DETERMINACIN DE UN MODELO DE SIMULACIN DE TRFICO QUE CONSIDERE

VARIABLES QUE INFLUYEN EN SU COMPORTAMIENTO BASADO EN REDES NEURONALES

ARTIFICIALES DE APRENDIZAJE SUPERVISADO
1

Edward Santa Mara Dvila , Leonardo Flores Gonzlez , D. Coarita Tintaya , Yeltsin L. Valero , Walter J. Montenegro

Resumen: El presenta trabajo desarrolla un modelo basado en redes neuronales artificiales a travs de un aprendizaje supervisado
(Backpropagation), el cual nos permite predecir el comportamiento considerando variables que intervienen en la congestin vehicular.
Estas variables se determinan a travs de mediciones en la Av. Javier Prado en el tramo desde la Av. Aviacin hasta la Av. Rosa Toro
(2km), en sentido OESTE-ESTE. Las variables de entrada fueron medidas solo en el carril principal (va expresa), a travs de ortofotos
para el caso de las variables: (1) Geometra de la va tanto al inicio como al fin del tramo, (2) Nmero de carriles tanto al inicio como al
fin del tramo; y a travs de filmaciones de los das lunes, mircoles y viernes para el caso de las siguiente variables: (3)Horario,
(4)Intensidad vehicular tanto en el inicio como el fin del tramo, (5)Nmero de maniobras de conductores(cambio de carril del vehculo),
(6) Intensidad vehicular en las rampas de entrada y salida de la va principal a lo largo del tramo. Mientras que para el caso de la
variable de salida (7) Velocidad promedio en el fin de tramo, esta fue medida a travs de filmaciones. Finalmente el modelo basado en
redes neuronales artificiales predice la velocidad promedio en el final del tramo a travs de un entrenamiento supervisado tal y como
se muestra en los resultados.
Palabras Claves: Congestin Vehicular, Redes Neuronales Artificiales, Intensidad Vehicular, Velocidad de Vehculos, Maniobras de
Conductores, Av. Javier Prado, Anlisis de Sensibilidad.

1. INTRODUCCION

2. PROBLEMA GENERAL

El problema de la saturacin de las principales vas en las ciudades

deteriora la calidad de vida de sus habitantes, por lo que esto
genera externalidades negativas asociadas a la congestin
vehicular tales como enormes prdidas econmicas, dao al medio
ambiente y numerosos accidentes de trfico. En el Per el
problema se ha abordado de una manera de dficit de
infraestructura vial, es decir las soluciones al trfico tpicamente
implican construccin de infraestructura vial, por ello actualmente
existen diversos modelos de simulacin de trfico que permiten
optimizar y equilibrar la demanda y la oferta de la nueva
infraestructura vial.

Cmo implementar un modelo de simulacin de trfico que

permita predecir el comportamiento vehicular y que adems
considere las principales variables que influyen en el tiempo de
permanencia en una va.

En ese contexto el uso de Redes Neuronales Artificiales (RNA), se

ha extendido a diversas aplicaciones en la resolucin de problemas
complejos aplicados como por ejemplo a medicina, ingeniera, etc.
Algunos ejemplos en los cuales se ha desarrollado modelos
basados en RNA son en el rea del comportamiento del conductor,
en las cuales se puede predecir la decisin que puede hacer un
conductor en la eleccin de un ruta; otra aplicacin es en la
estimacin del tiempo de viaje en un arco dado, en el cual las
variables de entrada son la informacin de flujo y caractersticas
de la va.

4. HIPTESIS GENERAL

3. OBJETIVO GENERAL
Desarrollar un modelo de simulacin de trfico basado en redes
neuronales, empleando las variables que tienen influencia en el
sistema, para determinar el comportamiento vehicular en cada
tramo de la autopista, a partir de bases de datos consistentes y
videos.

Las variables de intensidad vehicular (flujo) en la va principal, flujo

de ingreso, flujo de salidas, nmero de carriles, cantidad de
maniobras y la geometra de un tramo de la va en un sistema
cerrado pueden filtrarse a travs de una RNA para obtener la
velocidad media del tramo, o la velocidad en un punto del tramo.

