PONTIFICIA UNIVERSIDAD CATLICA DE CHILE

ESCUELA DE INGENIERA

ESTIMACIN DE ESTADOS DE TRFICO

EN ARTERIAS URBANAS UTILIZANDO UNA
MUESTRA DE TRAYECTORIAS

GABRIEL HIRIBARREN CARDOEN

Tesis para optar al grado de

Magster en Ciencias de la Ingeniera

Profesor Supervisor:
JUAN CARLOS HERRERA MALDONADO

Santiago de Chile, Julio, 2013

2013, Gabriel Hiribarren C

PONTIFICIA UNIVERSIDAD CATLICA DE CHILE

ESCUELA DE INGENIERA

ESTIMACIN DE ESTADOS DE TRFICO

EN ARTERIAS URBANAS UTILIZANDO UNA
MUESTRA DE TRAYECTORIAS

GABRIEL HIRIBARREN CARDOEN

Tesis presentada a la Comisin integrada por los profesores:

JUAN CARLOS HERRERA MALDONADO
JUAN ENRIQUE COEYMANS AVARIA
JUAN ENRIQUE CANNOBBIO SALAS
IGNACIO CASAS RAPOSO

Para completar las exigencias del grado de

Magster en Ciencias de la Ingeniera

Santiago de Chile, Julio, 2013

A Dios, mi familia, profesores

y amigos, que fueron fundamentales
para terminar esta tesis. Y a todos los
que vivimos la congestin a diario.

iii

AGRADECIMIENTOS
En primer lugar quisiera agradecer a mi profesor gua, Juan Carlos Herrera, por la
oportunidad de haber formado parte de esta investigacin. Por su apoyo y consejo que
fue fundamental durante todo el magster.
Quisiera agradecer especialmente a Juan Enrique Coeymans, por su amistad y por
haberme impulsado a iniciar esta empresa. Por todo su apoyo durante estos aos, tanto
en lo acadmico como en lo personal.
Me gustara agradecer tambin a todos mis amigos de postgrado: Camila, Felipe,
Daniel, Pedro, Matas, y en especial a Christopher, Cristian, y Andrs, por su amistad,
apoyo y consejo en el diseo de la metodologa. Quisiera agradecer especialmente a
Rafael, por su ayuda en la implementacin computacional de la metodologa,
evitndome largas horas de programacin. No puedo dejar de mencionar a Marco, que
con un simple comentario logr orientar correctamente el objetivo de esta investigacin.
No puedo dejar de agradecer a todos los profesores, funcionarios y
administrativos del Departamento de Ingeniera de Transporte y Logstica, por sus
consejos, apoyo y todos los favores realizados. Sin ustedes, mi estada en el magster no
habra sido tan productiva y agradable.
Quiero agradecer tambin a mi familia y amigos, por su apoyo y por haber estado
ah en los momentos buenos y tambin en aquellos donde la incertidumbre en los
resultados pareca mostrar que la investigacin no llegara a buen puerto.
Por ltimo quisiera expresar mi agradecimiento al Fondo Nacional de Desarrollo
Cientfico y Tecnolgico (Proyecto FONDECYT 11110206), por el apoyo otorgado a
esta investigacin.

iv

NDICE GENERAL
Pg.
DEDICATORIA.....iii
AGRADECIMIENTOS .......................................................................................... iv
NDICE DE TABLAS ..........................................................................................viii
NDICE DE FIGURAS .......................................................................................... ix
RESUMEN ............................................................................................................. xi
ABSTRACT ..........................................................................................................xii
1

INTRODUCCIN ............................................................................................ 1
1.1

Objetivos ................................................................................................... 2

1.2

Alcances .................................................................................................... 2

1.3

Contenido .................................................................................................. 3

MARCO TERICO .......................................................................................... 4

2.1

Ecuacin Fundamental .............................................................................. 4

2.2

Diagrama Fundamental ............................................................................. 5

2.3

Teora de Ondas Cinticas (LWR) ............................................................ 7

2.4

Definiciones Generalizadas....................................................................... 8

2.5

Estimacin de Estados de Trfico ........................................................... 10

2.5.1 Comentarios ....................................................................................... 12

3

METODOLOGA PROPUESTA ................................................................... 16

3.1

Datos necesarios ...................................................................................... 16

3.2

Reconstruccin de ondas ......................................................................... 18

3.2.1 Ondas derivadas de la trayectoria ...................................................... 18

3.2.2 Ondas derivadas de la programacin semafrica............................... 19
3.2.3 Ondas derivadas de un cruce de ondas .............................................. 21
v

3.3

Algoritmo iterativo .................................................................................. 22

3.4

Ventajas y desventajas esperadas ............................................................ 25

3.4.1 Ventajas.............................................................................................. 25
3.4.2 Desventajas ........................................................................................ 26
4

EVALUACIN DE LA METODOLOGA ................................................... 27

4.1

Red simulada ........................................................................................... 28

4.1.1 Geometra de la Red........................................................................... 28

4.1.2 Programacin Semafrica .................................................................. 29
4.1.3 Parmetros del Simulador .................................................................. 30
4.1.4 Calibracin Diagrama Fundamental .................................................. 30
4.1.5 Datos entregados por el simulador ..................................................... 31
4.1.6 Calidad de los datos simulados .......................................................... 32
4.2

Escenarios de Evaluacin........................................................................ 32

4.3

Tasa de penetracin ................................................................................. 33

4.4

Mtodo de evaluacin ............................................................................. 34

4.4.1 Presentacin de resultados ................................................................. 35

4.4.2 Indicadores de rendimiento ................................................................ 37
5

RESULTADOS Y ANLISIS ........................................................................ 40

5.1

Anlisis Cualitativo ................................................................................. 40

5.2

Anlisis Cuantitativo ............................................................................... 44

5.2.1 Pronstico de Estados de Trfico ....................................................... 44

5.2.2 Pronstico de largos de cola .............................................................. 55
5.3

Comparacin con metodologa de Promedios ........................................ 59

5.3.1 Pronstico de tiempos de viaje .......................................................... 60

5.3.2 Estimacin del Estado de Trfico actual en cada punto de la va ...... 63
vi

5.4

Influencia de errores en la programacin semafrica ............................. 65

5.5

Tiempos de ejecucin de la metodologa ................................................ 68

CONCLUSIONES .......................................................................................... 69
6.1

Principales conclusiones ......................................................................... 69

6.2

Trabajo futuro ......................................................................................... 71

BIBLIOGRAFIA ................................................................................................... 73
A N E X O S .......................................................................................................... 79
ANEXO A: Flujos Simulados ............................................................................... 80
ANEXO B: Anlisis Onda Resultante de un Cruce de Ondas .............................. 83
ANEXO C: Adaptacin de la metodologa para utilizar mltiples trayectorias .... 87

vii

NDICE DE TABLAS
Pg.
Tabla 4-1: Programacin Semafrica ............................................................................. 29
Tabla 4-2: Parmetros Simulacin .................................................................................. 30
Tabla 5-1: Resultados estimacin para cada escenario ................................................... 44
Tabla 5-2: Resultados estimacin para el inicio de una hora punta ................................ 47
Tabla 5-3: Resultados estimacin para el final de una hora punta .................................. 49
Tabla 5-4: Error absoluto medio estimacin tiempo de viaje ......................................... 60
Tabla 5-5: Comparacin estimacin en tiempo actual .................................................... 63
Tabla 5-6: Comparacin estimacin en tiempo actual segn la etapa de los semforos 64
Tabla A-1: Flujos de entrada segn tipo de va...............................................................81
Tabla A-2: Porcentajes de viraje.....................................................................................82

viii

NDICE DE FIGURAS
Pg.
Figura 2-1: Relacin velocidad-flujo Greenshield ............................................................ 5
Figura 2-2: Diagrama Fundamental .................................................................................. 6
Figura 2-3: Definiciones Generalizadas ............................................................................ 9
Figura 3-1: Diagrama Fundamental Utilizado ................................................................ 17
Figura 3-2: Anlisis de la trayectoria de referencia ........................................................ 19
Figura 3-3: Anlisis inicio de luz roja ............................................................................. 20
Figura 3-4: Algoritmo iterativo ....................................................................................... 24
Figura 4-1: Red modelada en AIMSUN ......................................................................... 29
Figura 4-2: Diagrama Fundamental Calibrado ............................................................... 31
Figura 4-3: Campos de densidades ................................................................................. 37
Figura 4-4: Discretizacin del nivel de congestin (3 pistas) ......................................... 38
Figura 5-1: Campos de densidad real y estimado en una situacin sin congestin ........ 41
Figura 5-2: Campos de densidad real y estimada con alta congestin ............................ 43
Figura 5-3: Tiempos de viaje durante la simulacin ....................................................... 46
Figura 5-4: Error de estimacin segn la ubicacin dentro de la seccin ....................... 51
Figura 5-5: Error de estimacin segn la ubicacin dentro de la seccin ....................... 52
Figura 5-6: Error de estimacin segn la ubicacin cuando la demanda es baja ............ 53
Figura 5-7: Error de estimacin absoluto segn la anticipacin de la ltima trayectoria
......................................................................................................................................... 54
Figura 5-8: Histograma del error de estimacin de largos de cola ................................. 56
Figura 5-9: Error y error absoluto de la estimacin del largo de cola durante el perodo
simulado .......................................................................................................................... 58
Figura 5-10: Error porcentual en la estimacin de tiempos de viaje............................... 62
Figura 5-11: Calidad de la estimacin frente a desplazamientos en la programacin de
semforos ........................................................................................................................ 66
Figura 5-12: Calidad de la estimacin ante errores en el tiempo de ciclo. ..................... 67
ix

Figura A-1: Clasificacin de vas segn flujo de entrada................................................80

Figura A-2: Flujos y virajes existentes en cada interseccin...........................................82
Figura B-1: Onda resultante ambas ondas incidentes con pendiente negativa...............84
Figura B-2: Onda resultante ambas ondas incidentes con pendiente positiva................85
Figura B-3: Onda resultante ondas incidentes con pendientes positiva y negativa.86
Figura C-1: Ejemplo incorporacin de trayectorias incompletas....................................88

RESUMEN
La aparicin de nuevas tecnologas de recoleccin de datos, como celulares con
GPS, abre una nueva fuente de informacin para estimar Estados de Trfico. Entre las
metodologas que la utilizan, an no se han obtenido buenos resultados cuando se
estiman Estados de Trfico en arterias urbanas, debido a la complejidad de las
dinmicas del flujo a travs de las intersecciones semaforizadas.
La metodologa propuesta, a diferencia de los estudios anteriores, incorpora la
Teora de Trfico con el objetivo de obtener mejores resultados en situaciones donde se
cuenta con informacin de un bajo porcentaje de los vehculos (1%). La metodologa
est basada en la Teora de Ondas Cinticas y requiere el conocimiento del Diagrama
Fundamental y la programacin semafrica.
sta fue evaluada mediante microsimulacin y prob estimar correctamente el
Estado de Trfico en cada punto de la va en al menos un 82% de los casos. Estos
resultados mejoran a medida que aumenta el nivel de congestin y son igualmente
buenos en situaciones donde el nivel de congestin est creciendo o decreciendo. Por
otra parte la metodologa es capaz de estimar correctamente los largos de cola mxima
en cada interseccin y tambin es capaz de predecir desbordamientos de cola.
Al comparar la metodologa propuesta con otra metodologa de la literatura,
demostr entregar mejores resultados tanto en el pronstico de tiempos de viaje y como
en la estimacin de los Estados de Trfico en la va, para el instante de tiempo actual.
El estudio permiti comprobar que la inclusin de Teora de Trfico en las
metodologas de estimacin, permite obtener mejores resultados al representar de mejor
manera las dinmicas del trfico interrumpido. A futuro se propone evaluar la
metodologa en un experimento real y disear una forma de estimar el Diagrama
Fundamental y la programacin semafrica, para evitar la dependencia de dichos datos.

Palabras Clave: Estimacin de Estados de Trfico, trayectorias, GPS, tiempos de

viaje, arterias urbanas.
xi

ABSTRACT
GPS-enabled phones have opened a new way of collecting traffic data. However,
better methodologies are needed to leverage this information, specifically at urban
arterials, where traffic lights add complexity to the analysis.
On this study a new methodology to estimate traffic states on arterials is proposed.
The methodology is based on the Lighthill-Witham-Richards traffic model in order to
better capture traffic dynamics. The methodology requires a calibrated Fundamental
Diagram, traffic lights location and timing.
The methodology was assessed by microsimulation. The analysis suggests that the
methodology yields correct results both at congested and uncongested situations.
However the results tend to improve as congestion increases. Results were obtained for
a 1% penetration rate. This constitutes an important feature of the methodology, as
penetration rate is the main limitation of this type of information source. The use of
traffic flow theory in the methodology permits traffic state estimation from scarce data.
The methodology is also able to correctly estimate queue length at traffic lights.
Moreover, it is able to detect and correctly reproduce queue spillovers appearing on the
road section.
When comparing the proposed methodology with other from the literature, it
proved to obtain better travel time estimates. It also produced better traffic states
estimates.
This study proved that the inclusion of Traffic Theory to traffic state estimation
methodologies increases the accuracy, allowing to reproduce traffic dynamics with very
few data.
Further studies must be done at assessing the methodology on a real experiment. It
is also recommended to develop a procedure to estimate traffic lights schedule and the
Fundamental Diagram in order to reduce the dependence on this information.

Keywords: Traffic states estimation, trajectories, GPS, travel times, arterial roads.
xii

INTRODUCCIN
El conocimiento de los Estados de Trfico, entendidos como el nivel de

congestin presente en una va, es fundamental para la gestin operacional de redes de

transporte terrestre, al permitir determinar cul es la situacin real de congestin en los
distintos puntos de dicha red y cmo se comporta a lo largo del tiempo. Dicha
informacin es la base necesaria para la correcta planificacin de polticas de transporte
en el corto y mediano plazo e implementacin de soluciones operacionales en tiempo
real, como cambiar la programacin de semforos o informar a los conductores para que
eviten conducir por zonas con alta congestin o incidentes (i.e. accidentes vehiculares).
En la actualidad la estimacin de Estados de Trfico se realiza principalmente con
informacin proporcionada por espiras y cmaras de video, las cuales entregan
informacin de flujo y densidad vehicular en puntos determinados. Sin embargo, la
rpida propagacin de celulares equipados con sistemas GPS y nuevos mtodos de
triangulacin de seales de celulares para obtener su ubicacin, abren una nueva
oportunidad de recoleccin de informacin, ocupando dichos vehculos como
recolectores de informacin (conocidos en ingls como probe vehicles) que entregan su
trayectoria, velocidad y aceleracin (Herrera & Bayen, 2010).
Comparado con los mtodos tradicionales de recoleccin de datos, estas
tecnologas poseen un menor costo de instalacin y mantencin, al no requerir
infraestructura dedicada y es compatible con los requerimientos de datos en tiempo real
del UTMS (Universal Traffic Managment System) (Wang et al., 2007). Adems esta
tecnologa posee el potencial de cubrir toda la ciudad cuando a futuro el porcentaje de
vehculos que enve informacin sea ms alto. Por el momento esta tasa, conocida como
tasa de penetracin, no es suficiente para lograr una cobertura exhaustiva de la red de
transporte y por ende es necesario disear metodologas capaces de aprovechar la
informacin disponible (Herrera et al., 2010).
En la literatura se puede encontrar una serie de metodologas de estimacin de
Estados de Trfico en base a informacin de celulares con GPS o triangulacin de
antenas celulares, las cuales han logrado obtener buenos resultados para el caso de

Autopistas Urbanas. Sin embargo, en el caso de Arterias Urbanas, los avances han sido
ms lentos debido a la complejidad de incorporar correctamente el efecto de
intersecciones semaforizadas y prioritarias que regulan el flujo vehicular. En este
estudio se desarrolla una metodologa que incorpora las dinmicas presentes en las vas
urbanas a travs de la Teora de Trfico, con el objetivo de estimar los Estados de
Trfico presentes en la va con el fin de conocer en tiempo real el nivel de congestin
presente en la va.
1.1

Objetivos

El objetivo general de esta tesis es desarrollar una metodologa de Estimacin de

Estados de Trfico en Arterias Urbanas basada en la Teora de Trfico, y que utilice
como fuente de informacin las trayectorias de una muestra del total de vehculos que
circulan por dicha va, similar a aquella entregada por celulares con GPS, pero sin
limitarse a dicha tecnologa.
Se espera que la metodologa sea capaz de estimar correctamente el Estado de
Trfico imperante en una va para distintos niveles de congestin, tanto en situaciones
donde sta es estable como para situaciones donde la congestin flucta entre distintos
niveles de congestin. En particular, es de gran inters determinar el comportamiento de
la metodologa durante la transicin entre distintos niveles de congestin.
Por otra parte se busca comparar la metodologa propuesta con otra metodologa
presente en la literatura, con el fin de determinar sus capacidades, fortalezas y
debilidades.
1.2

Alcances

El estudio se focaliza en arterias urbanas (tambin conocidas como vas

troncales), entendidas como vas principales de una ciudad, que permiten el
desplazamiento de un alto flujo vehicular y cuyas intersecciones con otras vas estn
reguladas por semforos o seales de prioridad (REDEVU, 2009). En este estudio no se
considerarn intersecciones prioritarias.

