColaLlena (VectorTamMaxColas, VectorTamActualColas, n)
Si ( VectorTamMaxColas (n) = VectorTamActualColas (n) )
return true;
else
return false;


EntraACola (&cola, VectorTamMaxCola, &VectorPosCola,
&VectorTamActualCola, n, valor)

Si (NO ColaLlena (VectorTamMaxColas, VectorTamActualColas, n))
/*Incrementar el ndice de la cola*/
cola (n) = mod [ cola (n), VectorTamMaxColas(n) ] + 1;
/*Incrementar tamao de la cola*/
VectorTamActualColas(n) ++;
/*Insertar el nuevo elemento*/
cola(n, VectorPosCola ( n ) ) = valor;



- 103 -
return true;
Sino
return false;


SaleDeCola (&Cola, VectorTamMaxCola, &VectorPosFrente,
&VectorTamActualCola, n, ts)
/*Checa si hay algo en la cola */
Si (ColaVacia (VectorTamActualCola, n) )
/*Valor que indica que no hay nada*/
valor=tiemposimulacion+1;
Sino
/*Elimina el elemento de la cola*/
/*Guarda el valor del frente*/
/*El valor buscado esta en el nmero de cruce n y el frente de la cola*/
valor = cola( n, VectorPosFrente(n) );
cola ( n, VectorPosFrente(n) ) = 0;
/*Recorre el frente a su siguiente posicin*/
VectorPosFrente(n) = mod [ VectorPosFrente(n),
VectorTamColas(n)] + 1 ;
/*Decremento el tamao de l cola*/
VectorTamActualColas(n)= VectorTamActualColas(n) - 1;
return valor;




- 104 -
Apndice B

La muestra

La importancia de tener una investigacin de campo para tener mayor sensibilidad
sobre el fenmeno fue ratificada al hacer la recoleccin de los datos que se presentan
en este apartado. Las caractersticas del modelo descritas en el captulo 3, seccin 3.1,
requieren de una medicin para validar los datos que arroja la simulacin por lo que
acud a diferentes cruces dentro de la ciudad de Puebla para tener un comparativo y
probar el modelo.

Los primeros datos recolectados corresponden al cruce del boulevard 5 de mayo
con la 14 oriente, el da en que se tomo la muestra fue el mircoles 25 de Octubre de
2002 a las 9:30 de la maana. Sobre el boulevard hay 3 carriles donde circulan todo
tipo de vehculos de transporte. La caracterstica del carril 1 es que lo ocupan, la
mayor parte del tiempo, el transporte pblico. El tiempo que tarda el ciclo de
semforo en verde es de 1 minuto y 5 segundos. En las Figuras 18 y 19 las lneas
unidas con figuras romboidales representan el carril 1, las lneas unidas con figuras
rectangulares el carril 2 y las lneas unidas con figuras triangulares el carril 3.

La Figura 18 muestra el flujo de autos durante el ciclo de semforo en verde por
cada carril.








- 105 -











Figura 18. Comparativo de flujos en el boulevard 5 de mayo

El carril 1 es ocupado principalmente por transporte pblico, requiere detenerse
para subir y bajar gente, lo cual genera un flujo bajo. Por otro lado, el carril 2
transporta ms autos, situacin curiosa ya que el carril 3 es el de alta velocidad y se
esperaba que por l pasaran ms autos pero esto no pas.

La Figura 19 muestra la formacin de colas cuando el ciclo de semforo cambi a
rojo, una de las caractersticas que se buscan modelar, adems, del flujo y la
densidad. La formacin de colas se concentr en el carril central y se dividi de
forma similar en los carriles laterales.

Se observa el fenmeno de la campana de Gauss de una distribucin aleatoria que
aparece en cualquier evento de la vida real que involucre la toma de decisiones
casuales [Orozco et Jimnez]. En la formacin de colas se observa este fenmeno
donde la mayora de los conductores prefieren hacer cola al centro de la calle y el
resto se dividen por igual en los carriles laterales.

Carriles del blvd 5 de mayo
0
5
10
15
20
25
30
35
1 2 3 4 5
intervalos
n
u
m
e
r
o

d
e

a
u
t
o
s
Serie1
Serie2
Serie3



- 106 -









Figura 19. Comparativo de formacin de colas en el boulevard 5 de mayo

La Tabla 10 muestra los promedios de autos que pasan por cada carril, en estos
datos se observa el fenmeno de las colas, donde el promedio es igual en los carriles
laterales al carril central, carriles 1 y 3.