5. MARCO TERICO
5.1. RED NEURONAL ARTIFICIAL (RNA)
Un modelo simple de las RNA, est constituido por un
vector
, el cual representa a un
conjunto se n seales, donde a travs de la dentrita
ingresa a la neurona, la cual est asociada a un peso, dicho
peso la representaremos como
. Al conjunto de n
dentritas le corresponde el vector pesos, por lo que
cuando el vector de seales llega al cuerpo de la red, esta
se representa mediante el producto de cada seal por su
peso, ms un valor denominado ganancia o sesgo, dicho
sesgo ser representado por . Todo lo mencionado

Dado que el uso de RNA puede tener cualquier tipo de

complejidad, en la presente investigacin se desarrolla un modelo
basado en un aprendizaje supervisado en donde intervienen
variables que tienen influencia en el tiempo de permanencia de
una va.

anteriormente se puede expresar a travs de la siguiente

expresin matemtica:

lo que el aprendizaje matemticamente consiste en

minimizar la funcin del error medio cuadrtico:
( )

Finalmente esta expresin es transformada mediante una

funcin de transferencia , la cual es opcional y se explica
a mayor detalle en el captulo 5.2. La Figura 1 se presenta
un diagrama en el cual se grafica la estructura de una RNA.

( )

Con ello lo que se espera es que la respuesta de la red est

lo ms cercana posible al valor esperado, es decir que E(x),
encuentre un mnimo local. Con ello se puede decir que la
RNA ha sido entrenada.

5.2. FUNCIN DE TRANSFERENCIA

El procesamiento de la informacin
, se realiza a
travs de la funcin de transferencia vectorial:

Para el presente trabajo se hace el empleo de las

siguientes funciones:
Funcin de transferencia lineal (purelin)
( )
Funcin de transferencia sigmoidal (logsig)
( )
Figura 1. Estructura de una RNA.
As mismo dentro de una red neuronal, los elementos de
procesamiento se encuentran agrupados por capas, donde
una capa es una coleccin de neuronas, es as que de
acuerdo a su ubicacin existen capas de entrada, capas
ocultas y capas de salidas, tal como se muestra en la Figura
2.

Funcin de transferencia sigmoidal hiperblica (tansig)

( )

( )

6. DESCRIPCIN DE LA ZONA DE ESTUDIO

La zona de estudio se encuentra ubicada a lo largo de la Av. Javier
Prado en sentido OESTE-ESTE, y comprende desde la altura de la
Av. Aviacin hasta la altura de la Av. Rosa Toro (2km). A
continuacin se muestra el esquema de la zona de estudio para un
mejor entendimiento:

Figura 2. Estructura de una RNA

La eleccin del nmero de capas y neuronas es opcional y

se basa en encontrar el mayor valor de correlacin de la
RNA.
Para una RNA de aprendizaje supervisado existe una matriz
de vectores denominada valor esperado de la red ( ), por

por la Municipalidad de San Borja a lo largo de la zona de

estudio.

7.5. Velocidad promedio (VP)

La velocidad promedio de vehculos fue calculada con la
ayuda de las filmaciones proporcionadas por la
Municipalidad de San Borja.
Figura 3. Esquema general de la zona de estudio.

8. METODOLOGA DE MODELAMIENTO DE LA
RED NEURONAL ARTIFICIAL

INICIO DE TRAMO (Q1): ubicado entre la Av. Aviacin y la Av.

Javier Prado.
ENTRADA 1 (E1): Rampa de acceso a la va auxiliar a la va
principal de la Av. Javier Prado.
SALIDA 1 (S1): Rampa de salida de la va principal a la va
auxiliar en la Av. Javier Prado.
ENTRADA 2 (E2): Ramal de entrada a la va principal de la Av.
Javier Prado a la altura de la Av. San Luis.
SALIDA 2 (S2): Ramal de salida de la va principal en la Av.
Javier Prado a la altura de la Av. San Luis.
ENTRADA 3 (E3): Rampa de acceso a la va principal de la Av.
Javier Prado.
FIN DE TRAMO (Q2): ubicado entre la Av. Javier Prado y la
Av. Rosa Toro.