Por otra parte, como se mencion anteriormente, se trabajar con informacin de

trayectorias de vehculos, pero no se estudiar el detalle del funcionamiento de la fuente
de informacin ni de cmo obtener las trayectorias.
1.3

Contenido

En el captulo 2 se presentan las bases tericas de la metodologa propuesta y el

estado del arte en cuanto a estimacin de Estados de Trfico en arterias urbanas usando
informacin de GPS y celulares. Luego en el captulo 3 se describe en detalle la
metodologa propuesta y el proceso iterativo para implementarla. En el captulo 4 se
explica cmo se evalu la metodologa y los indicadores de rendimiento utilizados.
Posteriormente en el captulo 5 se presentan los resultados cualitativos y cuantitativos
de la evaluacin de la metodologa y la comparacin de la metodologa frente a otra
propuesta en la literatura. Finalmente en el captulo 6 se describen las principales
conclusiones y el trabajo futuro.

MARCO TERICO
La Teora de Trfico Vehicular, en adelante Teora de Trfico, se basa en la

definicin de tres variables macroscpicas fundamentales; el flujo (q), definido como la

cantidad de vehculos por unidad de tiempo que cruza un punto de una va, la densidad
(k), definida como el nmero de vehculos por unidad de distancia dentro de un tramo
de va y la velocidad media espacial (vs), definida como el promedio armnico de las
velocidades instantneas de los vehculos que se encuentran en el tramo en ese
momento (Fernndez, 2011).
El Estado de Trfico en un cierto punto en una va, para un instante de tiempo,
estar definido por el valor de las tres variables macroscpicas (flujo, densidad y
velocidad media espacial). Dado lo anterior, en este estudio se buscar pronosticar los
valores de dichas variables a lo largo del tiempo, para los distintos puntos de una va.
A continuacin se presentarn las relaciones entre dichas variables de trfico
junto con algunos conceptos y teoras basadas en ellas, para luego dar paso a un anlisis
de las metodologas propuestas en la literatura para la estimacin de Estados de Trfico
en arterias urbanas.
2.1

Ecuacin Fundamental

La ecuacin fundamental corresponde a la relacin algebraica existente entre las

tres variables antes descritas e indica que el flujo corresponde al producto entre la
densidad y la velocidad media espacial, como se muestra en la ecuacin 2.1 (Lighthill y
Whitham, 1955a).

2.1

2.2

Diagrama Fundamental

Greenshield (1935) realiz el primer estudio emprico para verificar la relacin

entre las tres variables fundamentales, obteniendo la relacin entre la velocidad media
espacial (v) y el flujo (q) presentada en la Figura 2-1.

Figura 2-1: Relacin velocidad-flujo Greenshield1

Fuente: Greenshields, B. D. (1935). A study of traffic capacity. Highway Research Board

De esta forma funcional se deriva, utilizando la ecuacin fundamental, las otras

dos relaciones existentes entre flujo y densidad (Figura 2-2 a) y entre la velocidad
media espacial y la densidad (Figura 2-2 c). Cabe destacar que usualmente se conoce
como Diagrama Fundamental a la relacin q-k, pero algunos autores llaman de la
misma manera a las relaciones v-k y v-q. En este estudio, cuando se hable de Diagrama
Fundamental nos referiremos a la relacin q-k, entendiendo siempre que la obtencin de
las otras dos relaciones es directa si se utiliza la ecuacin fundamental.

Greenshield define el eje horizontal del grfico con el nombre Densidad, pero refirindose al

concepto de flujo.

a)

b)

c)

Figura 2-2: Diagrama Fundamental

Fuente: Elaboracin Propia

Posterior al estudio de Greenshield se fueron desarrollando nuevas formulaciones

que mejoraban aspectos tericos y empricos (Richards, 1956; Greenberg, 1959;
Underwood, 1961; Gazis et al., 1961; Newel, 1965; Drake et al., 1967; Smulders, 1990).
Para un anlisis ms detallado de la evolucin en la formulacin de la relacin q-k se
recomienda la lectura de Gazis (2002) y Wageningen-Kessels (2013). En la actualidad,
por simplicidad, muchas veces se utiliza una aproximacin lineal del Diagrama
Fundamental llamada relacin triangular (Newell, 1993).
Independientemente de la formulacin algebraica que se utilice para representar la
relacin q-k la curva posee algunas caractersticas comunes que se describen a
continuacin.
En primer lugar se tiene que la curva posee dos ramas. La primera, conocida como
de flujo libre, se caracteriza por una baja densidad y porque a medida que sta aumenta
el flujo tambin aumenta. La segunda rama, conocida como de congestin, es aquella
donde a medida que la densidad aumenta, el flujo disminuye debido a que se est en una
situacin congestionada.
En segundo lugar se tiene que cada punto de la relacin q-k corresponde a un
Estado de Trfico donde la velocidad media espacial corresponde a la pendiente de la

recta que une el origen con el correspondiente punto (k,q). Esto se obtiene directamente
de la ecuacin fundamental (ecuacin 2.1).
En tercer lugar, de todo Diagrama Fundamental se pueden obtener ciertos
parmetros relevantes que sern descritos a continuacin. El flujo mximo (qm) que
corresponde al flujo mximo de vehculos que puede circular por la va y se encuentra
en la interseccin de las dos ramas. La velocidad de flujo libre (vf) que corresponde a la
velocidad de circulacin del flujo cuando la densidad tiende a cero. Por ltimo, la
concentracin de taco o densidad mxima (Kj) es aquella densidad para la cual el flujo
vehicular es nulo ya que los vehculos se encuentran totalmente detenidos.

2.3

Teora de Ondas Cinticas (LWR)

La Teora de Ondas Cinticas fue propuesta por Lighthill & Whitham (1955 a,
1955 b) como una aplicacin de conceptos de mecnica de fluidos al flujo de vehculos
en una va y complementada por Richards (1956) para el caso de autopistas2.
Esta teora se basa en la ecuacin de conservacin de trfico para tramos de va
sin entradas ni salidas (ecuacin 2.2), que nace de su equivalente de la teora de flujo de
fluidos por un tubo. Esta ecuacin asegura que la tasa de variacin del flujo y la
densidad en el espacio x y en el tiempo t sean consistentes con la hiptesis de
inexistencia de entradas y salidas a la va (Daganzo, 1997).

2.2

La interfaz que divide dos Estados de Trfico homogneos se desplazar por la va con una
velocidad constante u (La derivacin de esta relacin se puede ver en Daganzo, 1997 pags.

Las siglas LWR con que se nombra a esta teora vienen de las iniciales de sus autores: Lighthill,

Whitham y Richards.

97-103) y como muestra la ecuacin 2.3 ser equivalente a la pendiente de la recta que une los
puntos de los dos Estados de Trfico en el Diagrama Fundamental.
2.3

Basado en el resultado anterior esta teora propone analizar los Estados de Trfico
en funcin de cmo se desplazan estas interfaces a lo largo de la va. De esta manera
busca representar de manera macroscpica los cambios de velocidades de los vehculos
cuando entran o salen de zonas de mayor o menor congestin, asumiendo dichos
cambios como el paso instantneo de una interfaz. Estas interfaces, en adelante
llamadas ondas u ondas cinticas, se propagarn por la va aguas arriba (en el caso de la
congestin) o aguas abajo (flujo libre).
La ventaja de este tipo anlisis es que permite dividir la regin espacio-tiempo (xt) en zonas con Estados de Trfico homogneos y representar la divisin entre ellos
como rectas con pendientes acordes a los Estados de Trfico que dividen (ecuacin 2.3),
facilitando su anlisis y el manejo de la informacin.

2.4

Definiciones Generalizadas

Como plantea Edie (1963) en su trabajo seminal en el rea, los conceptos de flujo,
densidad y velocidad de los vehculos que circulan por una va slo son relevantes si se
los calcula como medias. Estas medias, que pueden ser aritmticas o geomtricas, solo
son vlidas cuando se calculan para lugares o tiempos especficos, pero su definicin
tradicional no permite el clculo de cada una de dichas variables para una regin que
involucra a la vez un lapso de tiempo y una distancia. Por ejemplo, el flujo vehicular se
calcula como el promedio del nmero de vehculos que cruza un punto en una va, pero
dicha frmula de clculo solo es vlida para un punto especfico de la va y no para un
tramo de sta.

Distancia

rea de inters (A)

Trayectoria
Trayectoria dentro de A

Tiempo
Figura 2-3: Definiciones Generalizadas
Fuente: Elaboracin propia

Para solucionar este clculo y definir estas variables de forma tal que no presenten
ambigedad con respecto a la forma en que se promedian los valores, Edie desarrolla el
concepto de Definiciones Generalizadas para calcular el flujo (q), la densidad (k) y la
velocidad media espacial (vs) presente en un tramo de va durante un perodo de tiempo.
El anlisis se basa en la definicin de un rea A del diagrama espacio tiempo (x-t) como
se muestra en la Figura 2-3. Para esta rea se calculan:
d(A): Suma de las distancias recorridas por los vehculos dentro del rea.
t(A): Suma de los tiempos recorridos por los vehculos dentro del rea.
|A|: Tamao del rea.
Luego, las variables de inters se pueden calcular segn las frmulas a
continuacin:
2.4
2.5
2.6

10

Para ms detalle, se sugiere consultar Daganzo (1997) o Cassidy (2002).

2.5

Estimacin de Estados de Trfico

Un Estado de Trfico corresponde al nivel de congestin presente en una va en

un instante de tiempo, el cul puede ser cuantificado a travs de los valores del flujo (q),
la densidad vehicular (k) y la velocidad media espacial (vs).
La Estimacin de Estados de Trfico en base a informacin de trayectorias ha
tenido un fuerte desarrollo durante la ltima dcada debido a la masificacin de los
sistemas GPS y su incorporacin a los equipos de telefona mvil, adems del desarrollo
de nuevas metodologas para la triangulacin de seales de antenas celulares (Bar-Gera,
2007; Rose, 2006). Otras tecnologas an en desarrollo se presentan en Fisher & Raquet
(2011). Estas nuevas tecnologas han hecho factible la posibilidad de recuperar
trayectorias de manera efectiva y sin un gran requerimiento de infraestructura o equipos.
Estas tecnologas son en la actualidad las principales fuentes de informacin para la
obtencin de trayectorias, pero no se descarta la aparicin de nuevas tecnologas o
formas de recopilar esta informacin.
En cuanto a las metodologas desarrolladas para aprovechar estas nuevas fuentes
de informacin, la mayora de ellas se centran en el estudio de Autopistas Urbanas,
donde ya existen sensores fijos instalados, como espiras y cmaras de video, que
entregan informacin de puntos especficos y con los que se estn haciendo buenas
estimaciones. Entre los principales estudios que utilizan estas nuevas tecnologas para el
caso de autopistas se encuentran Sanwal & Walrand (1995), Westerman et al. (1996),
Ygnace et al. (2000), Bar-Gera (2007), Krause et al. (2008), Sun et al. (2003 y 2004),
Zang (2005), Herrera & Bayen (2010) y Work et al. (2010), donde los primeros 4
trabajan con informacin de antenas de celulares y el resto con GPS o celulares
equipados con sistemas GPS. Como plantean Ban et al. (2011) y Tao et al. (2012), estos
mtodos no necesariamente se pueden aplicar en arterias urbanas debido a que poseen
flujos mucho menores, hay una mayor variabilidad en las velocidades y a la presencia

11

de intersecciones semaforizadas y prioritarias que generan dinmicas de trfico distintas

a aquellas que ocurren en las autopistas.
En el caso de arterias urbanas, usualmente no existen equipos de medicin y por
ende se hace ms atractivo aprovechar estas nuevas tecnologas. Sin embargo, el avance
ha sido ms lento debido a la complejidad extra generada por la presencia de
intersecciones semaforizadas que interrumpen el flujo vehicular.
En este caso el nmero de estudios es bastante ms reducido y la mayora se basa
en herramientas estadsticas, siendo solo unos pocos los que tratan de incorporar
elementos de la Teora de Trfico en sus metodologas de estimacin.
Los primeros estudios para el caso de arterias urbanas proponen estimar el Estado
de Trfico en un arco basados en un promedio de observaciones de velocidades
instantneas o velocidades promedio en recorrer el arco (Cheu et al., 2002; Zhang et al.,
2007). Los resultados obtenidos indican que la estimacin es correcta para tasas de
penetracin3 de un 5% en un 95% y 93,3% de los casos en cada estudio. Tao et al.
(2012) propone mejorar esta metodologa realizando un pre procesamiento de los datos,
previo a promediar las velocidades, utilizando Map matching4, Kalman filtering5 y Data
Screening6. Con este nuevo pre procesamiento logra errores de un 6.7% en las
velocidades estimadas para una penetracin de un 10%.
Otros estudios plantean utilizar herramientas estadsticas como Cadenas de
Markov (Herring et al., 2010 a; Feng et al., 2011; Feng et al., 2012; Ramezani &

Tasa de Penetracin: Porcentaje del total de vehculos cuya informacin se utiliza para realizar la

estimacin.
4

Map matching: proceso de alinear una secuencia de posiciones con una red vial en un mapa

digital. Ms detalles de su aplicacin en Lou et al (2009).

5

Kalman Filtering: Algoritmo que usa una serie de observaciones de una variable en el tiempo

(que contienen ruido) y genera estimaciones de dicha variable que tienden a ser ms precisa que si se usa
la observacin directamente (Kalman, 1960).
6

Data Screening: Proceso de inspeccionar los datos para detectar errores y corregirlos previo a su

utilizacin.

12

Geroliminis, 2012). Herring et al. (2010) logran reducir el error de los mtodos iniciales
en un 35%. Feng et al. (2011) logran errores muy bajos en ambos estudios (de hasta un
2% respecto a la realidad) y en el primero logra predecir correctamente con los datos de
uno o dos vehculos, pero requiriendo conocer con anticipacin las distribuciones de
tiempos de viajes en arcos y rutas. Igualmente Ramezani & Geroliminis (2012) logran
buenos resultados para un 10 y 2% de penetracin.
En otros enfoques estadsticos, Herring et al. (2010 b) logra resultados razonables
para un 2% de penetracin y buenos para un 5% utilizando regresiones logsticas y un
Modelo Autoregresivo Espacio-Temporal de Media Mvil (STARMA). Por otra parte
Hunter et al. (2009) logra buenos resultados utilizando un modelo probabilstico cuyos
parmetros obtiene mediante mxima verosimilitud.
Finalmente, el modelo desarrollado en esta tesis aprovecha la forma de anlisis
desarrollada en Ban et al. (2011) en su estudio de los largos de cola en arterias urbanas,
logrando buenos resultados pero para tasas de penetracin de un 30% y situaciones no
saturadas. Por otra parte, as como plantea Feng et al. (2011) como trabajo futuro, una
buena alternativa sera incorporar la teora de trfico LWR a la estimacin, as como
hace Skabardonis & Geroliminis (2005) para el caso de una arteria urbana que posee
espiras magnticas en sus extremos o como Mehran et al. (2011) que adems de las
espiras agrega datos de GPS para corregir las estimaciones.

2.5.1 Comentarios
Lo primero que llama la atencin de todos los estudios recolectados en la
literatura es que sus resultados no son comparables directamente entre s porque:
Utilizan distintas formas de estimacin de la realidad.
Trabajan con tasas de penetracin distintas.
El punto de comparacin de sus estimaciones no es siempre el mismo, ya que
utilizan datos de diversa naturaleza (datos reales y/o de simulaciones
computacionales).

13

Lo segundo corresponde a la poca utilizacin de los conceptos de Teora de

Trfico para incorporar las dinmicas propias de la circulacin por vas semaforizadas y
cmo se propaga la congestin a travs de estas.
A continuacin se analizan en detalle cada uno de estos puntos.
a. Datos Reales
Un primer problema que aparece en este tipo de estudios es la dificultad para
obtener los datos reales de los Estados de Trfico presentes en la va, ya que ello
exigira tener la trayectoria de la totalidad de los vehculos o la va completamente
instrumentada. Es por esto que una gran parte de los estudios ocupa microsimulacin
(Cheu et al., 2002; Feng et al., 2011;

Feng et al., 2012; Herring et al., 2010 b;

Ramezani & Geroliminis, 2012; Tao et al., 2012). Lo anterior tiene la ventaja de
conocer la realidad con certeza, pero a la vez tiene la desventaja de que como en toda
simulacin, hay dinmicas de la realidad que no estn siendo representadas. Por otra
parte, los que ocupan casos reales deben generar los datos reales en base a la utilizacin
de otros tipos de sensores (i.e. espiras magnticas), con lo que se agrega ruido a dichos
datos y pierden precisin (Zhang et al., 2007; Feng et al., 2012; Herring et al., 2010 a;
Herring et al., 2010 b; Hunter et al., 2009; Ramezani & Geroliminis, 2012). Adems,
muchos de estos estudios tienen problemas para reportar la tasa de penetracin con que
trabajan, ya que desconocen el nmero total de vehculos que circulan por la va.
Dado lo anterior hay que ser cuidadoso al comparar estudios, chequeando siempre
cmo afectan a la estimacin los datos con que se la evala.
b. Base de comparacin
Teniendo las trayectorias de la totalidad de los vehculos, nace la necesidad de
generar una base de comparacin para la estimacin realizada, de tal manera de poder
calcular su error. Como base de comparacin se pueden comparar densidades o
velocidades, ya que dado un Diagrama Fundamental y conociendo la ecuacin
fundamental, se tiene que para una densidad/velocidad, solo existe un Estado de Trfico
posible.