Carril Promedio de cola Promedio de autos
1 5.4 12
2 6.6 26.6
3 5.4 22

Tabla 10. Datos promedio de la muestra en el cruce 5 de mayo con 14 oriente

Tambin, la calle 14 oriente esquina con 5 de mayo se muestre, cuenta con tres
carriles. La circulacin por esta calle es de mucho transporte pblico. El tiempo del
ciclo de semforo en verde es de 51 segundos.

En las Figuras 20 y 21 las lneas unidas con figuras romboidales representan el
carril 1, las lneas unidas con figuras rectangulares el carril 2 y las lneas unidas con
figuras triangulares el carril 3.
0
2
4
6
8
10
12
1 2 3 4 5
Serie1
Serie2
Serie3



- 107 -
En la Figura 20 se observa que el carril 2 es por el que ms autos circulan. El carril
1 es el de menor flujo y esto se debe a que el transporte pblico se detiene
constantemente y detiene el trfico en este carril.








Figura 20. Comparativo de flujo de autos en la calle 14 oriente

La Figura 21 muestra los datos de las colas acumuladas durante la fase del ciclo en
rojo de semforo. Los datos encontrados en este cruce son muy parecidos, hay una
diferencia menor de un carro entre cada carril, por lo que no se puede observar nada
raro excepto que por el carril 3 hay una flujo extra porque hay una entrada de carros
que generan una cola instantnea en este carril.







Figura 21. Comparativo de las colas formadas en la calle 14 oriente

En la Tabla 11 se representan los promedios de autos que pasan por cada carril.

Comparativo del paso de autos en
calle 14 ote
0
5
10
15
20
25
1 2 3 4 5
Serie1
Serie2
Serie3
Colas de autos en los carriles de la
14 ote
0
5
10
15
1 2 3 4 5
Serie1
Serie2
Serie3



- 108 -
Carril Promedio de cola Promedio de autos
1 8.4 10.2
2 8.6 15.4
3 8.8 15

Tabla 11. Datos promedio de la muestra en el cruce 14 oriente con 5 de mayo

Parte de la muestra se hizo a lo largo de la avenida Jurez. Los datos corresponden
a tres cruces diferentes ubicados en: la 29 sur, 25 sur y 13 sur. La muestra se tom
durante los das sbado 28 de Septiembre de 2002 y lunes 30 de septiembre de 2002 a
las 11:00 de la maana.

La calle que conecta la avenida Jurez con la 29 sur se alimenta del boulevard
Atlixco y adems de un cruce que utiliza una rotonda para distribuir el flujo de autos.
El promedio de autos que pasan en ese cruce es de 12 autos y el tiempo que tarda el
semforo en el siga es de 40 segundos. Promedio de la cola es de 8.85 y el tiempo
de desalojo de 2.15 seg.

En el cruce de la 25 sur se observ un comportamiento distinto ya que por
momentos no se gener cola de autos pero despus se volvieron a formar. La forma
de las colas no era constante. El promedio de autos que pasan en ese cruce es de 17
autos y el tiempo que tarda el semforo en su ciclo en verde es de 58 segundos. El
promedio del tamao de las colas formadas es de 11.28 y el tiempo de desalojo es de
2.09 seg. En esta interseccin se dio un caso que considero es ideal, cola pequea de
dos o tres autos y flujo grande de ms de 10 autos. Sin embargo, se dio el caso
opuesto, cola grande con ms de 11 autos y flujo pequeo con menos de 6 autos. La
razn que doy a esta situacin es el desfase que ocurre entre el semforo anterior y el
que opera en el cruce, los tiempos en que opera el siga es diferente debido a ello
hay momentos con un flujo continuo y momentos donde se genera la cola.



- 109 -
El cruce de la 13 sur y la avenida Jurez necesariamente los autos toman la 13 sur
para continuar su recorrido. La 13 sur es una calle por la que transita transporte
pblico. Los promedios de esta calle se ajustaron a la realidad observada. Slo existi
un caso extremo con una cola de 12 autos pero su tiempo de desocupacin est cerca
del valor promedio. Esta calle mantiene un tiempo de vaciado que es similar a los
otros cruces estudiados sin grandes diferencias. El caso extremo fue un tiempo
promedio de paso de autos de 3.04, que se present porque un joven lavador de
parabrisas no dejaba avanzar la cola.

El promedio de autos que pasan en el cruce de la 13 sur y la avenida Jurez es de
16 autos y el tiempo que tarda el semforo en siga es de 45 segundos. El promedio
del tamao de la cola es de 6.4 y el tiempo que tardan en pasar los autos es de 2.36
seg. En esta interseccin, en general, hay una cola pequea de cinco o seis autos y
flujo grande de ms de 10 autos.