El proceso para modelar un sistema basado en redes

neuronales artificiales a travs de un sistema de aprendizaje
supervisado, es mediante la determinacin de las variables de
entrada y la variable de salida de la red, luego se realizan las
fases de entrenamiento, validacin y verificacin de la red
neuronal artificial. Finalmente para asegurar que el modelo
pueda representar la realidad, se tiene que buscar un error
mnimo cuadrtico que para condicin del presente trabajo se
consider 0.7 como mnimo.

8.1. Variables de Entrada

Las variables de entrada fueron seleccionadas como se
muestra a continuacin dado que es posible llegar a
medirlas a travs de herramientas tales como ortofotos y
filmaciones, y as obtener una base de datos consistente.

7. VARIABLES Y METODOLOGA DE LA TOMA DE

DATOS
7.1. Geometra de la va (Gi)

Tabla 1. Variables de entrada a la RNA

La geometra de la va es representada a travs del ancho

de la calzada en metros, la cual fue medida a travs de
ortofotos de la zona de estudio, y se ha medida tanto para
para el Tramo inicial (G1) y para el tramo final (G2).

7.2. Nmero de Carriles (NC)

El nmero de carriles (NC) se ha medido slo en el tramo
inicial (Q1).

Variable 1

Horario (Hr)

Variable 2

Intensidad Vehicular
en Q1

Variable 3

Geometra de la Va en
Q1

Variable 4

Nmero de Carriles en
Q1

Variable 5

Nmero de Maniobras
en Q2

Variable 6

Intensidad Vehicular
en E1

Variable 7

Intensidad Vehicular
en S1

Variable 8

Intensidad Vehicular
en E2

Variable 9

Intensidad Vehicular
en S2

Variable 10

Intensidad Vehicular
en E3

7.3. Horario (Hr)

Se ha identificado a travs de filmaciones proporcionadas
por la Municipalidad de San Borja que se encuentran
ubicadas en la zona de estudio, su medicin es necesaria
para poder determinar el horario al que pertenece cada
una de las variables.

7.4. Intensidad Vehicular (IV)

Es la medida del nmero de vehculos por hora (veh/h) en
una determinada zona o punto, se ha realizado medidas de
intensidad vehicular en Q1, E1, E2, E3, S1, S2 y Q2. Su
medicin se realiz a travs de filmaciones proporcionadas

Variable 11

Intensidad Vehicular
en Q2

Variable 12

Geometra de la Va en
Q2

Tabla 2. Combinaciones con su valor de correlacin

8.2. Variable de Salida

La velocidad promedio en el fin del tramo (Q2), ha sido
seleccionada como variable de salida, dado que su
medicin se puede realizar a travs de filmaciones (datos
consistentes) y que podra determinar si un sistema est
en congestin o no teniendo las siguientes
consideraciones:

Figura 4. Consideraciones de velocidad de salida

9. RESULTADOS

Si bien es cierto que no solo la velocidad puede

representar si un sistema se encuentra en congestin, si no
que depende ms del nivel de servicio de la va, sin
embargo en este sistema se podra considerar lo indicado
anteriormente.

En la tabla 2 se aprecia que la mayor correlacin (R=0.78),

corresponde a una configuracin de 2 capas de 3 neuronas de
entrada y 1 de salida, el cual es igual al nmero de variables de
salida. Por lo que la estructura de la RNA con mayor valor de
correlacin es la siguiente:
Nmero de capas: 2

8.3. ENTRENAMIENTO,
VALIDACIN
VERIFICACIN DE LA RNA

Nmero de neuronas de capa 1: 3

Nmero de neuronas de capa 2 (salida): 1

El proceso de entrenamiento, validacin y verificacin de la

RNA se realiz a travs de software MATLAB, en el cual la
sintaxis de la RNA Backpropagation es como se muestra a
continuacin:

Funcin de transferencia de capa 1: tansig

Funcin de transferencia de capa 2 (salida): purelin
Funcin de entrenamiento: trainlm

Figura 5. Sintaxis de la RNA en software MatLab

En la Tabla 2, se muestras las diversas arquitecturas de

Redes, las cuales se diferencian en el nmero de capas,
neuronas y funciones de transferencia.