14

El punto de comparacin ms utilizado es el promedio directo de las velocidades

de la totalidad de los vehculos que recorren un arco, lo cual no es tericamente
correcto, ya que el promedio directo de velocidades debiera ser utilizado para obtener la
velocidad instantnea promedio en un punto, y no en un tramo de va. La metodologa
correcta corresponde a utilizar Definiciones Generalizadas (Edie 1963, 1974), las cuales
determinan el Estado de Trfico de secciones de va. Este error terico fue detectado en
casi todos los estudios encontrados en la literatura, aunque en trminos prcticos se
esperara que no fuera significativo.
c. Tasas de Penetracin
La tasa de penetracin es un factor fundamental en este tipo de estudios en
que la gran limitante de esta tecnologa es la escasez de vehculos equipados. En la
prctica, para que se cuente con la informacin en tiempo real de un vehculo, ste debe
poseer la tecnologa para la recoleccin de datos y su conductor dispuesto a entregar
informacin, Adems el sistema de recoleccin de datos debe estar funcionando (i.e. en
el caso de los celulares con GPS el usuario debe tener encendida la aplicacin) y
adems el vehculo debe estar circulando por alguna de las vas de inters. Dado lo
anterior es muy difcil contar con tasas de penetracin altas. Esto es especialmente
relevante en el caso de pases en vas de desarrollo.
Por ello llama la atencin el hecho de que cuatro de los diez estudios no reportan
la tasa de penetracin usada y que prcticamente la totalidad de los estudios no define
con precisin la forma de medicin de la tasa de penetracin que se est utilizando. Lo
anterior es especialmente relevante debido a que se est trabajando con tasas del orden
de un 1 a un 10%. Por lo tanto, incluir unos pocos vehculos extra enviando informacin
puede tener un impacto relevante en los resultados obtenidos.
La tasa de penetracin puede ser medida de distintas formas. Una de ellas puede
corresponder al porcentaje de los vehculos que cruza un punto especfico de la va
(porcentaje de los vehculos que ve un observador estacionario). Otra alternativa es
considerarla como el porcentaje de los vehculos presentes en la va en un instante de
tiempo (porcentaje de los vehculos en una foto area). Finalmente, una tercera manera

15

que incorpora la temporalidad y espacialidad de ambos mtodos (observador

estacionario y fotografa) es asignar un nmero identificador (id) a todos los vehculos
que entran en algn momento a la seccin bajo anlisis (independientemente de si la
recorren completa o una parte) y definir la tasa de penetracin como la proporcin
dentro del total de ids que est equipado. Esta ambigedad hace necesario un anlisis
ms detallado del efecto de la tasa de penetracin en los resultados.
Por otra parte, en cuanto a las magnitudes de la tasa de penetracin utilizada,
muchos de los estudios utilizan tasas sobre un 5%, lo cual no es realista para muchos
lugares, como pases en vas de desarrollo.
d. Metodologas Utilizadas
En cuanto a las metodologas de estimacin de Estados de Trfico en Arterias
Urbanas, utilizando informacin de trayectorias, llama la atencin el poco uso de la
Teora de Trfico. sta podra permitir representar mejor las dinmicas de trfico que
ocurren en las vas urbanas (i.e. colas de semforos, propagacin de la congestin, etc.),
mediante herramientas como la Teora de Ondas Cinticas (Lighthill & Whitham, 1955
a; Lighthill & Whitham, 1955 b;

Richards 1956), Diagrama Fundamental

Macroscpico (Daganzo, 2005 y 2007; Geroliminis & Daganzo, 2007), Cell

Transmission Model (Daganzo, 1994), etc. Es por esto que el uso de conceptos y
definiciones tericas podra permitir desarrollar mejores metodologas y por ende
mejorar los resultados obtenidos a la fecha. El nico estudio que trabaja nicamente con
informacin de trayectorias (GPS) y utiliza la teora de trfico es Herring et al (2010 a)
que incorpora algunos conceptos de la Teora de Ondas Cinticas (LWR) para definir
los estados posibles de una Cadena de Markov Discreta.
Por otra parte, el uso de metodologas basadas en la Teora de Trfico evita el
tener que almacenar la gran cantidad de informacin histrica requerida por muchas de
las herramientas estadsticas y permite trabajar sin la necesidad de conseguir de otra
fuente o generar las funciones de distribucin de velocidades en arcos o rutas, con las
que es raro contar en la prctica y que son la base de muchos de los modelos
estadsticos propuestos.

16

METODOLOGA PROPUESTA
La metodologa propuesta se basa en la Teora de Ondas Cinticas (LWR). Esta

teora describe la transicin entre distintos Estados de Trfico como ondas que se
desplazan por la va La metodologa busca reconstruir los Estados de Trfico futuros
identificando cundo stos cambian, a travs de la identificacin de las ondas que los
separan.
La metodologa propuesta aprovecha el hecho de que una onda solo desaparece si
se encuentra con otra onda. De lo contario, dicha onda se propagara hasta el infinito.
Dado lo anterior, la metodologa busca determinar las ondas iniciales en la zona de
estudio y luego analiza los puntos donde se intersectan. En cada interseccin las ondas
incidentes desaparecern y una nueva onda aparecer. Esto generar un proceso
iterativo en que se analizan nuevos cruces de ondas donde algunas de ellas aparecern y
otras desaparecern.
Para facilitar el anlisis se trabajar con diagramas distancia tiempo (tambin
conocidos como diagramas x-t) en los cuales se representan las ondas como rectas y en
que los polgonos formados entre las ondas correspondern a regiones en que el Estado
de Trfico es homogneo.
A continuacin se detallan los datos necesarios para utilizar la metodologa, luego
se explica la forma de reconstruir las ondas y finalmente se plantea el proceso iterativo
que permite obtener los datos requeridos para determinar los Estados de Trfico futuros.

3.1

Datos necesarios
Diagrama Fundamental

El Diagrama Fundamental de la seccin de va bajo anlisis se asume conocido.

La relacin entre la velocidad media espacial (v) y la densidad (k) es aproximada por
una funcin lineal-parablica, planteada originalmente por Smulders (1990) (Figura 3-1
a). Esta relacin deriva adems en una relacin entre el flujo (q) y la densidad (k) que es
parablica a flujo libre y lineal en congestin (Figura 3-1 b).

17

a)

b)

Figura 3-1: Diagrama Fundamental Utilizado

Fuente: Elaboracin Propia

Es importante que la forma funcional que relacione v y k sea inyectiva de tal

manera que un Estado de Trfico pueda ser completamente caracterizado conociendo la
velocidad. Dado lo anterior no es posible suponer una relacin q-k triangular.
Programacin semafrica
La metodologa asume conocida la ubicacin y programacin de todos los
semforos dentro de la seccin de va bajo anlisis. Esta informacin es relevante
porque cuando comienzan y terminan las luces rojas, es muy probable que aparezcan
ondas.
En este estudio se asume que la programacin de semforos es fija y por ende no
hay semforos actuados cuya programacin vara en tiempo real dependiendo del flujo,
y no puede ser conocida de antemano. La metodologa s es capaz de incorporar
cambios de programacin durante el perodo bajo anlisis, siempre que puedan ser
conocidos con anticipacin.
Trayectorias
En cuanto a la informacin de trayectorias, la metodologa utiliza la informacin
de la ltima trayectoria que recorre la seccin completa bajo anlisis. Cada trayectoria

18

est definida como una lista de puntos compuestos por una posicin y tiempo, los cuales
se asumen sin error y deben poseer un buen nivel de resolucin.
Esta trayectoria de referencia es utilizada para recuperar las ondas que la cruzan
durante su viaje por la seccin de va y que hacen que cambie su velocidad. En otras
palabras dicha trayectoria acta como una condicin de borde por la izquierda para la
regin espacio-tiempo bajo anlisis.

3.2

Reconstruccin de ondas

A continuacin se describe la forma de detectar puntos donde se originan ondas y

cmo obtener las ondas resultantes de una interseccin de ondas.
3.2.1 Ondas derivadas de la trayectoria
Las ondas que cruzan la trayectoria se pueden encontrar analizando los cambios
de velocidad en sta. Como los cambios de velocidad no son instantneos, la trayectoria
es linealizada detectando perodos donde el vehculo est detenido y otros donde est en
movimiento y realizando aproximaciones lineales de la trayectoria para cada uno de
dichos perodos (Figura 3-2, lnea azul). De esta forma se puede estimar el momento y
lugar en que la trayectoria cambia de velocidad y cul es la velocidad antes y despus
del punto de cambio (pendiente de las rectas de color azul).
Dado que se conoce el Diagrama Fundamental, y ste es inyectivo, es posible
determinar los Estados de Trfico antes y despus del cambio conociendo ambas
velocidades. Luego la velocidad de cada onda (pendiente de las lneas naranjas) que
cruza la trayectoria se calcula segn la ecuacin 2.3.

19

Distancia

Trayectoria original
Trayectoria linealizada
Onda

Tiempo

Figura 3-2: Anlisis de la trayectoria de referencia

Fuente: Elaboracin Propia

Es importante destacar que esta forma de procesar la trayectoria no necesita

conocer cul fue el punto de origen de la onda ni su causa, ya que se busca conocer
cmo circulan los vehculos que pasan despus de la trayectoria y no lo que sucede
antes. Adems, no existe ninguna onda que afecte a los vehculos posteriores y que
venga de los vehculos que pasaron con anterioridad, que no pueda ser detectada en esta
nica trayectoria
3.2.2 Ondas derivadas de la programacin semafrica
Cuando se inicia o termina una luz roja, se generan ondas derivadas de la
formacin/disipacin de la cola y de la interrupcin en el flujo de vehculos. Ambos
casos sern analizados en detalle a continuacin.
a. Inicio de luz roja
Cuando el flujo de llegada al semforo es distinto de cero se generan dos ondas al
comienzo de la luz roja. La primera onda corresponde al crecimiento hacia aguas arriba
de la cola, y su velocidad se puede calcular en base a la ecuacin 2.3, conociendo los
Estados de Trfico a ambos lados de ella. La cola se caracteriza por presentar un flujo

20

nulo y una densidad igual a la densidad de taco (Kj). Para conocer el Estado de Trfico
de los vehculos que se unen a la cola se debe buscar entre las ondas conocidas la ltima
que cruz la lnea de parada y ver qu Estado de Trfico qued posterior a su paso. En
el caso de que no existiera ninguna onda a la izquierda se asume que el Estado de
Trfico es igual a aquel con que la trayectoria de referencia cruz la lnea de parada.
La segunda onda viaja hacia aguas abajo junto con el ltimo vehculo que alcanz
a cruzar e indica una interrupcin en el flujo vehicular. En otras palabras, indica que
despus de ese vehculo tanto el flujo como la densidad son cero. Esta situacin se
puede ver grficamente en la Figura 3-3 a.

Luz Roja
Trayectoria
Onda
Pseudo-onda

a) Caso normal

b) Sin demanda al inicio

c) Sobresaturacin

Figura 3-3: Anlisis inicio de luz roja

Fuente: Elaboracin Propia

En el caso que al inicio de la luz roja no hay flujo, no se generar ninguna de las
dos ondas antes mencionada. Esta situacin puede ocurrir cuando no hay demanda o
cuando la calle est sobresaturada y en el instante de inicio de la luz roja ya hay taco en
la lnea de parada. En este caso especial sin flujo se genera una pseudo-onda con
velocidad cero (i.e. en el diagrama x-t viaja sobre la luz roja). Esta onda tiene como
objetivo manejar los dos casos presentados en la Figura 3-3b y 3-3c. Si luego de no
haber demanda empiezan a llegar vehculos durante el rojo (y por ende una onda que
viene de aguas arriba se cruza con la pseudo-onda), esta pseudo-onda hace que se

21

detengan en la luz roja, apareciendo en ese punto una onda de crecimiento de la cola
(Figura 3-3 b). Si el flujo es cero porque la interseccin est sobresaturada, pero durante
la luz roja llega desde aguas abajo una onda de recuperacin de la cola (es decir, los
vehculos comienzan a moverse), cuando sta se cruza con la pseudo-onda esta ltima
har que los vehculos aguas arriba de la interseccin no descarguen (debido a que estn
en una luz roja) y la onda resultante correspondera al ltimo vehculo que avanza desde
la cola y que est aguas abajo de la lnea de parada y por ende no lo afecta la luz roja
Esta situacin se puede observar en la Figura 3-3 c.
b. Fin de luz roja
Al igual que en el caso del comienzo de la luz roja, en general se formarn dos
ondas. La primera corresponde a la onda que avanza hacia aguas arriba a medida que
los vehculos comienzan a descargar. Su velocidad se calcula segn la ecuacin 2.3,
donde el primer Estado de Trfico es el de la cola (sin flujo y con densidad de taco) y el
segundo es a capacidad (flujo mximo y densidad crtica). Esta onda es comnmente
conocida como onda de recuperacin y su pendiente (velocidad) se denota con la letra
w. La segunda onda viaja hacia aguas abajo y corresponde al primer vehculo que sale
de la cola (antes no haba flujo por la luz roja).
En el caso especial de que aguas abajo de la lnea de parada del semforo haya
una cola que impide descargar (los vehculos no pueden avanzar cuando comienza la luz
verde), no se generar ninguna onda.
Por otra parte si al fin del rojo no hay cola (no lleg ningn vehculo durante la
luz roja), tampoco habr ondas resultantes del fin de la luz roja. En este caso se debe
eliminar adems la pseudo-onda que se agreg al inicio de la luz roja.
3.2.3 Ondas derivadas de un cruce de ondas
Cuando dos o ms ondas convergen a la misma posicin en el mismo instante de
tiempo stas desaparecen y una nueva onda se genera. La velocidad de esta onda se
calcula mediante la ecuacin 2.3 donde los Estados de Trfico que dividir la nueva
onda son conocidos, pues se conocen de antemano las ondas que convergen y los

22

Estados de Trfico que stas dividen. En caso que converjan ms de dos ondas, solo
interesarn las dos ondas de los extremos (la con mayor y menor pendiente), ya que las
que estn entre ellas no afectan a la onda resultante. Por ende los Estados de Trfico a
considerar sern aquel que est aguas abajo de la onda con mayor pendiente y el que
est aguas arriba de la con menor pendiente. En el Anexo B se presentan ejemplos
grficos del clculo de la onda resultante del cruce de dos ondas.

3.3

Algoritmo iterativo

La metodologa reconstruye las ondas presentes en la seccin de inters durante

un perodo de tiempo analizando los puntos donde las ondas se cruzan. Esto genera un
proceso iterativo en que en cada iteracin se analiza un nuevo cruce de ondas. Los
cruces de ondas deben ser analizados en orden cronolgico para evitar incongruencias.
En el caso de que haya dos cruces de ondas en el mismo instante de tiempo, pero en
lugares distintos de la va, el orden en que sean analizadas ser indiferente, ya que las
ondas involucradas son distintas.
Los pasos previos a la realizacin del proceso iterativo son:
i.

Determinar la ltima trayectoria de un vehculo equipado que recorri la

seccin de va completa y linealizarla.

ii.

Recuperar las ondas que cruzan la trayectoria y agregarlas al conjunto de

ondas activas. Este conjunto almacenar todas las ondas cuyo punto de
trmino es desconocido.

iii.

Encontrar todos los puntos donde se cruzan entre ellas las ondas
detectadas en la trayectoria y agregarlas al conjunto de cruces activos. Este
conjunto almacena todos aquellos cruces de ondas que an no han sido
analizados en el proceso iterativo.

iv.

Agregar al conjunto de cruces activos todos los puntos de inicio y fin de

luces rojas.

23

En la Figura 3-4 parte a se puede observar el estado del sistema previo al proceso
iterativo, donde la trayectoria linealizada est en color azul, las luces rojas en rojo. Las
lneas segmentadas de color naranjo corresponden a las ondas que cruzan la trayectoria
y quee stn almacenadas en el conjunto de ondas activas. Los puntos verdes
coresponden a los puntos qyue se encuentran en el conjunto de cruces activos. En este
caso se tienen dos correspondientes al inicio y trmino de la luz roja y uno
correspondiente a un cruce de ondas.
En cada iteracin se deben realizar cinco pasos para analizar un punto dentro del
conjunto de cruces activos.
1)

Seleccionar un punto entre los cruces activos (cronolgicamente)

2)

Para cada onda que llega al cruce actual (en adelante onda incidente)
a. Aadir el punto del cruce como punto de trmino (cuando dos ondas se
cruzan stas desaparecen).
b. Removerla del conjunto de ondas activas.
c. Remover de los cruces activos todos los cruces futuros de esta onda
incidente con otras ondas activas, ya que en el punto que se est
analizando las ondas incidentes desaparecern y por ende los cruces
futuros de dichas ondas en realidad no existen.

3)

Obtener la onda resultante (si existe) y agregarla al conjunto de ondas

activas.

4)

Aadir a los cruces activos todos los puntos de cruce entre la onda
resultante y el resto de las ondas activas.

5)

Eliminar del conjunto de cruces activos el punto bajo anlisis.