Con estos datos recolectados y la experiencia observada en las calles me fue
posible idear una representacin del trfico en la ciudad y comenzar el proceso de
estudio de mejorarlo. Adems, ayud a determinar la importancia de modelar
acciones individuales de los carros o considerar comportamiento s promedios de estos.
Las detenciones de carros, provocadas por diferentes causas, no generaron que la
muestra presentara diferencias significativas en las salidas.

La muestra tomada contiene los tamaos de las colas que es lo que se busca
comparar con el modelo. Tambin, se obtuvieron densidades de las calles, flujos,
velocidades de los carros, etctera. En ste apndice solo se colocaron algunos datos
relevantes de la muestra.



- 110 -
3 ndice de figuras

Nombre

Pgina
Figura 1. Relacin entre la velocidad y la densidad 6
Figura 2. Relacin entre la densidad y el flujo de trfico 8
Figura 3. Medidas de cinemtica y ondas de choque
relacionadas con las curvas de flujo y densidad
23
Figura 4. Experimento del modelo de trfico a escala 43
Figura 5. El proceso de modelos mentales es iterativo 47
Figura 6. Etapas del proceso de construccin de un modelo 51
Figura 7. Niveles de detalle de los modelos 54
Figura 8. Dinmica del proceso de elaboracin de un modelo 58
Figura 9. Modelo de trfico 71
Figura 10. Diagrama para el clculo del tiempo de retraso 73
Figura 11. Posicin del intervalo de simulacin dentro del ciclo
de semforo
79
Figura 12. Resultados de la simulacin del modelo 86
Figura 13. Comportamiento de la densidad de trfico
congestionado
91
Figura 14. Comportamiento de la densidad de trfico pesado 92
Figura 15. Comportamiento de la densidad de trfico normal 93
Figura 16. Comportamiento de la densidad de trfico ligero 94
Figura 17. Comportamiento de la densidad de trfico muy
ligero
95
Figura 18. Comparativo de flujos en el boulevard 5 de mayo 105
Figura 19. Comparativo de formacin de colas en el
boulevard 5 de mayo
106
Figura 20. Comparativo de flujo de autos en la calle 14 oriente 107
Figura 21. Comparativo de las colas formadas en la calle 14
oriente
107
4



- 111 -
5
6 ndice de tablas

Nombre

Pgina
Tabla 1. Muestra de velocidades y densidades en la Avenida
Jurez
12
Tabla 2. Pasos del proceso de modelado 46
Tabla 3. Plan del proceso de modelado matemtico 49
Tabla 4. Descripcin de las clasificaciones hechas por
Hoogendoorn y Bovy
55
Tabla 5. Valores de validacin del modelo 85
Tabla 6. Datos del paso de carros en los simuladores 89
Tabla 7. Tiempo promedio de paso de los carros a travs del
sistema
89
Tabla 8. Iteraciones necesarias para que el simulador
convergiera
89
Tabla 9. Ciclos de semforo propuestos por el simulador 90
Tabla 10. Datos promedio de la muestra en el cruce 5 de mayo
con 14 oriente
106
Tabla 11. Datos promedio de la muestra en el cruce 14 oriente
con 5 de mayo
108




- 112 -
Bibliografa



[Alger et al.] Algers, S., E. Bernauer, M. Boero, L. Breheret, C. Di Taranto, M.
Dougherty, K. Fox and J.F. Gabard, Review of Micro-Simulation Models, Review
Report os the SMARTEST project; deliverable 3, 1997.

[Bender] Edward A. Bender, An Introduction to Mathematical Modeling, Dover
Publications, Inc. Mineola New York, 2000.

[Bottom et al.] J. Bo ttom, M. Ben-Active, M. Bierlaire , I. Chabini, H. Koutsopoulos
and Q. Yang, Investigation of Route Guidance Generation Issues by Simulation with
DynaMIT, International Symposium on Transportation and Traffic Theory
Pergamon 1999.

[Esser et al.] Esse, J., L. Neubert, J. Wahle, M. Schreckenberg, Microscopic online
Simulations of Urban Traffic, Proceedings of the 14th International Symposium of
Transportation and Traffic Theory, Jerusalem, 517-534, 1999.

[Forbes et al.] Forbes, T. w., H. j. Zagorski, E.L. Holshouser, W.A. Deterline,
Measurement of Driver Reactions to Tunnel Conditions, Highway Research Board,
Proceedings 37, 345-357, 1958.

[Fowkes et Mahony] Neville D. Fowkes, John J. Mahony, An Introduction to
Mathematical Modelling, John Wiley & Sons, 1994.