Figura 6. Estructura de la RNA-MatLab.

9.2. VALIDACIN
BACKPROPAGATION

Con esa configuracin se encontr un valor de correlacin

R=0.78297, tal como se muestra a continuacin:

DE

LA

RNA

La validacin ha tomado un 25% de los datos ingresados y

se ha obtenido un valor de correlacin de R=0.0.64427

Figura 7. Correlacin total de la RNA

Figura 9. Correlacin de la Validacin de la RNA

9.1. ENTRENAMIENTO
BACKPROPAGATION

DE

LA

RNA
9.3. VERIFICACIN

El entrenamiento ha tomado un 50% de los datos

ingresados y se ha obtenido un valor de correlacin de
R=0.8879.

La verificacin ha tomado un 25% de los datos ingresados y

se ha obtenido un valor de correlacin de R=0.0.7476

Figura 10. Correlacin de la Verificacin de la RNA

Figura 8. Correlacin del entrenamiento de la RNA

9.4. ESTIMACIN DE LA RNA

Se muestra la estimacin de la RNA, en donde se muestra
la velocidad (ejes de las ordenadas) vs el horario (eje de las
abscisas).

JOrtuzar, J. d., & G.Willumsen, L. (2008). MODELOS DE

TRANSPORTE. Espaa: Ediciones de la Universidad de
Catabria.
Pueblo, D. d. (2008). El Transporte Urbano en Lima Metropolitana:
Un desafio en defensa de la vida. Lima.
Rdenas, R. G. (2001). Metodologia para el diseo de redes de
transporte y para la elaboracion de algoritmos en
programacion matematica convexa diferenciable.
Espaa.
S., A. N., C., H., & Pedraza. (2011). Redes Neuronales y prediccion
de trafico. Bogota, Colombia.
S., O. P. (2012). Los retos del desarrollo de infraestructura de
transporte urbano en Lima Metropolitana a traves de
asociaciones publico-privadas. Lima.
S.A, S. (n.d.). Soluciones inteligentes para el trafico de hoy y del
maana. Siemens Traffic Solutions, 14.
Pedro C. Espinoza. Introduccin a las Redes Neuronales Artificiales
Seccin de Postgrado de la Facultad de Ingeniera
Industrial y de Sistemas.

En la Figurase aprecia que la red aprende mejor el

comportamiento de 15 pm a 21 pm del da registrado.
Mientras que para el resto del da se tiene un buen
estimado de la velocidad.

10.

CONCLUSIONES Y RECOMENDACIONES

Se ha determinado un modelo basado en redes neuronales de

aprendizaje supervisado con un factor de correlacin total de
0.78 que puede predecir el comportamiento del trfico a partir
de variables como la geometra de la va, intensidad vehicular
en la va en el inicio de tramo como fin de tramo, intensidad
vehicular en las entradas a la va y salida de la misma, nmero
de carriles de la va, maniobras de conductores.
La estructura del modelo que representa mejor el
comportamiento de la congestin es la que tiene dos capas, la
primera capa con 3 neuronas y su funcin de transferencia la
funcin tansig y la segunda capa con una neurona y su
funcin de transferencia purelin.
La red predice mejor el comportamiento en horarios de la
tarde en comparacin con horario por la maana.
El modelo ha sido entrenado con datos obtenidos durante los
das lunes, mircoles y viernes, por ello se recomienda
incrementar la base de datos para obtener un mejor
aprendizaje de la RNA.
Posteriores investigaciones se basaran en medir la sensibilidad
de cada variable en el comportamiento de trfico, y con ello
poder determinar la infraestructura vial adecuada y plantear
medidas de mitigacin que permitan reducir los altos niveles
de congestin y saturacin de las en las principales arterias de
la ciudad.

11.

BIBLIOGRAFIA

Bravo, M., Briceo, L., Cominetti, R., Cortes, C. E., & Martinez, F.

(2009). An integrated behavioral model of the land-use

and transport systems with work congestion and location
externalities. Transportation Research Part B, 13.
Henry, J., Laurens, B., & Livertalis, B. (1972). Study of the traffic
Flow Control on the Paris A6-B6-C6 Freeway Complex.
Automatica vol.8, 609-620.