Por ejemplo en la Figura 3-4 parte b el punto bajo anlisis en la iteracin 1 est
marcado con color morado. ste corresponde al inicio de una luz roja y por ende no
tiene ondas incidentes por lo que hay que saltarse el paso ii. En este caso hay dos ondas
resultantes que deben ser aadidas al conjunto de ondas activas (una onda que indica el
crecimiento de la cola del semforo y otra que viaja con el ltimo vehculo e indica que

24

despus de l ya no cruza ningn otro vehculo). Estas dos ondas generan dos cruces
con otras ondas activas que deben ser aadidos a el conjunto de cruces activos.

a. Inicializacin

b. Iteracin 1

c. Iteracin 2

d. Iteracin 3

Figura 3-4: Algoritmo iterativo

Fuente: Elaboracin propia

En la siguiente iteracin (Figura 3-4 parte c) la interseccin analizada en la

iteracin anterior ya no pertenece al conjunto de cruces activos. El cruce que
corresponde analizar por orden cronolgico aparece en morado y corresponde a un
cruce de ondas. Las dos ondas incidentes terminarn en el cruce actual y se remueven
del conjunto de ondas activas (cambian de color a negro). Adems se eliminan de

25

cruces activos sus cruces posteriores (en este caso solo uno). La onda resultante (que en
este caso tendr pendiente cero) se agrega a ondas activas y su punto de interseccin
con la onda que viene de la trayectoria se agrega a cruces activos.
La tercera iteracin corresponde nuevamente a un cruce entre un par de ondas.
stas son removidas de ondas activas, se define su punto de trmino en el cruce y se
elimina un cruce posterior del conjunto cruces activos. La onda resultante no tiene
cruces con otras ondas activas y se agrega a dicho conjunto.
El proceso iterativo terminar cuando ya no queden cruces por analizar, lo cual
ocurrir debido a que los cruces que nos interesan estn acotados en una regin espaciotiempo delimitada a su izquierda por la trayectoria, a la derecha por un tiempo arbitrario
y arriba y abajo por los extremos de la seccin de va que nos interesa. Es por esto que
solo se agregarn a la lista de cruces activos aquellos que efectivamente se encuentren
en esta regin de inters.
Finalmente es importante almacenar la informacin de las ondas que son
removidas del conjunto de ondas activas, debido a que en base a stas y a las que
todava estn en dicho conjunto al final del procesoiterativo se construir el campo de
velocidad/densidad.

3.4

Ventajas y desventajas esperadas

3.4.1 Ventajas

La principal ventaja de esta metodologa es que sin requerir infraestructura

dedicada, ni las condiciones iniciales del sistema, puede pronosticar lo que ocurrir en
la va durante un perodo de tiempo. Por otra parte, por la forma en que entrega los
resultados a travs de un conjunto de ondas, es posible reconstituir fcilmente largos de
cola, propagacin de la congestin, colas remanentes, tiempos esperados de viaje, etc.
Adems es de fcil implementacin computacional, rpida ejecucin y el proceso
iterativo no debiera requerir una gran cantidad de iteraciones.

26

Al contrario de otros estudios presentes en la literatura, al no basarse en

estadstica, la metodologa propuesta no requiere almacenar una gran cantidad de
informacin histrica.
3.4.2 Desventajas
La principal desventaja esperada es una alta dependencia de la informacin
contenida en la ltima trayectoria, la cual puede no ser representativa del flujo por el
que se mueve (i.e. un auto que circula ms rpido/lento que la media). A lo anterior se
suma el hecho de que la ltima trayectoria puede no haber ocurrido en un tiempo
cercano al momento de realizar la prediccin.
Adems al basarse solo en una trayectoria, la metodologa est desaprovechando
informacin disponible de otros vehculos que cruzaron la seccin de estudio con
anterioridad, por lo que no es capaz de detectar tendencias. Esto no ocurre en los otros
estudios en el tema, los cuales se basan en estadstica y por ende buscan aprovechar
toda la informacin histrica disponible.
Por otra parte, la metodologa no controla el bloqueo de cruces, permitiendo que
vehculos que estn dentro de una cola permanezcan detenidos sobre la interseccin.
Esto derivara en que cuando existen colas remanentes el largo de las colas se est
subestimando.
Finalmente, al contrario de la mayora de los estudios en el tema, la metodologa
propuesta requiere conocer la programacin semafrica, la cual no siempre est
disponible y en algunos casos existen semforos actuados cuya programacin es
variable en funcin del flujo. A esto se suma el hecho de que el Diagrama Fundamental
usualmente no es conocido y se requieren experimentos prcticos para obtenerlo.

27

EVALUACIN DE LA METODOLOGA
Para evaluar la metodologa propuesta se estudiar su capacidad para pronosticar

tres variables. En primer lugar se estudiar su capacidad para estimar el estado de

trfico de una subseccin de la va, el cual ser medido a travs de la densidad. En
segundo lugar se estudiar su capacidad de predecir el largo de los colas que se
generarn durante las luces rojas de los semforos y por ltimo se estudiar su
capacidad de predecir el tiempo que le requerira a un vehculo recorrer la seccin de la
arteria principal que se est analizando. Los tiempos de viaje sern estimados adems
mediante otra metodologa presente en la literatura para comparar los resultados
obtenidos respecto a aquellos que entrega la metodologa propuesta.
La

evaluacin

de

la

metodologa

propuesta

ser

realizada

mediante

microsimulacin. El uso de sta permite conocer completamente la realidad de lo que

est ocurriendo en la va, lo cual no es posible en experimentos reales donde es difcil y
extremadamente costoso obtener los datos de trayectoria de todos los vehculos (BarGera, 2007).
Adems, la microsimulacin permite realizar un anlisis sistemtico de las
variables que no se podra realizar en la realidad, donde no es posible modificar
caractersticas la geometra de la red, la programacin semafrica o la demanda, las
cuales vienen dadas como restricciones de la zona donde se realiza el estudio en terreno.
En este caso la geometra de la red y la programacin semafrica se asumirn
constantes de tal manera de reducir su influencia en los resultados, y solo se cambiar la
demanda.
El microsimulador utilizado, AIMSUN7, permite reproducir la operacin de redes
de transporte terrestres modelando cada vehculo de manera individual y con

AIMSUN: Advanced Interactive Microscopic Simulator for Urban and non

urban Networks.

28

comportamientos basados en modelos microscpicos de trfico. En particular, el

movimiento de los vehculos en AIMSUN se basa en tres modelos: Modelos de
Seguimiento Vehicular (Gipps, 1981), Cambio de Pista y Aceptacin de Brechas
(Gipps, 1986; TSS, 2011 a). AIMSUN permite adems una definicin completa de la
geometra de la red y de los parmetros que determinan el comportamiento de cada tipo
de vehculo.
Para extraer los datos individuales de la posicin de los vehculos a lo largo del
tiempo se utiliz el plug-in Subrogate Safety Assessment Model (SSAM) (Siemens
ITS, 2004; TSS-Transport Simulation Systems, 2010 b) y se desarroll un software
capaz de procesar, filtrar y analizar la informacin recolectada, adems de implementar
y evaluar la metodologa.
A continuacin se presentan las caractersticas del experimento simulado y los
escenarios de evaluacin, adems de la metodologa de evaluacin y los indicadores de
rendimiento.

4.1

Red simulada

En la red utilizada se evaluarn situaciones con diferentes niveles de congestin a

fin de evaluar la metodologa bajo distintas condiciones. Tambin es de inters verificar
su comportamiento en la transicin desde y hacia una situacin congestionada.
4.1.1 Geometra de la Red
Para realizar un anlisis sistemtico y reducir el impacto de la geometra de la red
se dise una red simtrica. La seccin a analizar corresponde a un tramo de 1,9
kilmetros de longitud de una arteria urbana de tres pistas (Figura 4-1). En este tramo
de la arteria principal existen 12 intersecciones semaforizadas donde las intersecciones
nmero 2, 6 y 10 son con otras arterias y el resto con vas secundarias. Cada arteria que
cruza la arteria principal posee tres pistas por sentido y las calles secundarias dos por
sentido. Cada cuadra tiene un largo aproximado de 125 metros.

29

Figura 4-1: Red modelada en AIMSUN

Fuente: Elaboracin Propia

4.1.2 Programacin Semafrica

Todos los semforos tienen una programacin fija que no vara durante todo el
perodo de simulacin. Los semforos no estn coordinados. De hecho se asume un
desfase igual a cero para cada interseccin. La arteria tendra derecho a paso el 50% del
tiempo en intersecciones con otras arterias y 55% en intersecciones con vas
secundarias. En la Tabla 4-1 se presenta la programacin dependiendo de si la
interseccin es con vas secundarias (intersecciones nmero 1, 3, 4, 5, 7, 8, 9, 11 y 12) o
con otras arterias (intersecciones nmero 2, 6 y 10).

Tabla 4-1: Programacin Semafrica

Sentido
Tipo
circulacin
Interseccin
Etapa 1

Tiempo
de ciclo
[seg]

Tiempo
Tiempo
Duracin
Desfase
verde Etapa verde Etapa entreverdes
[seg]
1 [seg]
2 [seg]
[seg]

Va
secundaria

E-O

120

62

50

Arterias

E-O

120

56

56

Fuente: Elaboracin propia

30

4.1.3 Parmetros del Simulador

Los parmetros de los vehculos, que en ese caso son solo autos, fueron obtenidos
de la tesis de magister de Velasco (2004). Estos parmetros corresponden a una
calibracin para una situacin de trfico interrumpido, con un flujo compuesto
principalmente por vehculos livianos, en la ciudad de Santiago de Chile (Tabla 4-2).
Para aquellos parmetros no reportados, se mantuvieron sus valores por defecto.

Tabla 4-2: Parmetros Simulacin

Fuente: Velasco (2004)

4.1.4 Calibracin Diagrama Fundamental

El Diagrama Fundamental fue calibrado mediante un experimento en AIMSUN
para una interseccin en una va con caractersticas iguales a la arteria que se est
analizando. Dadas las limitaciones de los modelos tericos que utiliza el simulador, no
se puede calibrar el Diagrama Fundamental completo y se debi asumir un Diagrama
Fundamental del tipo Smulders (para ms detalles ver seccin 2.2) para el cual se
calculan los parmetros caractersticos.
En este caso, para las tres pistas en conjunto, se obtuvo un flujo mximo de 5645
veh/hr para una densidad crtica de 140 veh/km y una densidad de taco de 466 veh/km.
El Diagrama Fundamental calibrado se muestra en la Figura 4-2.

31

a)

Relacin velocidad - densidad calibrada

b) Relacin flujo - densidad calibrada

Figura 4-2: Diagrama Fundamental Calibrado

Fuente: Elaboracin Propia

4.1.5 Datos entregados por el simulador

De cada simulacin se obtendrn los datos de las trayectorias de cada uno de los
vehculos de la simulacin. La informacin de cada trayectoria est dada por un
conjunto de puntos que indican la posicin, velocidad instantnea y aceleracin
instantnea del vehculo cada 0.1 segundo. Para facilitar el manejo de esta informacin
se considerarn datos cada un segundo, lo cual sigue siendo una resolucin adecuada
para estos fines.

32

4.1.6 Calidad de los datos simulados

Antes de iniciar el anlisis de la metodologa, se revis los datos entregados por el
simulador para detectar errores que pudieran afectar la calidad de la evaluacin. Se
detectaron dos tipos de errores que sern descritos brevemente a continuacin.
a. Retrocesos
Se detect que aproximadamente un 0.012% de los vehculos presentaba
retrocesos instantneos en su posicin cuando queran virar hacia la derecha en una
interseccin. Esto ocurra cuando el vehculo iba en la pista central de la va y no poda
cambiarse a la de la derecha para realizar el viraje. Esto corresponde a un problema del
simulador mismo y fue solucionado eliminando dichos vehculos de la muestra, debido
a la baja proporcin de sta que representan.
b. Velocidades instantneas y aceleraciones instantneas no razonables
AIMSUN, al reportar la posicin de los vehculos, entrega tambin la velocidad y
aceleracin instantnea de ste. Se pudo observar que una gran cantidad de
observaciones posean valores de magnitudes no razonables en ambos datos. Por esto,
se decidi trabajar con velocidades medias y aceleraciones medias, mtodo a travs del
cual este tipo de errores prcticamente desaparece salvo casos aislados.

4.2

Escenarios de Evaluacin

Ambos escenarios de evaluacin se basan en la red y programacin de semforos

antes descritos. La diferencia entre los dos escenarios utilizados est determinada por el
nivel de demanda durante el perodo simulado.
En el primer escenario se simula el inicio de la hora punta, el cual permite simular
a la vez un perodo de baja congestin, un perodo de transicin hacia alta congestin y
finalmente un perodo de alta congestin. Para esto se asume que durante la primera
media hora existe una demanda baja, donde por la arteria principal entran 1875 veh/hr,

33

por las tres arterias que la cruzan circulan 1350 veh/hr y por las vas transversales
secundarias 75 veh/hr. La proporcin de virajes desde y hacia la arteria principal varan
entre un 10 y un 20%. El detalle de los flujos y virajes est en el Anexo A. Luego de
esta primera media hora de baja demanda, se simula una hora en que los flujos de
ingreso a la red son amplificados por un factor de 1,4. Esto hace que se produzca una
etapa de transicin hacia una red con un alto nivel de congestin.
El segundo escenario, replica el final de una hora punta, simulando un perodo de
alta congestin, otro de transicin hacia baja congestin y finalmente uno de baja
congestin. En este escenario se comienza con una demanda equivalente a la del
segundo perodo del primer escenario, y luego de media hora los flujos de ingreso
disminuyen abruptamente a los valores que presentaba al inicio el primer escenario.
Cabe destacar que para ambos escenarios se utiliz un tiempo de calentamiento de
15 minutos, de tal manera que la red estuviera cargada y en estado de rgimen al
momento de evaluar la metodologa.

4.3

Tasa de penetracin

La tasa de penetracin corresponde a la proporcin de vehculos que envan

informacin y por ende su trayectoria es conocida. Para la evaluacin se considerar
una tasa de penetracin de un 1%, que como se mencion en la seccin 2.5.1-c es menor
a la utilizada en estudios anteriores.
La tasa de penetracin sta est medida sobre el total de los vehculos que en
algn momento de la simulacin circulan por la seccin de inters, independientemente
de si recorren o no la seccin completa e independientemente del punto donde ingresan
a sta. Sobre este total, slo fueron escogidos vehculos que recorren el tramo de va
completo. La razn de hacer esto es que la metodologa solo puede utilizar trayectorias
completas. Este supuesto, que en principio podra no parecer razonable, se puede
levantar si se utilizan secciones de va ms pequeas o se adapta la metodologa para
que pueda trabajar con ms de una trayectoria. Esto ltimo es bastante directo, pero est

34

fuera de los alcances de esta investigacin. Para ver ms detalles de cmo realizarlo,
revisar el Anexo C.

4.4

Mtodo de evaluacin

Para evaluar la metodologa se replicar el uso que tendra la metodologa en una

aplicacin real. Se definirn instantes de tiempo en los que un vehculo cualquiera entra
a la seccin que se est analizando y se realizar el pronstico de lo que ocurrir en la
va mientras ese vehculo transite por ella. Para esto se buscar el ltimo vehculo
equipado que haya recorrido el tramo de va (cuya trayectoria es conocida) y se aplicar
la metodologa. El pronstico ser realizado para un horizonte de 10 minutos, medidos
desde el tiempo actual en que se est realizando el pronstico. Estos 10 minutos estn
determinados por el tiempo promedio en que un vehculo recorre la red en una situacin
de congestin que es de 8,5 minutos y porque en escasas ocasiones algn vehculo
demora ms de 10 minutos en recorrer toda la va.
Luego, para evaluar los resultados obtenidos, stos sern comparados con lo que
realmente ocurrir en la va, obteniendo los Estados de Trfico mediante Definiciones
Generalizadas (ver seccin 2.5).
El proceso anterior ser repetido para distintos instantes de tiempo, asegurando
siempre que los perodos para los que se realiza el pronstico sean disjuntos. De esta
manera se evitar la correlacin entre los resultados obtenidos, producto del uso de la
misma trayectoria de referencia o el que ms de un pronstico corresponda al mismo
lapso de tiempo.
Adems se realizarn treinta replicaciones de cada uno de los escenarios, de tal
manera de asegurar que los resultados corresponden a valores promedio y no a casos
particulares. La diferencia entre cada rplica viene dada porque en el simulador la
entrada de vehculos a la red es aleatoria, y por ende en cada rplica el nivel de
congestin y el proceso en que sta se forma y desaparece es distinto.

35

4.4.1 Presentacin de resultados

Los resultados sern presentados a travs de campos de densidades. stos
corresponden a una discretizacin del grfico espacio-tiempo en subdivisiones llamadas
celdas. Para cada celda se asume una condicin comn, que en este caso es el Estado de
Trfico y en especfico la densidad. As, cada celda poseer un nico valor de densidad
el cual ser representado grficamente mediante una escala de colores.
En este caso se utilizarn celdas rectangulares que representarn lo que ocurre en
un tramo de la va durante un lapso de tiempo. La eleccin del tamao de la celda, y por
ende la longitud del tramo de va que representa y durante cunto tiempo, no es trivial y
se detalla a continuacin.
En cuanto al tramo de va que abarca una celda, ste no puede ser muy cercano al
tamao de los vehculos, debido a que se puede generar una alta variabilidad inexistente
entre celdas. Una de las razones por la que esto ocurre es que la posicin de cada
vehculos se asume como el punto donde se encuentra el centro del parachoque
delantero del vehculo. Por ejemplo, en un caso lmite, si se utilizan celdas de un metro
de largo, se tendra que todas las celdas que estn abajo del vehculo tendran
densidad cero, ya que en ellas no hay ningn parachoque delantero. Otro argumento
para utilizar celdas grandes es que el trfico tiene una naturaleza aleatoria y por ende si
se utilizan celdas muy pequeas, se estar observando efectos locales que no afectan
mayormente al trfico en general. Por otra parte si se utilizan celdas muy grandes, stas
darn valores agregados que no permiten diferenciar lo que ocurre dentro de la celda,
por lo que se debe buscar un equilibrio. Finalmente, no se recomienda utilizar celdas
que representen a la vez una parte de un arco y una parte de una interseccin, debido a
que la interpretacin del valor de densidad dejar de ser directa (i.e. si se tiene una celda
que abarca una interseccin y parte del arco aguas arriba de sta, durante la luz roja la
densidad de la celda ser un promedio entre una zona sin flujo en la interseccin y otra
zona con densidad de taco en el arco). Dado lo anterior, el largo de las celdas variar
segn la geometra de la red.