[Garber et Hoel] Nicholas J. Garber, Lester A. Hoel, Traffic and Highway
Engineering, Second Edition, , PWS Publishing Company, 1997.

[Graham] Ronald Graham, Oren Patashnik, Donald Ervin Knuth, Concrete
Mathematics: a formation for computer science, Addison Wesley, Second Edition,
1969.

[Haberman] Richard Haberman, Mathematical Models. Mechanical Vibrations,
Population Dynamics, Traffic Flow, SIAM, 1998.

[Helbing] D. Helbing, Improved fluid dynamic model for vehicular traffic, Phys.
Rev. E, 51 (1995), pp. 31-64




- 113 -
[Helbing] D. Helbing, Modeling Multi-Lane Traffic Flow with Queuing Effects,
Physica A 242, 175-194, 1997.

[Hoogendoorn] Serge P. Hoogendoorn, Multiclass Continuum Modeling of
Multiclass Traffic Flow, PhD. Thesis T99/5, Trail Thesis Series, Delft University
Press, 1999.

[Hoogendoorn et Bovy] Serge P. Hoogendoorn, Piet H. L. Bovy, State of the art of
Vehicular Traffic Flow Modeling, 2001.

[Howard] Kenneth R. Howard, Unjamming traffic with computers, Scientific
American, October 1997.

[Jepsen] M. Jepsen, On the Speed-Flow Relationships in Road Traffic: A model of
Driver Behavior, Proceedings of the third International Symposium on highway
Capacity, 297-319, Copenhagen, Denmark, 1998.

[Kelton et al.] W. David Kelton, Randall P. Sadowski, Deborah A. Sadowski,
Simulation with Arena, Second Edition, McGraw-Hill, 2002.

[Khoshnevis] B. Khoshnevis, Discrete Systems Simulation, McGraw-Hill, 1994

[Klar et Wegener] Axel Klar, Raimund Wegener, A hierarchy of models for
multilane vehicular traffic I: modeling, SIAM J. Appl. Math., Vol. 99, No. 3, pp.
983-1001, 1999.

[Leutzbach] W. Leutzbach, An introduction to the theory of traffic-flow, Springer-
Verlag, Berlin, 1988.

[Lighthill et Whitham] M. J. Lighthill, J. B. Whitham, On kinetic waves. I: Flow
movement in long rivers. II: A theory of traffic flow on long crowded roads, Proc.
Royal Soc. London Ser. A, 229 (1955), pp. 281-345.

[Nagel et al.] K. Nagel, P. Simon, M. Rickert, J. Esser, Iterated Transportation
Simulation for Dallas and Portland, 1999.

[Orozco et Jimnez] Francisco J. Orozco Ochoa, Rafael Jimnez Salazar,El nuevo
paradigma de la competitividad, Panorama, 1999.

[Paveri-Fontana] S. L. Paveri-Fontana, On Boltzmann-Like treatments for traffic
flow: a critical review of the basic model and an alternative proposal for dilute traffic
analysis, Transportation Research B 9, 225-235, 1975.
[Payne] H. J. Payne, Models for freeway Traffic and Control, 1971.



- 114 -

[Pignataro] L.J. Pignataro, Traffic Engineering Theory and Practise, Prentice-
Hall, Inc., Englewood Cliffs, N.J., 1973.

[Pipes] L. A. Pipes, An Operational Analysis of Traffic Dynamics, journal of
Applied Physics, vol. 24, no. 1, 274-287, 1953.

[Prigogine et Herman] I. Prigogine, R. Herman, Kinetic theory of Vehicular
Traffic, American Elsevier New York, 1971.

[Prigogine] I. Prigogine, A Boltzmann-like Approach to the Statical Theory of traffic
Flow, 1961.

[Richards] P. I. Richards, Shock waves on a highway, Oper. Res., 4 (1956), pp. 42-
51.

[Roberts et al.] Nancy Roberts, David Andersen, Ralph Deal, Michael Garet, William
Shaffer, Introduction to Computer Simulation, a system dynamics modeling
approach, Productivity press, 1983.

[Sterman] John D. Sterman, Business Dynamics: Systems Thinking and Modeling for
a Complex world, McGraw-Hill Higher Education, 2000.

[Todosiev et Barbosa] E. P. Todosiev, L. C. Barbosa, A Proponed Model for the
Driver-Vehicle System, Traffic Engineering 34, 17-20, 1964.

[Whitham] G. B. Whitham, Linear and Nonlinear Waves, Pure and Applied Math,
Wiley-Interscience, New York, 1974.

[Wiedemann] R. Wiedemann, Simulation des StraBenverkehrsflubes, Technical
Report, Institute for traffic Engineering, University of Karlsrhe, 1978.