Está en la página 1de 6

DETERMINACIN DE UN MODELO DE SIMULACIN DE TRFICO QUE CONSIDERE

VARIABLES QUE INFLUYEN EN SU COMPORTAMIENTO BASADO EN REDES NEURONALES


ARTIFICIALES DE APRENDIZAJE SUPERVISADO
Edward Santa Mara Dvila1, Leonardo Flores Gonzlez2, D. Coarita Tintaya3, Yeltsin L. Valero4, Walter J. Montenegro5
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 Cmo implementar un modelo de simulacin de trfico que
deteriora la calidad de vida de sus habitantes, por lo que esto permita predecir el comportamiento vehicular y que adems
genera externalidades negativas asociadas a la congestin considere las principales variables que influyen en el tiempo de
vehicular tales como enormes prdidas econmicas, dao al medio permanencia en una va.
ambiente y numerosos accidentes de trfico. En el Per el
problema se ha abordado de una manera de dficit de
3. OBJETIVO GENERAL
infraestructura vial, es decir las soluciones al trfico tpicamente Desarrollar un modelo de simulacin de trfico basado en redes
implican construccin de infraestructura vial, por ello actualmente neuronales, empleando las variables que tienen influencia en el
existen diversos modelos de simulacin de trfico que permiten sistema, para determinar el comportamiento vehicular en cada
optimizar y equilibrar la demanda y la oferta de la nueva tramo de la autopista, a partir de bases de datos consistentes y
infraestructura vial. videos.

En ese contexto el uso de Redes Neuronales Artificiales (RNA), se 4. HIPTESIS GENERAL


ha extendido a diversas aplicaciones en la resolucin de problemas Las variables de intensidad vehicular (flujo) en la va principal, flujo
complejos aplicados como por ejemplo a medicina, ingeniera, etc. de ingreso, flujo de salidas, nmero de carriles, cantidad de
Algunos ejemplos en los cuales se ha desarrollado modelos maniobras y la geometra de un tramo de la va en un sistema
basados en RNA son en el rea del comportamiento del conductor, cerrado pueden filtrarse a travs de una RNA para obtener la
en las cuales se puede predecir la decisin que puede hacer un velocidad media del tramo, o la velocidad en un punto del tramo.
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 5. MARCO TERICO
variables de entrada son la informacin de flujo y caractersticas 5.1. RED NEURONAL ARTIFICIAL (RNA)
de la va. Un modelo simple de las RNA, est constituido por un
Dado que el uso de RNA puede tener cualquier tipo de vector = [1 , 2 , . , ] , el cual representa a un
complejidad, en la presente investigacin se desarrolla un modelo conjunto se n seales, donde a travs de la dentrita
basado en un aprendizaje supervisado en donde intervienen ingresa a la neurona, la cual est asociada a un peso, dicho
variables que tienen influencia en el tiempo de permanencia de peso la representaremos como . Al conjunto de n
una va. 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

1
anteriormente se puede expresar a travs de la siguiente lo que el aprendizaje matemticamente consiste en
expresin matemtica: minimizar la funcin del error medio cuadrtico:

+ = 1 1 + 2 2 + + +
() =
=| () |


Finalmente esta expresin es transformada mediante una
Con ello lo que se espera es que la respuesta de la red est
funcin de transferencia , la cual es opcional y se explica
lo ms cercana posible al valor esperado, es decir que E(x),
a mayor detalle en el captulo 5.2. La Figura 1 se presenta
encuentre un mnimo local. Con ello se puede decir que la
un diagrama en el cual se grafica la estructura de una RNA.
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 Funcin de transferencia sigmoidal hiperblica (tansig)
2.
() = () =
+

6. DESCRIPCIN DE LA ZONA DE ESTUDIO


La zona de estudio se encuentra ubicada a lo largo de la Av. Javier
Figura 2. Estructura de una RNA 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
La eleccin del nmero de capas y neuronas es opcional y mejor entendimiento:
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