36

En general se utilizar una celda por interseccin y una por arco cuando se busca
estudiar Estados de Trfico y tiempos de viaje. En el caso que se quiera analizar largos
de cola se utilizarn 5 celdas por arco, de tal manera de observar en mayor detalle la
distribucin de los vehculos dentro de cada arco, pero entendiendo que esto puede
generar perturbaciones en los valores de densidad obtenidos.
Para cada celda se analizar su valor de densidad durante un lapso de tiempo de 4
segundos. Si se utilizan tiempos mayores una gran proporcin de las celdas poseern en
su interior el cambio de fase de los semforos. De hacer esto se obtendran valores de
densidad que indican congestin pero que corresponden a un promedio que incluye
vehculos detenidos en la cola y vehculos en movimiento con bajas densidades. Al
utilizar celdas con lapsos de tiempo pequeos se asegura que la proporcin de celdas
que incorporan cambios de estado dentro de ellas sean una proporcin menor dentro del
total. Por otra parte, tampoco se utilizan lapsos de tiempo menores debido al aumento
de la cantidad de datos y la dificultad en su manejo.
En la Figura 4-3 a se muestra un ejemplo de campo de densidades para el
escenario 2. El color rojo indica altas densidades y el color verde bajas densidades. Por
otra parte en la Figura 4-3 b se muestra el mismo grfico pero considerando 5 celdas por
arco, lo que permite observar el detalle de la distribucin de las colas de los semforos.
Es importante mencionar que la altura de cada celda es proporcional a la distancia que
representa, por lo que por ejemplo, en la Figura 4-3 a, las celdas correspondientes a los
arcos tienen un largo mayor a aquellas correspondientes a intersecciones. Adems la
figura incluye a la izquierda una representacin grfica de la posicin de las
intersecciones dentro de la arteria simulada y el sentido de circulacin. Dentro de stas,
aquellas marcadas con un punto negro dentro de la interseccin corresponden a aquellas
entre la arteria principal y otras arterias.

37

b. Cinco celdas por arco

Distancia

Distancia

a. Una celda por arco

Tiempo

Tiempo

Densidad [veh/km]

Figura 4-3: Campos de densidades

Fuente: Elaboracin propia

4.4.2 Indicadores de rendimiento

La metodologa ser evaluada primero mediante un enfoque cualitativo, en que se
analizar visualmente las similitudes y diferencias entre los campos de densidad
estimados y los campos reales obtenidos mediante Definiciones Generalizadas. En
segundo lugar la metodologa ser evaluada cuantitativamente mediante los indicadores
que se describen a continuacin.
Se estudiar la calidad de la prediccin de Estados de Trfico mediante la
comparacin de la densidad pronosticada y la que realmente existe en cada celda del
campo de densidades pronosticado y el real, para cada celda del campo durante los 10
minutos del horizonte de prediccin. Se utilizar un campo de densidades en que cada

38

arco estar representado por una celda. Para realizar las comparaciones, se asumir una
discretizacin de las densidades posibles en tres categoras: baja densidad, densidad
media y alta densidad, como se muestra en la Figura 4-4 (Los datos presentados
corresponden a las tres pistas en conjunto). La razn de utilizar esta discretizacin es
que la metodologa predice tres Estados de Trfico: densidad cero cuando no hay
vehculos, flujo mximo cuando los vehculos salen de una cola y densidad de taco (Kj)
cuando los vehculos estn en una cola, siendo que la realidad es totalmente aleatoria.
Por ejemplo en la realidad la densidad no es igual en todos los lugares dentro de la
misma cola o no es igual en todo momento dentro de los vehculos que salen de la cola.
Dado lo anterior, la estimacin se considera correcta si el valor real est dentro
del mismo rango que el valor estimado.

Flujo [veh/hr]

Baja densidad

Densidad media

Alta densidad

6000
4500
3000
1500
0
0

100

200
300
Densidad [veh/km]

400

500

Figura 4-4: Discretizacin del nivel de congestin (3 pistas)

Fuente: Elaboracin propia

Solo para algunos casos particulares se utilizar como medida de comparacin el

error absoluto medio, definido como el promedio de las diferencias absolutas entre el

39

valor real y el valor estimado para cada celda. Se utilizar este indicador cuando se
quiera analizar el detalle de la variacin de la magnitud de los errores.
El anlisis cuantitativo tambin incluir un anlisis de los largos de cola estimados
y los largos de cola reales. Se utilizar como indicador el largo de cola mximo, que es
el que ocurre en el instante en que comienza la luz verde. ste ser calculado
construyendo un campo de densidades con cinco celdas por arco. El valor del indicador
para cada interseccin corresponder al nmero de celdas, aguas arriba de la lnea de
parada del semforo, que al inicio del tiempo de verde tiene una alta densidad segn la
clasificacin recin descrita. Es decir, el largo de cola mximo se mide en cuanto a la
cantidad de celdas que abarca la cola.
Finalmente, se analizarn tiempos de viaje estimados y reales. Para esto se
convertirn los campos de densidad en campos de velocidad utilizando el Diagrama
Fundamental y luego se integrar el campo de velocidades de tal manera de generar
trayectorias de vehculos. Luego el tiempo de viaje se obtiene directamente de dichas
trayectorias. Estos tiempos de viaje sern comparados tambin con aquellos obtenidos
mediante la metodologa propuesta por Zhang et al. (2007). Se utilizar esta
metodologa por ser una un mtodo simple que obtiene muy buenos resultados y porque
a su vez es utilizada como punto de comparacin por otros estudios.

40

RESULTADOS Y ANLISIS
5.1

Anlisis Cualitativo

A continuacin se muestra el campo de densidad estimado a partir de una

determinada trayectoria y otro campo con lo que estaba ocurriendo realmente en la va.
En estos campos, cada arco fue subdividido en 5 celdas para que sea visible el detalle de
lo que est ocurriendo dentro de cada arco. En los campos, el color rojo corresponde a
zonas de alta densidad (i.e. hay vehculos esperando en la cola de un semforo) y el
verde a zonas de baja densidad, donde no hay vehculos. Adems, se grafica en negro,
en ambos grficos, la trayectoria del vehculo de referencia que se utiliz como fuente
de informacin para aplicar la metodologa. En ambos grficos no se muestran los datos
a la izquierda de la trayectoria porque solo interesa lo que ocurre despus de sta.
La Figura 5-1 muestra el campo estimado y el real para una situacin sin
congestin (tambin llamadas de flujo libre). En ellos se puede observar el efecto de los
semforos que generan zonas de alta densidad vehicular al aparecer colas durante la luz
roja (i.e. punto nmero I) y zonas de baja densidad aguas abajo de stos, debido a que
los vehculos no pueden cruzar durante la luz roja (punto nmero II).

41

b. Campo Estimado

Distancia

Distancia

a. Campo Real

IV

II

Tiempo

Tiempo

III

Densidad [veh/km]

Figura 5-1: Campos de densidad real y estimado en una situacin sin congestin
Fuente: Elaboracin Propia

Al comparar visualmente ambos campos se puede apreciar que la metodologa no

es capaz de replicar la realidad de manera tan precisa, presentando densidades mayores
a las reales en varios puntos. La razn de que esto ocurra es que la metodologa no
posee una condicin de borde de aguas arriba de la va (extremo inferior del grfico) y
debe asumir que todos los vehculos llegan con un Estado de Trfico similar a aquel de
la trayectoria de referencia. Por ende, se est asumiendo que llega un flujo continuo, lo
cual no es realista, si se considera que se est trabajando en vas urbanas donde los
semforos van generando discontinuidades en el flujo. Esto es an menos realista en
una situacin como sta donde el flujo vehicular es muy bajo.

42

Como consecuencia de este problema metodolgico se puede observar claramente

que el campo estimado presenta colas bastante mayores a las reales en la primera
interseccin aguas arriba (zona inferior de la figura). Para solucionar este inconveniente
de la metodologa, la evaluacin ser realizada sin considerar esta primera interseccin
y la cuadra aguas arriba de sta, teniendo en cuenta que en aplicaciones reales se puede
estimar una cuadra de sobra y luego no utilizar la informacin generada.
El grfico estimado muestra colas remanentes (puntos III, IV y V) que no existen
en la realidad. La causa es la inexistencia de la condicin de borde inferior que hace que
la demanda que recorre el tramo sea mayor a la real.
El campo estimado muestra regiones de densidad homogneas, mientras que en el
campo real dichas zonas presentan fluctuaciones de color dentro de ellas. La razn por
la que ocurre esto es que la metodologa no es capaz de replicar la aleatoriedad propia
del trfico real.
La Figura 5-2 muestra el campo de densidad real y el estimado para una situacin
congestionada. El aumento del nivel de congestin respecto a la Figura 5-1 se aprecia
directamente al ver que en este caso la cantidad de zonas verdes (baja densidad) son
mucho menores. En general se tiene una mayora de zonas de color ms cercano al rojo
(alta densidad).

43

b. Campo Estimado
Distancia

Distancia

a. Campo Real

Tiempo

Tiempo

Densidad [veh/km]

Figura 5-2: Campos de densidad real y estimada con alta congestin

Fuente: Elaboracin Propia

La estimacin es capaz de replicar correctamente la estructura general de las colas

de los semforos (zonas de color rojo). A grandes rasgos, se aprecia que la estimacin
es correcta.
La estimacin replica correctamente las situaciones en que la cola de un semforo
desborda hacia aguas arriba de la cuadra en que est el semforo, propagando la
congestin hacia aguas arriba (i.e. Figura 5-2, punto I). La capacidad de predecir la
ocurrencia de esta situacin es muy importante, ya que cuando la cola se desborda es
muy probable que la congestin crezca rpidamente no solo por la va misma sino que
tambin hacia las vas aledaas donde los vehculos que quieren virar hacia la va
principal no lo podrn hacer. Al anticipar esta situacin se puede avisar a los
conductores para que prefieran otras rutas y la entidad de gobierno correspondiente
(Unidad Operativa de Control de Trfico, UOCT, por ejemplo) puede regular los

44

semforos para evitar o al menos mitigar el impacto de los desbordes de cola

pronosticados.
Finalmente, se puede concluir a priori que la metodologa funciona mejor en
situaciones de mayor congestin, que es el momento donde su utilidad es mayor. En
casos como el de la Figura 5-1 donde no existe congestin, los tiempos de viaje son
similares y muy predecibles, tanto para los usuarios mismos como para el planificador,
por lo que el uso de metodologas de estimacin pierde relevancia.

5.2

Anlisis Cuantitativo
5.2.1 Pronstico de Estados de Trfico

El pronstico de Estados de Trfico es el primer paso para obtener otros

resultados ms elaborados como tiempos de viaje y los largos de cola esperados.
En la Tabla 5-1 se muestra el resultado global de la estimacin para la simulacin
de cada escenario (inicio y fin hora punta). Para la obtencin de estos parmetros los
valores posibles de la densidad fueron discretizados como se explic en la seccin 4.4.2,
y se utiliz una celda por arco. La tabla muestra qu porcentaje de las estimaciones
indican que la densidad est en el mismo rango que la densidad real y en cules la
estimacin est en un rango de densidad mayor (sobreestimacin) o menor
(subestimacin) que el rango en que se encuentra la densidad real. Los intervalos de
confianza fueron elaborados utilizando 30 rplicas de cada escenario y poseen un 95%
de confianza.

Tabla 5-1: Resultados estimacin para cada escenario

Inicio hora
punta

Fin hora punta

% Sobreestimado

12,1% 0,31%

9,1% 0,75%

% Correcto

82,3% 0,32%

85,1% 0,5%

% Subestimado

5,7% 0,24%

5,8% 0,34%

Fuente: Elaboracin Propia

45

Se puede observar que en ambos escenarios la metodologa estima correctamente

la densidad en cada celda sobre el 82% de los casos y que los resultados son levemente
mejores en el segundo escenario. Los intervalos de confianza de todos los valores son
bastante reducidos si se los compara con la media de los intervalos. Esto es muy valioso
debido a que indica que la metodologa entrega iguales resultados independientemente
de la replicacin simulada y de los vehculos considerados como vehculos equipados.
Las estimaciones incorrectas varan entre un 16 y un 19% de los casos.
Aproximadamente dos tercios de estos casos corresponden a celdas en que la
metodologa sobreestima la densidad de la celda. Aun cuando ambos errores no son
deseables, es importante mencionar que siempre es preferible sobreestimar el nivel de
congestin que subestimarlo, ya que es preferible sobre-reaccionar a posibles escenarios
futuros de congestin a no ser capaz de predecirlos y no tomar medidas que la
contrarresten.
A continuacin se analizar cmo varan los valores presentados en la Tabla 5-1
en funcin del perodo de tiempo, la ubicacin dentro de la va y cmo afecta la tasa de
penetracin en la calidad de la estimacin.
a. Influencia del nivel de congestin
En ambos escenarios simulados el nivel de congestin vara durante el perodo de
anlisis. Adems, a partir del anlisis cualitativo, la metodologa pareciera ser ms
precisa cuando se utiliza en situaciones con mayor congestin. A continuacin se
analizar cuantitativamente la veracidad de dicho anlisis.
Para determinar los niveles de congestin presentes en la va se grafic para
ambos escenarios el tiempo de viaje real en funcin del instante de ingreso a la va para
cada una de las 30 replicaciones, obtenindose la grficos presentados en la Figura 5-3.
En ellos se indica los perodos de alta y baja congestin, adems de los perodos de
transicin entre ambos estados.

46

Transicin

Baja congestin

Alta congestin

Tiempo de viaje [min]

12
10
8
6
4
2
0
900

1400

1900

a)

2400
2900
3400
Tiempo de simulacin [seg]

3900

Escenario 1: Inicio hora punta

Alta congestin

Transicin

12,0
Tiempo de viaje [min]

4400

Baja
Congestin

10,0
8,0
6,0
4,0
2,0
0,0
900

1400

1900

2400
2900
3400
Tiempo simulacin [seg]

3900

b) Escenario 2: Fin hora punta

Figura 5-3: Tiempos de viaje durante la simulacin
Fuente: Elaboracin propia

4400

47

La diferenciacin de los perodos es muy clara en el caso del aumento de la

congestin (escenario 1), pero no es tan clara en el segundo escenario correspondiente
al final de la hora punta y por ende a una disminucin de la congestin. Adems, el
perodo de transicin del segundo escenario que va desde el segundo 3000 al 4300 (21,6
minutos) y dura 7,3 minutos ms que el del primer escenario, que va desde el segundo
2740 al 3600 (14.3 minutos). La razn de esta diferencia viene dada por el hecho de que
en el simulador es fcil generar congestin si se aumenta la demanda, pero pasar de un
estado de congestin a un de flujo libre es ms difcil porque la aleatoriedad en la
demanda hace que se sigan generando focos de congestin a pesar de una disminucin
de la demanda promedio.
La forma de serrucho de las curvas en ambos grficos viene dada por la influencia
del tiempo en que llega el vehculo al primer semforo y la etapa en que ste se
encuentra en dicho instante de tiempo (luz roja o luz verde).
En la Tabla 5-2 se muestran los errores de estimacin desglosados segn los
subperodos de baja congestin, transicin de baja a alta congestin y de alta
congestin, correspondientes al primer escenario simulado.

Tabla 5-2: Resultados estimacin para el inicio de una hora punta

Perodo baja
congestin

Inicio hora punta

Perodo
Perodo alta
transicin
congestin

Todo el
perodo

%Sobreestimado

25,3% 0,87%

10,4% 0,51%

6,1% 0,25%

12,1% 0,31%

%Correcto

72,6% 0,83%

85% 0,53%

85,8% 0,39%

82,3% 0,32%

%Subestimado

2,1% 0,21%

4,7% 0,34%

8,1% 0,35%

5,7% 0,24%

Fuente: Elaboracin propia

Al principio de la hora punta, en el perodo de baja congestin, la tasa de

estimaciones correctas es de un 72,6%, y un 25,3% de sobreestimacin. La causa de esa

48

sobreestimacin es la falta de una condicin de borde aguas arriba que hace que se
sobreestime el flujo que entra a la va, como se discuti en el anlisis cualitativo. Por
otra parte, durante el perodo de transicin desde baja demanda a alta demanda el
porcentaje de estimaciones correctas aumenta y el aumento es levemente mayor cuando
se analiza el perodo de alta congestin.
A medida que aumenta la congestin, el aumento en el porcentaje de estimaciones
correctas

est

acompaado

de

una

fuerte

disminucin

del

porcentaje

de

sobreestimaciones. Lo anterior indica que la inexistencia de la condicin de borde

inferior afecta menos a medida que la congestin es mayor y por ende la demanda que
llega a la va se asemeja ms a aquella estimada por la metodologa.
A medida que aumenta la congestin, tambin lo hace el porcentaje de celdas que
se sobreestiman. Esto ocurre porque a medida que hay ms congestin, hay ms celdas
con densidades altas y por ende aumenta la posibilidad de que se sobreestime, si se
compara con las situaciones de baja congestin donde hay pocas celdas con densidades
mayores.
En la Tabla 5-3 se muestran los resultados obtenidos para el segundo escenario,
correspondiente al final de la hora punta. Al igual que en el escenario anterior, la
metodologa entrega mejores resultados para situaciones donde la congestin es mayor.
Nuevamente en el perodo de alta congestin la tasa de estimaciones correctas est
sobre un 85%.
Por el contrario, en el perodo de disminucin del nivel de congestin se puede
ver que la metodologa predice la densidad tan bien como en situaciones
congestionadas, a diferencia de lo que ocurra en el perodo de aumento del nivel de
congestin del escenario 1 donde la precisin del pronstico era levemente menor.

