Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESCUELA DE INGENIERA
Profesor Supervisor:
JUAN CARLOS HERRERA MALDONADO
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
2.2
2.3
2.4
Definiciones Generalizadas....................................................................... 8
2.5
3.2
3.3
3.4
3.4.1 Ventajas.............................................................................................. 25
3.4.2 Desventajas ........................................................................................ 26
4
Escenarios de Evaluacin........................................................................ 32
4.3
4.4
5.2
5.4
5.5
CONCLUSIONES .......................................................................................... 69
6.1
6.2
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
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.
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
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
Alcances
Contenido
MARCO TERICO
La Teora de Trfico Vehicular, en adelante Teora de Trfico, se basa en la
Ecuacin Fundamental
2.1
2.2
Diagrama Fundamental
Greenshield define el eje horizontal del grfico con el nombre Densidad, pero refirindose al
concepto de flujo.
a)
b)
c)
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
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
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
2.5
11
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
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
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
15
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
17
a)
b)
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
19
Distancia
Trayectoria original
Trayectoria linealizada
Onda
Tiempo
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
c) Sobresaturacin
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
ii.
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.
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)
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)
4)
Aadir a los cruces activos todos los puntos de cruce entre la onda
resultante y el resto de las ondas activas.
5)
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
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
26
27
EVALUACIN DE LA METODOLOGA
Para evaluar la metodologa propuesta se estudiar su capacidad para pronosticar
evaluacin
de
la
metodologa
propuesta
ser
realizada
mediante
urban Networks.
28
4.1
Red simulada
29
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
30
31
a)
32
4.2
Escenarios de Evaluacin
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
34
fuera de los alcances de esta investigacin. Para ver ms detalles de cmo realizarlo,
revisar el Anexo C.
4.4
Mtodo de evaluacin
35
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
Distancia
Distancia
Tiempo
Tiempo
Densidad [veh/km]
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
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
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
42
43
b. Campo Estimado
Distancia
Distancia
a. Campo Real
Tiempo
Tiempo
Densidad [veh/km]
44
5.2
Anlisis Cuantitativo
5.2.1 Pronstico de Estados de Trfico
Inicio 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%
45
46
Transicin
Baja congestin
Alta congestin
12
10
8
6
4
2
0
900
1400
1900
a)
2400
2900
3400
Tiempo de simulacin [seg]
3900
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
4400
47
Perodo baja
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%
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
49
Perodo alta
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%
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
51
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
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
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
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
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
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.
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
4,5
7,5
10,5
13,5
16,5
19,5
Anticipacin [min]
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]
46%
3500
Frecuencia
3000
34%
2500
2000
1500
1000
8%
500
4%
6%
1%
0
-5
-4
-3
-2
-1
0
1
Error [celdas]
57
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
Promedio de error(real-est)
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
Promedio de error(real-est)
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
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
corresponde al
5.1
Metodologa propuesta
27,6% 2,1%
18.7% 1.6%
Metodologa de promedios
28,2% 2,7%
34.8% 2.8%
61
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%
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%
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.
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%
64
Tabla 5-6: Comparacin estimacin en tiempo actual segn la etapa de los semforos
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%
65
5.4
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
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
67
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
0-0
5-10
10-15
15-20
68
5.5
69
CONCLUSIONES
6.1
Principales conclusiones
70
71
6.2
Trabajo futuro
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
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
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
79
ANEXOS
80
C
B
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
Tipo de va
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
83
84
a. Espacio - tiempo
b. Diagrama Fundamental
Figura B-1: Onda resultante ambas ondas incidentes con pendiente negativa
Fuente: Elaboracin propia
85
a. Espacio - tiempo
b. Diagrama Fundamental
Figura B-2: Onda resultante ambas ondas incidentes con pendiente positiva
Fuente: Elaboracin propia
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
88
a. Paso 1
b. Paso 2
c. Paso 3
d. Paso 4
89