2
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
INICIO DE TRAMO (Q1): ubicado entre la Av. Aviacin y la Av. RED NEURONAL ARTIFICIAL
Javier Prado. El proceso para modelar un sistema basado en redes
ENTRADA 1 (E1): Rampa de acceso a la va auxiliar a la va neuronales artificiales a travs de un sistema de aprendizaje
principal de la Av. Javier Prado. supervisado, es mediante la determinacin de las variables de
SALIDA 1 (S1): Rampa de salida de la va principal a la va entrada y la variable de salida de la red, luego se realizan las
auxiliar en la Av. Javier Prado. fases de entrenamiento, validacin y verificacin de la red
ENTRADA 2 (E2): Ramal de entrada a la va principal de la Av. neuronal artificial. Finalmente para asegurar que el modelo
Javier Prado a la altura de la Av. San Luis. pueda representar la realidad, se tiene que buscar un error
SALIDA 2 (S2): Ramal de salida de la va principal en la Av. mnimo cuadrtico que para condicin del presente trabajo se
Javier Prado a la altura de la Av. San Luis. consider 0.7 como mnimo.
ENTRADA 3 (E3): Rampa de acceso a la va principal de la Av.
Javier Prado.
8.1. Variables de Entrada
Las variables de entrada fueron seleccionadas como se
FIN DE TRAMO (Q2): ubicado entre la Av. Javier Prado y la
muestra a continuacin dado que es posible llegar a
Av. Rosa Toro.
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 Tabla 1. Variables de entrada a la RNA


DATOS
Variable 1 Horario (Hr)
7.1. Geometra de la va (Gi)
Intensidad Vehicular
La geometra de la va es representada a travs del ancho Variable 2
en Q1
de la calzada en metros, la cual fue medida a travs de
ortofotos de la zona de estudio, y se ha medida tanto para Geometra de la Va en
Variable 3
para el Tramo inicial (G1) y para el tramo final (G2). Q1
Nmero de Carriles en
7.2. Nmero de Carriles (NC) Variable 4
Q1
El nmero de carriles (NC) se ha medido slo en el tramo
inicial (Q1). Nmero de Maniobras
Variable 5
en Q2
7.3. Horario (Hr)
Intensidad Vehicular
Se ha identificado a travs de filmaciones proporcionadas Variable 6
en E1
por la Municipalidad de San Borja que se encuentran
ubicadas en la zona de estudio, su medicin es necesaria Intensidad Vehicular
Variable 7
para poder determinar el horario al que pertenece cada en S1
una de las variables. Intensidad Vehicular
Variable 8
en E2
7.4. Intensidad Vehicular (IV)
Es la medida del nmero de vehculos por hora (veh/h) en Intensidad Vehicular
Variable 9
una determinada zona o punto, se ha realizado medidas de en S2
intensidad vehicular en Q1, E1, E2, E3, S1, S2 y Q2. Su Intensidad Vehicular
medicin se realiz a travs de filmaciones proporcionadas Variable 10
en E3

3
Intensidad Vehicular
Variable 11
en Q2
Tabla 2. Combinaciones con su valor de correlacin
Geometra de la Va en
Variable 12
Q2

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

Si bien es cierto que no solo la velocidad puede 9. RESULTADOS


representar si un sistema se encuentra en congestin, si no En la tabla 2 se aprecia que la mayor correlacin (R=0.78),
que depende ms del nivel de servicio de la va, sin corresponde a una configuracin de 2 capas de 3 neuronas de
embargo en este sistema se podra considerar lo indicado entrada y 1 de salida, el cual es igual al nmero de variables de
anteriormente. 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 Y
Nmero de neuronas de capa 1: 3
VERIFICACIN DE LA RNA
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 Funcin de transferencia de capa 1: tansig
sintaxis de la RNA Backpropagation es como se muestra a
Funcin de transferencia de capa 2 (salida): purelin
continuacin:
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.

4
9.2. VALIDACIN DE LA RNA
Con esa configuracin se encontr un valor de correlacin BACKPROPAGATION
R=0.78297, tal como se muestra a continuacin: 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 DE LA RNA


BACKPROPAGATION 9.3. VERIFICACIN
El entrenamiento ha tomado un 50% de los datos La verificacin ha tomado un 25% de los datos ingresados y
ingresados y se ha obtenido un valor de correlacin de se ha obtenido un valor de correlacin de R=0.0.7476
R=0.8879.

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).

5
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.
En la Figurase aprecia que la red aprende mejor el S., A. N., C., H., & Pedraza. (2011). Redes Neuronales y prediccion
comportamiento de 15 pm a 21 pm del da registrado. de trafico. Bogota, Colombia.
Mientras que para el resto del da se tiene un buen S., O. P. (2012). Los retos del desarrollo de infraestructura de
estimado de la velocidad. transporte urbano en Lima Metropolitana a traves de
asociaciones publico-privadas. Lima.
10. CONCLUSIONES Y RECOMENDACIONES S.A, S. (n.d.). Soluciones inteligentes para el trafico de hoy y del
maana. Siemens Traffic Solutions, 14.
Se ha determinado un modelo basado en redes neuronales de Pedro C. Espinoza. Introduccin a las Redes Neuronales Artificiales
aprendizaje supervisado con un factor de correlacin total de Seccin de Postgrado de la Facultad de Ingeniera
0.78 que puede predecir el comportamiento del trfico a partir Industrial y de Sistemas.
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.