49

Tabla 5-3: Resultados estimacin para el final de una hora punta

Perodo alta
congestin

Fin hora punta

Perodo
Perodo baja
transicin
congestin

Todo el
perodo

%Sobreestimado

6,2% 0,16%

8% 0,69%

15,2% 2,35%

9,1% 0,75%

%Correcto

86% 0,47%

86,5% 0,55%

81,4% 2%

85,1% 0,5%

%Subestimado

7,8% 0,42%

5,5% 0,35%

3,4% 0,46%

5,8% 0,34%

Fuente: Elaboracin propia

En cuanto al perodo de baja congestin, en este segundo escenario la estimacin

es considerablemente mejor que en el primer escenario, con un 9% ms de estimaciones
correctas. Sin embargo, dado lo corto que es el perodo de baja congestin en el
segundo escenario, el que no en todas las rplicas sea totalmente a flujo libre y la
dificultad para predecir correctamente el instante donde comienza este perodo,
probablemente el valor correspondiente al primer escenario es ms realista.
En conclusin el anlisis de la calidad de la estimacin para los distintos niveles
de congestin corrobora lo concluido en la inspeccin visual respecto a que la
metodologa logra mejores resultados a medida que hay mayor congestin.
b. Impacto de la ubicacin dentro de la seccin de va
Como ya se detect en la inspeccin visual, la metodologa no pronostica de igual
forma la densidad vehicular en toda la seccin de va bajo anlisis. De hecho
sobreestima fuertemente la densidad en la primera cuadra aguas arriba. A continuacin
se har un anlisis cuantitativo para determinar cmo afecta a la calidad de la
estimacin la ubicacin dentro de la seccin.
En la Figura 5-4 se muestra el error de estimacin segn la ubicacin dentro de la
seccin de va bajo anlisis para los dos escenarios. La ubicacin est medida como la
distancia desde el inicio de la seccin que se est analizando. En el grfico, las barras de

50

los errores de las celdas que corresponden a intersecciones se muestran con relleno
achurado y las que corresponden a los arcos con un color homogneo.
Aun cuando no caen de forma montona, se aprecia una tendencia decreciente en
los errores a medida que nos movemos aguas abajo. La causa de los errores en la zona
aguas arriba de la seccin es la inexistencia de una condicin de borde que regule la
entrada de vehculos a la red. Tambin influye el hecho de que en la zona aguas abajo
de la arteria la informacin de la trayectoria que se utiliza es ms reciente. Por ende,
sera esperable que se estimara de mejor manera. Este fenmeno ser analizado en
detalle en la siguiente seccin.
En general, la metodologa estima mejor la densidad existente en las celdas que
corresponden a intersecciones. Esto es esperable, debido a que cerca de la mitad del
tiempo el semforo contiguo est en rojo y por ende no hay flujo. Dada su lgica de
operacin, la metodologa captura la informacin fcilmente.

120
100
80
60
40
20
0
0
117
134
259
282
407
424
549
566
691
707
833
856
981
998
1123
1140
1266
1283
1408
1430
1555
1572
1698
1715

Error Absoluto Medio

[veh/km]

51

Ubicacin dentro de la va [m]

120
100
80
60
40
20
0
0
117
134
259
282
407
424
549
566
691
707
833
856
981
998
1123
1140
1266
1283
1408
1430
1555
1572
1698
1715

Error Absoluto Medio [veh/km]

a. Escenario 1: Inicio hora punta

Ubicacin dentro de la va [m]

b. Escenario 2: Fin hora punta

Figura 5-4: Error de estimacin segn la ubicacin dentro de la seccin
Fuente: Elaboracin propia

Si el resultado anterior se grafica segn la clasificacin de densidades, y se calcula

el porcentaje de celdas en que se sobreestima, subestima o estima correctamente la
densidad, la mayor presencia de errores ya no es tan notoria en la zona aguas arriba de
la seccin, como se puede observar en la Figura 5-5.

52

100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

Subestimado
Correcta

0
117
134
259
282
407
424
549
566
691
707
833
856
981
998
1123
1140
1266
1283
1408
1430
1555
1572
1698
1715

Sobreestimado

Ubicacin dentro de la va [m]

a. Escenario 1: Inicio hora punta

100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

Subestimado
Correcta

0
117
134
259
282
407
424
549
566
691
707
833
856
981
998
1123
1140
1266
1283
1408
1430
1555
1572
1698
1715

Sobreestimado

Ubicacin dentro de la va [m]

b. Escenario 2: Fin hora punta

Figura 5-5: Error de estimacin segn la ubicacin dentro de la seccin
Fuente: Elaboracin Propia

Al analizar estos grficos para el subperodo de baja demanda en cada escenario,

se puede apreciar la fuerte sobreestimacin presente en las primeras celdas de aguas
arriba (Figura 5-6 a y b). sta es especialmente fuerte en la primera celda y corrobora la
decisin de eliminar el primer arco dentro de la evaluacin.

53

100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

Subestimado
Correcta

0
117
134
259
282
407
424
549
566
691
707
833
856
981
998
1123
1140
1266
1283
1408
1430
1555
1572
1698
1715

Sobreestimado

Ubicacin dentro de la va [m]

a. Escenario 1: Inicio hora punta

100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

Subestimado
Correcta

0
117
134
259
282
407
424
549
566
691
707
833
856
981
998
1123
1140
1266
1283
1408
1430
1555
1572
1698
1715

Sobreestimado

Ubicacin dentro de la va [m]

b. Escenario 2: Fin hora punta

Figura 5-6: Error de estimacin segn la ubicacin cuando la demanda es baja
Fuente: Elaboracin propia

c. Impacto de la anticipacin de la ltima trayectoria

La tasa de penetracin es un factor fundamental en este tipo de metodologas, ya
que determina la periodicidad con la que se reciben datos de trayectorias de vehculos
para aplicar la metodologa. A menor tasa de penetracin, mayor es el intervalo de

54

tiempo entre vehculos equipados y, por lo tanto, se esperara que disminuya la calidad
de la estimacin.
En la Figura 5-7 se muestra cmo varan los errores absolutos medios de la
estimacin a medida que aumenta la anticipacin. Se llamar anticipacin a la
diferencia de tiempo entre el tiempo que representa la celda y el momento en que el
vehculo de referencia cruz por la ubicacin de dicha celda. Para construir el grfico se
agrup la anticipacin en rangos de tres minutos y se realizaron pronsticos para un
horizonte de 20 minutos.

Error absoluto medio

[veh/km]

60
50
40
30
20
10
0
1,5

4,5

7,5

10,5

13,5
16,5
19,5
Anticipacin [min]

22,5

25,5

28,5

22,5

25,5

28,5

Error absoluto medio

[veh/km]

a. Inicio hora punta

70
60
50
40
30
20
10
0
1,5

4,5

7,5

10,5

13,5
16,5
19,5
Anticipacin [min]

b. Fin hora punta

Figura 5-7: Error de estimacin absoluto segn la anticipacin de la ltima trayectoria
Fuente: Elaboracin propia

55

Como era de esperar, se puede apreciar una tendencia general al alza en el error
absoluto medio de la estimacin a medida que aumenta la anticipacin, aunque existen
momentos en que un aumento en la anticipacin no implica un aumento en el error. Se
puede concluir que hay un aumento relevante en la magnitud del error ms bien lineal
hasta una anticipacin de 13 minutos. A partir de dicha anticipacin la tendencia
empieza a ser menos clara, lo que est provocado por el hecho de que cuando la
trayectoria es muy anterior, su efecto en la estimacin es cada vez menos relevante.
5.2.2 Pronstico de largos de cola
Una de las informaciones que provee esta metodologa y que no entregan las otras
metodologas es el largo de cola en cada interseccin. A continuacin se presentan los
resultados obtenidos luego de analizar el largo de cola pronosticado para 30 rplicas de
cada uno de los escenarios, y 10 estimaciones en cada una de ellas. Como se mencion
en la seccin 4.4.1, se utilizaron 5 celdas por arco, de aproximadamente 25 metros, de
tal manera de detectar con mayor precisin el largo de la cola. La cola fue medida para
el instante de tiempo en que finaliza la luz roja y por ende es la cola mxima generada
por el semforo para dicha luz roja. El largo fue medido como el nmero de celdas
consecutivas dentro del arco que poseen una densidad mayor a 350 veh/km. Este lmite
es igual al utilizado en la discretizacin de la densidad, para calificar una celda como
alta densidad. Se espera que al final de la luz roja, cuando ya no llegan autos a la cola, si
una celda tiene una densidad sobre ese nivel, la mayor parte de ella estar ocupada por
la cola.
Para este anlisis no se consider la cola correspondiente a la primera
interseccin, ya que, como se explic anteriormente, el largo estimado no es realista
debido a la ausencia de la condicin de borde en el extremo aguas arriba de la seccin
de la arteria que se est analizando.
En la Figura 5-8 se muestran los histogramas del error en la estimacin del largo
de cola medido como el nmero de celdas real que abarca la cola menos el nmero de
celdas estimado.

56

4000

44%

3500

Frecuencia

3000

33%

2500
2000
1500
11%

1000

6%

1%

500

1%

3%

0
-3

-2

-1

1
2
Error [celdas]

a. Inicio Hora Punta

4000

46%

3500

Frecuencia

3000

34%

2500
2000
1500
1000

8%

500

4%

6%

1%

0
-5

-4

-3

-2

-1
0
1
Error [celdas]

b. Final Hora punta

Figura 5-8: Histograma del error de estimacin de largos de cola
Fuente: Elaboracin propia

57

En ambos escenarios la mayora de las estimaciones predicen el largo correcto o

subestiman en una celda el largo de la cola, agrupando un 77% de las observaciones en
el primer escenario y un 81% en el segundo. Si a esto se agrega el sobreestimar o
subestimar en una celda el largo de cola estos porcentajes aumentan a 88% y 89%
respectivamente. Por ende se podra concluir a grandes rasgos que si se consideran 5
celdas por arco, en al menos un 88% de los casos la cola estimada ser la real
ms/menos una celda.
Es importante destacar que la metodologa no incorpora el efecto de los virajes en
el largo de cola y en la red simulada existe una alta proporcin de vehculos que
ingresan a la arteria desde sus vas transversales, siendo sta la causa principal por la
que la metodologa est subestimando el largo de las colas.
Por otra parte, en la Figura 5-9 se analiza la variacin del error medio (barras con
relleno homogneo) y el error absoluto medio (barras achuradas) a lo largo de la
simulacin. El primero est definido como el promedio de las diferencias entre el
nmero de celdas que abarca la cola real menos el nmero de celdas estimado y el
segundo como el valor absoluto del primero. El primero sirve para determinar los
instantes de tiempo en que se sobreestima o subestima y el segundo para ver la
variacin en la magnitud del error. Adems se muestra para cada escenario el
subperodo de transicin entre los distintos niveles de congestin. Es importante notar
que a pesar de que la simulacin comienza a los 900 segundos (hay 15 min de
calentamiento), las estimaciones se empiezan a realizar desde un instante de tiempo
posterior. Esto se debe a que para realizar la estimacin es necesario que ya exista
informacin de una trayectoria que haya recorrido completamente la arteria principal.

58

1,2

Transicin

Error [celdas]

0,8
0,6
0,4
0,2
0
-0,2
2098
2218
2338
2458
2578
2698
2818
2938
3058
3178
3298
3418
3538
3658
3778
3898
4018
4138
4258
4378
4498
4618
4738
4858
4978

-0,4

Tiempo de simulacin [seg]

Promedio de errorAbs

Promedio de error(real-est)

a. Inicio Hora Punta

Transicin

Error [celdas]

0,8
0,6
0,4
0,2

2098
2218
2338
2458
2578
2698
2818
2938
3058
3178
3298
3418
3538
3658
3778
3898
4018
4138
4258
4378
4498
4618
4738
4858
4978

0
-0,2

Tiempo de simulacin [seg]

Promedio de errorAbs

Promedio de error(real-est)

b. Final Hora punta

Figura 5-9: Error y error absoluto de la estimacin del largo de cola durante el perodo simulado
Fuente: Elaboracin propia

59

Para el primer escenario (Figura 5-9 a), durante el perodo de baja demanda la
metodologa tiende a sobreestimar el largo de cola, lo cual se ve influenciado por el
hecho de que se supone una demanda que entra a la red mayor a la real. Esto deja de
ocurrir para el perodo de transicin hacia una alta demanda donde se empieza a
subestimar cada vez ms a medida que aumenta la demanda y luego se sigue
subestimando durante el perodo de alta congestin. Esta subestimacin est relacionada
con el no considerar los virajes, por lo que era esperable que a medida que aumenta la
demanda, y por ende los virajes, aumentara el nmero de colas subestimadas.
Una situacin similar ocurre para el segundo escenario (Figura 5-9 b), donde al
principio de la simulacin hay una alta congestin y alta subestimacin. Luego
disminuye la congestin y con ello la subestimacin, para al final del perodo empezar a
sobreestimar.
En el perodo de baja demanda del primer escenario, la metodologa siempre
sobreestima. Por el contrario, en el segundo escenario, dentro del perodo de baja
demanda, al principio se subestima y al final se sobreestima. Esto se debe a que el
instante de inicio del perodo de baja demanda no es tan claro en el segundo escenario y
a que en algunas de las rplicas de este escenario no se alcanza una situacin totalmente
a flujo libre.
Finalmente, se puede concluir que la metodologa tiende a sobreestimar las colas
en situaciones de baja congestin y a medida que esta aumenta la metodologa empieza
a subestimarlas.

5.3

Comparacin con metodologa de Promedios

A continuacin se compara la capacidad predictiva de tiempos de viaje del

modelo propuesto con la metodologa propuesta por Zhang et al. (2007). Esta ltima
metodologa consiste en estimar el tiempo de viaje en una seccin de va como el
promedio simple entre el tiempo que demoraron en recorrer dicha seccin los ltimos
vehculos equipados en transitarla. Esta metodologa, a pesar de su simplicidad, logra

60

estimar correctamente el tiempo de viaje en un 93.3% de los casos para una tasa de
penetracin de un 5%, segn reporta el autor.
Esta metodologa, llamada en adelante metodologa de promedios, ser
comparada con la metodologa propuesta tanto en la capacidad de predecir tiempos de
viaje como en la capacidad de estimar el Estado de Trfico en el instante actual para
cada tramo de la va.
5.3.1 Pronstico de tiempos de viaje
La Tabla 5-4 muestra el error porcentual absoluto promedio de estimacin
(EPAM) utilizando ambas metodologas para cada uno de los escenarios, calculado
segn la ecuacin 5.1, donde

es el tiempo de viaje estimado para la

estimacin e en la replicacin r y anlogamente

corresponde al

tiempo de viaje real para dicha estimacin.

5.1

Al igual que en el caso de la estimacin de Estados de Trfico en el tiempo actual,

se realizaron 30 replicaciones por escenario y para cada escenario se realizaron diez
estimaciones para instantes de tiempo distintos.

Tabla 5-4: Error absoluto medio estimacin tiempo de viaje

Inicio hora punta

Fin hora punta

Metodologa propuesta

27,6% 2,1%

18.7% 1.6%

Metodologa de promedios

28,2% 2,7%

34.8% 2.8%

Fuente: Elaboracin propia

61

La metodologa propuesta estima de mejor manera el tiempo de viaje, pero aun as

el error es relativamente alto.
La Figura 5-10 muestra cmo vara a lo largo de la simulacin el error porcentual
medio para ambas metodologas. En ambos escenarios la metodologa propuesta
sobreestima los tiempos de viaje durante los perodos no congestionados, y los
subestima durante los perodos de transicin y de alta congestin. La metodologa de
promedios sobreestima los tiempos de viaje, salvo el caso de la transicin desde un
nivel de congestin bajo a uno alto (Figura 5-10 a). La razn por la cual subestima
durante este perodo es que, en general, en este perodo se predice con datos de
vehculos que recorrieron la va con baja demanda, y la sobreestimacin que se realiza
en baja congestin es menor al aumento de la congestin y por ende de los tiempos de
viaje que existen en este perodo. En transiciones de alta congestin a baja congestin
(Figura 5-10 b) la metodologa de promedios comete altos errores cuando se inicia la
transicin y luego estos van disminuyendo. El motivo de esto es que al principio de la
transicin se pronostica promediando tiempos de viaje de trayectorias que viajaron
durante el perodo congestionado, y a medida que se avanza durante la transicin, cada
vez se van agregando al promedio trayectorias que viajaron por una red menos
congestionada.

62

40%
30%

Transicin

Error porcentual

20%
10%
0%
-10%

2000 2060 2600 2660 3200 3260 3800 3860 4400 4460

-20%

Promedio
de err%_met
Met. propuesta
Promedio
de err%_prom
Met. de promedios

-30%
-40%
-50%
-60%

Tiempo de simulacin [seg]

a. Inicio hora punta

40%
30%

Transicin

Error porcentual

20%
10%
0%
-10%

2000 2060 2600 2660 3200 3260 3800 3860 4400 4460

-20%

Promedio
de err%_met
Met. propuesta
Promedio
de err%_prom
Met. de promedios

-30%
-40%
-50%
-60%

Tiempo de simulacin [seg]

b. Fin hora punta

Figura 5-10: Error porcentual en la estimacin de tiempos de viaje
Fuente: Elaboracin propia

En cuanto a la estimacin de tiempos de viaje se puede concluir que la

metodologa propuesta logra obtener errores menores que aquellos obtenidos mediante
la metodologa de promedios. Es importante tener en consideracin que, exceptuando
situaciones no congestionadas, estos errores vienen dados por una subestimacin del
tiempo de viaje real. Por otra parte, la metodologa de promedios pronostica casi

63

siempre tiempos de viaje mayores a los reales, error que es muchas veces menos grave
que una subestimacin.
5.3.2 Estimacin del Estado de Trfico actual en cada punto de la va
Si bien la metodologa de promedios no est diseada directamente para estimar
Estados de Trfico, es bastante directa su utilizacin si se calcula la velocidad en cada
arco de la red como el largo del arco dividido por el tiempo de viaje estimado. Luego, la
densidad se obtiene a travs del Diagrama Fundamental.
Para realizar el anlisis se estim el Estado de Trfico en cada arco e interseccin
de la va cada 10 minutos para cada una de las 30 replicaciones de ambos escenarios.
Adems, se repiti el proceso para los mismos instantes de tiempo pero sumndole 60
segundos a cada uno. De esta manera se asegura que, siendo el ciclo de 120 segundos, la
mitad de las estimaciones corresponder a instantes de tiempo en que los semforos
estn en luz roja y la otra mitad a instantes en que se encuentran con luz verde.
En la Tabla 5-5 se muestra el porcentaje de celdas en que se sobreestima,
subestima o se estima correctamente el estado de trfico utilizando cada una de las
metodologas en los dos escenarios. Para esto se utiliz la misma discretizacin de la
densidad presentada en la seccin 4.4.2.

Tabla 5-5: Comparacin estimacin en tiempo actual

Inicio hora punta

Fin hora punta

Metodologa Metodologa Metodologa Metodologa

propuesta de promedios propuesta
de promedios
%Sobrestimado

13,3%

37,9%

9,6%

32,3%

%Correcto

78,8%

60,0%

82,1%

64,8%

%Subestimado

7,9%

2,2%

8,3%

2,9%

Fuente: Elaboracin propia

64

En ambos escenarios la metodologa propuesta es capaz de estimar correctamente

un mayor nmero de celdas que la metodologa de promedios. A la vez siempre
subestima un mayor porcentaje de celdas.
Si se comparan ambos escenarios se tiene que el porcentaje de celdas estimadas
correctamente es levemente menor para el primer escenario. O sea, ambas metodologas
se comportan mejor en el segundo escenario.
En la Tabla 5-6 se presenta el mismo resultado pero indicando si la estimacin fue
realizada en momentos en que los semforos estaban durante una luz roja o durante una
luz verde.

Tabla 5-6: Comparacin estimacin en tiempo actual segn la etapa de los semforos

Inicio hora punta

Fin hora punta

Metodologa
propuesta
Luz
Luz
Roja
Verde

Metodologa de
promedios
Luz
Luz
Roja
Verde

Metodologa
propuesta
Luz
Luz
Roja
Verde

Metodologa de
promedios
Luz
Luz
Roja
Verde

% Sobrestimado

8,3%

18,3%

60,3%

15,5%

4,5%

14,7%

56,8%

7,8%

% Correcto

88,4%

69,1%

36,8%

83,1%

90,7%

73,6%

39,0%

90,7%

% Subestimado

3,3%

12,5%

2,9%

1,4%

4,9%

11,8%

4,2%

1,6%

Fuente: Elaboracin propia

La metodologa de promedios no es capaz de estimar ms de un 40% correcto

durante las luces rojas. Como esta metodologa promedia tiempos de viaje, no es capaz
de sealar zonas sin vehculos aguas abajo de la lnea de parada del semforo, ya que la
nica informacin que posee es la trayectoria de los vehculos equipados que
recorrieron dicha zona durante la luz verde. Durante la luz roja, la metodologa
propuesta estima un 90% de los casos correctamente, ya que utiliza la informacin de
los semforos y con ello puede determinar las zonas sin vehculos durante las luces
rojas.

65

En cuanto a las estimaciones durante la luz verde, la metodologa de promedios

supera en aproximadamente un 15% ms de estimaciones correctas a la metodologa
propuesta.
Se puede concluir que la metodologa propuesta es mejor a la metodologa de
promedios en cuanto a la estimacin de Estados de Trfico en un cierto instante de
tiempo. Esto est fuertemente influenciado por el hecho que la metodologa de
promedios es incapaz de predecir celdas sin vehculos, como aquellas que se producen
aguas abajo de las luces rojas. Es importante aclarar nuevamente que la metodologa de
promedios no busca estimar Estados de Trfico sino tiempos de viaje, a pesar de que a
travs de ella es posible estimarlos.

Dados los dos criterios de comparacin entre ambas metodologas, se puede

concluir que la utilizacin de una metodologa ms compleja, como es la metodologa
propuesta, logra introducir mejoras en la capacidad de predecir el Estado de Trfico en
la va para un cierto instante de tiempo y tambin es capaz de estimar con menores
errores los tiempos de viaje futuros. Es importante destacar que a pesar de estas
ventajas, la metodologa propuesta requiere mayor informacin que la metodologa de
promedios, la cual no siempre est disponible.

5.4

Influencia de errores en la programacin semafrica

La metodologa propuesta requiere el conocimiento de la programacin

semafrica de la va. En la prctica muchas veces no se cuenta con esta informacin, o
no se conoce con total exactitud. Dado lo anterior se analiz la influencia en la calidad
de la estimacin de posibles errores en sta.
En primer lugar se evalu la influencia de un desfase en la programacin de cada
semforo. En otras palabras, se utiliza el tiempo de ciclo y los repartos correctos, pero el
inicio del rojo de referencia se desfasa en una cierta cantidad de tiempo.
En la Figura 5-11se muestra el porcentaje de estimaciones correctas obtenidas
cuando la programacin de cada semforo se desplaza independientemente en una

66

magnitud aleatoria de tiempo. Es importante notar que cada semforo fue adelantado o
retrasado en su programacin de manera aleatoria e independiente entre los distintos

Porcentaje de estimaciones correctas

semforos.

90%
80%
70%
60%
50%
40%
30%
20%
10%

0%
0-0
5-10
10-15
15-20
Rango de desplazamiento en la programacin [seg]
Inicio hora punta

Final hora punta

Figura 5-11: Calidad de la estimacin frente a desplazamientos en la programacin de

semforos
Fuente: Elaboracin propia

El porcentaje de estimaciones correctas disminuye lentamente a medida que

crecen los errores. Es importante mencionar que en una aplicacin real no se esperaran
errores mayores a 10 segundos.
En segundo lugar se evalu la influencia de errores en los tiempos de ciclo. En
otras palabras, se aument o disminuy el tiempo de ciclo de manera aleatoria e
independiente para cada semforo. El reparto se asumi conocido y se mantuvo
constante. En la Figura 5-12 se muestra el porcentaje de estimaciones correctas para
distintas magnitudes del error en el tiempo de ciclo.

Porcentaje de estimaciones correctas

67

90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
0-0

5-10

10-15

15-20

Rango de error tiempo de ciclo [seg]

Inicio hora punta

Final hora punta

Figura 5-12: Calidad de la estimacin ante errores en el tiempo de ciclo.

Fuente: Elaboracin propia

El porcentaje de estimaciones correctas disminuye fuertemente ante errores

pequeos en el tiempo de ciclo. Esto se debe a que el efecto de este error es acumulativo
a medida que transcurre el tiempo. En otras palabras, a mayor nmero de ciclos
transcurridos, mayor es el error acumulado, siendo equivalente a la suma de los errores
de cada uno de los ciclos transcurridos.

Se puede concluir que es fundamental para el correcto desempeo de la

metodologa el conocimiento de los tiempos de ciclo. Es importante mencionar que en
el caso de arterias urbanas, donde en general los semforos estn coordinados, el tiempo
de ciclo no vara durante el da y no debiera ser difcil conocerlo. Por otra parte en el
caso de los rojos de referencia, pequeos desplazamientos en la programacin de cada
semforo no afectan mayormente la calidad de la estimacin. Este anlisis preliminar
indica que pequeos errores en la programacin no generan grandes problemas y por

68

ende la programacin de semforos, exceptuando tiempos de ciclo, puede no ser

conocida con total exactitud.

5.5

Tiempos de ejecucin de la metodologa

La aplicacin de la metodologa requiere un tiempo de ejecucin de

aproximadamente 1,7 segundos al predecir los prximos 10 minutos. El computador
utilizado posee un procesador Inter(R) Core(TM) i5-2320 CPU @ 3.00GHz y 7GB de
memoria RAM.
Esto hace factible su implementacin prctica, permitiendo realizar estimaciones
consecutivas con bastante rapidez. Adems, la metodologa puede ser implementada
modularmente para hacer pronsticos por tramos en vas de gran longitud. Esto
permitira realizar la estimacin en procesos computacionales paralelos entre los
distintos tramos, reduciendo la capacidad computacional necesaria y el tiempo de
ejecucin.

69

CONCLUSIONES
6.1

Principales conclusiones

Al incorporar Teora de Trfico, la metodologa es capaz de obtener una mayor

cantidad de informacin que otras metodologas presentes en la literatura y requiriendo
los datos una menor cantidad de trayectorias. Las otras metodologas, en general, solo
permiten calcular tiempos de viaje o la velocidad en cada arco. La metodologa permite
adems pronosticar estados de trfico y los largos de cola durante las luces rojas de los
semforos.
La metodologa propuesta es capaz de predecir correctamente el Estado de Trfico
en una arteria urbana en al menos un 82% de las estimaciones para una tasa de
penetracin de un 1%. Adems, entrega mejores resultados para situaciones donde el
nivel de congestin es mayor, siendo estas situaciones cuando el poder predecir Estados
de Trfico es ms necesario. Para estos casos se logra un porcentaje de estimaciones
correctas del 85%.
El buen comportamiento de la metodologa durante la transicin entre distintos
niveles de congestin prueba que la metodologa captura apropiadamente los cambios
en el nivel de congestin. La metodologa no es capaz de predecir a priori, cundo estos
cambios van a ocurrir, pero los detecta rpidamente cuando se recibe informacin de
una trayectoria que circula por la va durante este perodo.
La inexistencia de informacin sobre el flujo que llega a la red genera problemas
de estimacin, especialmente en condiciones de flujo libre, provocando la prediccin
incorrecta de flujos y colas mayores a las reales. Si se considera un tramo ms largo este
problema se hace cada vez menos relevante. Otra alternativa es medir el flujo de entrada
a la arteria mediante la instalacin de espiras en el inicio de la va. Con esto se perdera
uno de los grandes beneficios de esta metodologa que es el no requerir la instalacin de
equipos de recoleccin de datos dedicados, con el consecuente costo de instalacin y
mantencin.

70

Entre la informacin adicional que puede calcular la metodologa propuesta est

la posibilidad de predecir los momentos en que la cola se desbordar desde una cuadra
hacia aguas arriba. El predecir esta situacin es muy relevante debido a que, cuando
ocurre, la congestin se expande rpidamente por la red debido a que los vehculos no
pueden descargar durante el verde ni realizar virajes, haciendo que una cola puntual
derive en una situacin de congestin generalizada. Al poder predecirla, se pueden
implementar medidas en tiempo real que permitan impedir o al menos mitigar los
efectos del desbordamiento.
Un factor que ayuda a la capacidad de prediccin de la metodologa es la
inclusin de la informacin de semforos, que permite precisar claramente los instantes
de tiempo en que hay flujo en las intersecciones. En la prctica, en general no se cuenta
con toda esta informacin. La ubicacin de las lneas de parada puede ser obtenida en
terreno o mediante imgenes satelitales, pero la programacin semafrica solo puede ser
obtenida de manera fidedigna a travs del organismo encargado de la operacin. Ms
aun, en algunos casos los tiempos de ciclo y repartos varan de acuerdo a la demanda
que se tiene. Lo anterior plantea la oportunidad de desarrollar un mtodo para estimar la
duracin de los tiempos de verde utilizando informacin histrica de los vehculos y
analizando los instantes de cruce de la lnea de parada y los procesos de aceleracin y
desaceleracin al salir o entrar de las colas provocadas por las luces rojas. Es importante
mencionar que los anlisis realizados indican que conocer los tiempos de ciclo es
fundamental para la capacidad estimativa de la metodologa propuesta. Por otra parte,
desfases en la programacin no afectan fuertemente la calidad de la estimacin.
Otro dato requerido por la metodologa es el Diagrama Fundamental de la va. A
diferencia de la programacin de semforos, esta informacin raramente existe, pero
tiene la ventaja de que se puede suponer que no vara durante el da ni entre distintos
das, por lo que si se estima una vez, se puede utilizar siempre el mismo valor estimado.
Para estimarlo se pueden realizar experimentos en terreno con detectores fijos (i.e.
espiras magnticas o cmaras de video) o utilizar la misma informacin de los GPS
como se explica en Herrera et al. (2010) y donde solo se necesita conocer a priori la

71

densidad de taco. Si se asume la misma forma funcional utilizada en esta investigacin,

solo es necesario estimar tres valores: el flujo mximo, la densidad durante el flujo
mximo y la densidad de taco.
En cuanto a la aplicacin prctica de la metodologa, sta no requiere mayores
modificaciones para poder implementarse, exceptuando el mtodo de comunicacin con
el sistema de recoleccin de datos de trayectorias.
El tiempo computacional para la aplicacin de la metodologa es lo
suficientemente pequeo como para permitir la aplicacin de la metodologa en tiempo
real con un desfase que no afecte a la utilidad de los resultados obtenidos.

6.2

Trabajo futuro

Como un prximo paso para evaluar la metodologa se recomienda realizar un

experimento real que permita corroborar los resultados obtenidos mediante
microsimulacin. Esto debido a las limitaciones del simulador que no es capaz de
replicar correctamente la realidad, especialmente en lo que respecta a la aleatoriedad del
trfico y a la forma de conduccin.
Se propone desarrollar y evaluar mtodos para reconstruir la programacin
semafrica utilizando informacin histrica de trayectorias y a las lneas de parada de
los semforos obtenidas mediante imgenes satelitales. Asimismo se sugiere estudiar el
impacto del Diagrama Fundamental utilizado y en base a esto determinar la forma
ptima de estimar sus parmetros bsicos y forma funcional.
En cuanto a la metodologa en s, es relevante incluir la posibilidad de trabajar con
mltiples trayectorias (es decir, utilizar trayectorias que no recorren toda la va y que
puedan proveer informacin ms actualizada). Esto debiese mejorar los resultados de la
metodologa. En el Anexo C se propone una idea de cmo abordar este problema.
Tambin sera interesante analizar algn mecanismo para incorporar una
condicin de borde en el punto aguas arriba de la seccin bajo anlisis, de tal manera de
evitar la sobreestimacin actual de la demanda, especialmente para el caso sin
congestin.

72

Uno de los elementos que deja de lado esta metodologa es la existencia de virajes
desde y hacia las vas transversales. Sera conveniente analizar la forma de incorporar
este elemento a la metodologa y tambin ver la forma de complementar la estimacin
cuando se est aplicando la metodologa a distintas vas de la red vial.
Finalmente, ser productivo estudiar a partir de qu tasa de penetracin ya no
conviene utilizar la metodologa propuesta, sino que una metodologa de promedios. Si
se cuenta con la informacin de un porcentaje elevado de vehculos dentro del total del
flujo, un promedio simple debiera ser un muy buen indicador del tiempo de viaje futuro.

73

BIBLIOGRAFIA
(Jeff) Ban, X., Hao, P., & Sun, Z. (2011). Real time queue length estimation for
signalized intersections using travel times from mobile sensors. Transportation
Research Part C: Emerging Technologies, 19(6), 11331156.
Bargera, H. (2007). Evaluation of a cellular phone-based system for measurements of
traffic speeds and travel times: A case study from Israel. Transportation Research Part
C: Emerging Technologies, 15(6), 380391.
Cassidy 2002: Handbook of Transportation Science (Cap6; ver cmo se cita)
Cheu, R. L., Xie, C., & Lee, D.-H. (2002). Probe vehicle population and sample size for
arterial speed estimation. Computer-Aided Civil and Infraestructure Engineering, 17,
5360.
Daganzo C.F. (1994). The cell transmission model: A dynamic representation of
highway traffic consistent with the hydrodynamic theory. Transportation Research Part
B: Methodological, 28(4), 269-287.
Daganzo 1997: Fundamentals of Transportation and Traffic Operation.
Daganzo, C.F., 2005. Improving city mobility through gridlock control: an approach
and some ideas. U.C. Berkeley Center for Future Urban Transport Working Paper
UCB-ITS-VWP-2005-1.
Daganzo, C.F., 2007. Urban gridlock: macroscopic modeling and mitigation
approaches. Transportation Research Part B 41 (1), 4962.
Drake, J. S., Schofer, J. L. and A. D. May, (1967), A Statistical Analysis of Speed
Density Hypotheses, Third International Symposium on the Theory of Traffic Flow
Proceedings, Elsevier North Holland, Inc., New York.
Edie, L. (1963). Discussion of traffic stream measurements and definitions. Proc. 2nd
Int. Symp. Theory Traffic Flow, Paris, France, 139154.

74

Edie, L. C. (1974) Traffic Science (John Wiley & Sons, New York)
Feng, Y., Davis, G., & Hourdos, J. (2011). Arterial Travel Time Characterization and
Real-time Traffic Condition Identification Using GPS-equipped Probe Vehicles.
Transportation Research Board 90th Anual Meeting.
Fernandez, R (2011). Elementos de la teora del trfico vehicular.
Fischer, K. A. & Raquet, J. F. (2011). Presition, Position, Navigation, and Timing
without the Global Positioning System. Air and Space Power Journal, XVV(2), 24-33.
Gazis, D.C., Herman, R. and R. W. Rothery, (1961), Nonlinear Follow-the-Leader
Models of Traffic Flow, Operations Research, INFORMS, pp. 545567.
D.C. Gazis, Traffic Theory (Kluwer Academic, Boston, 2002)
Geroliminis, N., & Daganzo, C. (2008). Existence of urban-scale macroscopic
fundamental diagrams: Some experimental findings. Transportation Research Part B:
Methodological, 42(9), 759770.
Greenberg, H. (1959), An Analysis of Traffic Flow, Operations Res., 7, No.l, 79-85.
Greenshields, B. (1935). A study of traffic capacity. Highway Research Board (pp. 448
477).
Gipps (1981), A Behavioural Car-Following Model For Computer Simulation,
Transportation Research B. Vol. 15B pp. 105-111.
Gipps (1986), A Model for the Structure of Lane-Changing Decisions, Transportation
Research B. Vol. 20B pp. 403-414.
Herrera, J. C., & Bayen, A. M. (2010). Incorporation of Lagrangian measurements in
freeway traffic state estimation. Transportation Research Part B: Methodological,
44(4), 460481.
Herrera, J. C., Work, D. B., Herring, R., Ban, X. (Jeff), Jacobson, Q., & Bayen, A. M.
(2010). Evaluation of traffic data obtained via GPS-enabled mobile phones: The Mobile

75

Century field experiment. Transportation Research Part C: Emerging Technologies,

18(4), 568583.
Herring, R., Hofleitner, A., Abbeel, P., & Bayen, A. (2010 a). Estimating arterial traffic
conditions using sparse probe data. Proceedings of the 13th International IEEE
Conference on Intelligent Transportation Systems (pp. 929936). IEEE.
Herring, R., Hofleitner, A., Amin, S., Nasr, T. A., Khalek, A. A., Abbeel, P., & Bayen,
A. (2010 b). Using mobile phones to forecast arterial traffic through statistical learning.
89th Transportation Research Board Annual Meeting, Washington DC.
Hunter, T., Herring, R., Abbeel, P., & Bayen, A. (2009). Path and travel time inference
from GPS probe vehicle data. Neural Information Processing Systems foundation
(NIPS). Vancouver, Canada, December 2009.
Kalman, R. (1960). A new approach to linear filtering and prediction problems. Journal
of basic Engineering, March, 3545.
Lighthill, M. J., & Whitham, G. B. (1955 a). On kinematic waves I . Flood movement in
long rivers. Proceedings of the Royal Society of London. Series A, Mathematical and
Physical Sciences, 229(1178), 281316.
Lighthill, M. J., & Whitham, G. B. (1955 b). On kinematic waves II . A theory of traffic
flow on long crowded roads. Proceedings of the Royal Society of London. Series A,
Mathematical and Physical Sciences, 229(1178), 317345.
Lou, Y., Zhang, C., Zheng, Y., Xie, X., Wang, W., & Huang, Y. (2009). Map-matching
for low-sampling-rate GPS trajectories. Proceedings of the 17th ACM SIGSPATIAL
International Conference on Advances in Geographic Information Systems - GIS 09,
(c), 352.
Mehran, B., Kuwahara, M., & Naznin, F. (2011). Implementing Kinematic Wave
Theory to Reconstruct Vehicle Trajectories from Fixed and Probe Sensor Data.
Procedia - Social and Behavioral Sciences, 17, 247268.

76

Newell, G. F. (1965), Instability in Dense Highway Traffic, in Proc. 2nd Intrn. Symp.
on the Theory of Road Traffic Flow, edited by J. Almond, Paris: Office of Economic
Cooperation and Development, 73-83.
Newell, G. F. (1993). A simplified theory of kinematic waves in highway traffic, Part II:
Queueing at freeway bottlenecks. Transportation Research Part B: Methodological,
27(4), 289-303.
Ramezani, M., & Geroliminis, N. (2012). On the estimation of arterial route travel time
distribution with Markov chains. Transportation Research Part B: Methodological,
46(10), 15761590.
Richards, P. I. . (1956). Shock Waves on the Highway. Operations Research, 4(1), 42
51.
Sanwal, K., Walrand, J., 1995. Vehicles as Probes. California PATH Working Paper
UCB-ITS-PWP-95-11, Institute of Transportation Studies, University of California,
Berkeley.
Siemens ITS. (2004). SSAM File Format Specification.
Skabardonis, A., & Geroliminis, N. (2005). Real-time estimation of travel times on
signalized

arterials.

Proceedings

of

the

16th

International

Symposium

on

Transportation and Traffic Theory (pp. 121).

Smulders, S. (1990). Control of freeway traffic flow by variable speed signs.
Transportation Research Part B: Methodological, 24(2), 111132.
X. Sun, L. Muoz, and R. Horowitz (2003). Highway traffic state estimation using
improved mixture Kalman filters for effective ramp metering control. In Proc. of the
42nd IEEE Conference on Decision and Control, volume 6, Maui, HI.
X. Sun, L. Muoz, and R. Horowitz (2004). Mixture Kalman filter based highway
congestion mode and vehicle density estimator and its application. In Proc. of the
American Control Conference, volume 3, pages 2098 2103, Boston, MA.

77

Tao, S., Manolopoulos, V., Rodriguez, S., & Rusu, A. (2012). Real-Time Urban Traffic
State Estimation with A-GPS Mobile Phones as Probes. Journal of Transportation
Technologies, 02(01), 2231.
TSS-Transport Simulation Systems. (2011 a). Aimsun 6.1 Users Manual.
TSS-Transport Simulation Systems. (2010 b). Aimsun 6.1 Manual for the Surrogate
Safety Assessment Model (SSAM).
Underwood, R. T., (1961), Speed, Volume, and Density Relationships: Quality and
Theory of Traffic Flow. Yale Bureau of Highway Traffic, pp. 141188.
Wageningen-Kessels, F. (2013). Multi-class continuum traffic flow models: analysis
and simulation methods. Thesis Delft University of Technology.
Y. Wang and M. Papageorgiou (2005). Real-time freeway traffic state estimation based
on extended Kalman filter: a general approach. Transportation Research Part B,
39(2):141167.
Wang, L., Zhang, H., Yu, G., & Fan, Y. (2007). Study of Probe Sample Size Model in
Probe Vehicle Technology. Journal of Transportation Systems Engineering and
Information Technology, 7(5), 3136.
Westerman, M., Litjens, R., Linnartz, J.-P., 1996. Integration of Probe Vehicle and
Induction Loop Data-estimation of Travel Times and Automatic Incident Detection.
PATH Research Report UCB-ITS-PRR-96-13, Institute of Transportation Studies,
University of California, Berkeley.
Work, D. B., Blandin, S., Tossavainen, O. P., Piccoli, B., & Bayen, a. M. (2010). A
Traffic Model for Velocity Data Assimilation. Applied Mathematics Research eXpress,
2010(1), 135.
Ygnace, J-L., Drane, C., Yim, Y., de Lacvivier, R., 2000. Travel Time Estimation on
the San Francisco Bay Area Network Using Cellular Phones as Probes. California

78

PATH Working Paper UCB-ITS-PWP-2000-18, Institute of Transportation Studies,

University of California, Berkeley.
Zhang, W., Xu, J., & Wang, H. (2007). Urban traffic situation calculation methods
based on probe vehicle data. Journal of Transportation Systems Engineering and
Information Technology, 7(1), 4349.

79

ANEXOS

80

ANEXO A: FLUJOS SIMULADOS

En la Figura A-1 se muestra la red y una clasificacin de los arcos por los que
entra flujo a la red. Con la letra A se indica el flujo entrante por la arteria principal,
que es la va que se est analizando. Con la letra B se indican los flujos entrantes por
las arterias transversales a la arteria principal. Con las letras C y D se indican los
flujos entrantes por las vas secundarias que son transversales a la arteria principal.
Dentro de stas vas secundarias la letra D seala aquellas que estn aguas arriba de
una arteria y la letra C a las vas secundarias restantes.

C
B

Figura A-1: Clasificacin de vas segn flujo de entrada

Fuente: Elaboracin propia

En la Tabla A-1 se presentan los flujos, medidos en vehculos por hora, que entran
a la red durante los perodos de baja congestin para cada tipo de va. Para lograr
perodos de alta congestin se multiplicaron todos los flujos de entrada a la red por el
factor 1,4.

81

Tabla A-1: Flujos de entrada segn tipo de va

Tipo de va

Flujo de entrada (veh/hr)

1875

1350

300

75
Fuente: Elaboracin propia

El flujo de entrada por las vas secundarias que se encuentran aguas arriba de una
arteria (vas tipo D, Figura A-1) es menor al del resto de las vas secundarias por dos
razones. La primera viene dada por el hecho de que si el flujo es mayor, se generan
colas que se propagan rpidamente por la va secundaria. Esto debido a que los
vehculos que quieren virar a la arteria principal no pueden hacerlo. Esto se debe a que
en la arteria principal, la interseccin siguiente a la de sta va secundaria es con otra
arteria, y en ella se tienen a generar colas ms largas de lo normal. La segunda razn es
que en la vida real se esperara que por una va secundaria que es paralela y contigua a
una arteria, y donde muchos de los vehculos quieren virar, stos prefieran circular por
la arteria y no por la va secundaria.
Es importante mencionar que todas las vas son bidireccionales. Aun as, solo se
incluyen flujos de entrada en las vas que pueden aportar vehculos mediante los virajes
a la arteria principal, ya que se asumen prohibidos todos los virajes a contraflujo. Sin
embargo, estas vas sin flujo de entrada, s reciben vehculos que viran desde la arteria
principal hacia ellas.
En la Figura A-2 se muestran los virajes permitidos para cualquiera de las
intersecciones de la red.

82

Arteria principal

Figura A-2: Flujos y virajes existentes en cada interseccin

Fuente: Elaboracin propia

En la Tabla A-2 se muestran los porcentajes de viraje en cada interseccin. Para

cada tipo de interseccin, determinado por el tipo de vas que se intersectan (segn la
clasificacin de la Figura A-1) se muestra el porcentaje del flujo que va por la arteria
principal y vira a una va transversal y el porcentaje del flujo que va por la va
transversal y que vira hacia la arteria principal. Estos porcentajes se mantienen
constantes durante todo el perodo simulado.

Tabla A-2: Porcentajes de viraje

Tipo de vas que se

intersectan
A-B
A-C
A-D

Porcentaje del flujo que vira

desde la arteria principal
10%
0%
0%

Porcentaje del flujo que vira

desde la va secundaria
10%
50%
20%

Fuente: Elaboracin propia

83

ANEXO B: ANLISIS ONDA RESULTANTE DE UN CRUCE DE

ONDAS
Cuando dos ondas, en adelante ondas incidentes, convergen en el mismo punto en
un mismo instante de tiempo, stas desaparecen y se genera una nueva onda. En esta
seccin se muestra cmo ser esta onda resultante en funcin de las ondas incidentes.
La onda resultante estar totalmente determinada si se conoce su punto de inicio,
que incluye una ubicacin y un instante de tiempo, y su velocidad, que corresponde a su
pendiente en el grfico distancia tiempo. En este caso el punto de inicio es conocido y
corresponde al lugar y tiempo donde se cruzan las ondas incidentes. En el caso de la
pendiente, depender de los Estados de Trfico que estn bajo la onda de mayor
pendiente y sobre la onda de menor pendiente segn la ecuacin 2.3. Adems, como se
explic en la seccin 2.3, esta pendiente es igual a la pendiente de la recta que une los
dos Estados de Trfico que divide la onda en el Diagrama Fundamental (flujo versus
densidad).
A continuacin se muestran los distintos casos posibles dependiendo de la
pendiente de las ondas incidentes. Para cada uno de stos se muestra un ejemplo grfico
particular.
a. Ambas ondas incidentes con pendiente negativa:
En la Figura B-1 a se muestran dos ondas (lneas discontinuas) que dividen los
Estados de Trfico A B y B C, donde B es el Estado de Trfico entre ellas. Por otra
parte, en la Figura B-1 b se muestran los tres Estados de Trfico en el Diagrama
Fundamental y con lneas discontinuas las rectas que unen los pares de Estados de
Trfico que divide cada una de las ondas incidentes. La pendiente (velocidad) de la
onda resultante u, vendr dada por la pendiente de la lnea punteada que une los
Estados de Trfico A y C. En este caso la pendiente de la onda resultante u, siempre
ser positiva.

84

a. Espacio - tiempo

b. Diagrama Fundamental

Figura B-1: Onda resultante ambas ondas incidentes con pendiente negativa
Fuente: Elaboracin propia

b. Ambas ondas incidentes con pendiente positiva:

Anlogamente, en la Figura B-2, se muestra el Diagrama Fundamental con tres
Estados de Trfico particulares sealados mediante las letras A, B y C. Las rectas que
dividen los pares de estados A-B y C-B (lneas discontinuas) tienen pendiente positiva.
En este caso la onda resultante tendr pendiente u. Dicha pendiente puede ser positiva
(como en el ejemplo graficado), cero (si el flujo de los puntos A y C es el mismo o
negativa (Si el flujo en A es menor al que existe en C).

85

a. Espacio - tiempo

b. Diagrama Fundamental

Figura B-2: Onda resultante ambas ondas incidentes con pendiente positiva
Fuente: Elaboracin propia

c. Una onda incidente con pendiente negativa y la otra positiva:

Por ltimo en la Figura B-3 se muestra el caso en que una de las ondas tiene
pendiente positiva y la otra negativa. En este caso nuevamente la velocidad de la onda
resultante puede ser positiva, negativa o cero, dependiendo del flujo relativo entre los
Estados de Trfico C y B.

86

b. Espacio - tiempo

a. Diagrama Fundamental

Figura B-3: Onda resultante ondas incidentes con pendientes positiva y negativa
Fuente: Elaboracin propia

87

ANEXO C: ADAPTACIN DE LA METODOLOGA PARA UTILIZAR

MLTIPLES TRAYECTORIAS
La metodologa propuesta a lo largo de esta investigacin est diseada para
utilizar como fuente de informacin una trayectoria que recorre la totalidad de la va
que se est analizando. En la realidad, muchas veces se cuenta con informacin de
trayectorias que solo recorrieron una parte de la va, ya sea porque (i) entraron a sta
desde un punto intermedio, (ii) viraron desde sta hacia una va transversal o se
estacionaron, o porque (iii) al momento de realizar el pronstico el vehculo no ha
recorrido toda la va y an se encuentra dentro de sta. La informacin de stas
trayectorias, en adelante llamadas trayectorias parciales, puede ser relevante si es que es
ms reciente que aquella proveniente de la ltima trayectoria completa y por ende su
aprovechamiento debiera mejorar la calidad de la estimacin.
La forma de aprovechamiento de estas trayectorias parciales es aplicar la
metodologa utilizando la ltima trayectoria completa hasta el instante de tiempo en que
la trayectoria entra o sale de la va que se est analizando. Luego, en ese instante de
tiempo, se eliminan todas las ondas que atraviesan la trayectoria parcial o que tienen su
punto de inicio a la derecha de sta. Se agregan al conjunto de ondas activas, las ondas
que se obtienen del anlisis de la trayectoria parcial, y al conjunto de cruces activos, los
nuevos cruces aportados por estas ondas. Finalmente se sigue aplicando la metodologa
hasta el horizonte de pronstico.
En la Figura C-1 se muestra un ejemplo grfico del mtodo propuesto para el caso
de una trayectoria parcial en que el vehculo sale de la va en un punto intermedio. En
azul se muestra la trayectoria completa, en morado la trayectoria parcial, en naranjo las
ondas activas, en negro las ondas que ya no estn activas y en verde los cruces activos.
En la parte a se muestra el estado de la metodologa luego de aplicarla hasta el
instante de salida del vehculo de la trayectoria parcial. En la parte b se muestra el
estado despus de eliminar las ondas que cruzan la trayectoria parcial. En la parte c se
muestra el estado despus de agregar las ondas de la trayectoria parcial y los cruces

88

correspondientes (crculos verdes). Finalmente en la parte d se muestra el estado luego

de seguir iterando hasta llegar al horizonte de planificacin.

a. Paso 1

b. Paso 2

c. Paso 3

d. Paso 4

Figura C-1: Ejemplo incorporacin de trayectorias incompletas

Fuente: Elaboracin propia

89

ste ejemplo corresponde a uno de los tres casos de incorporacin de trayectorias

parciales, pero su extensin es directa para los otros dos casos.