Revista Ibérica de Sistemas e Tecnologias de Informação

Recebido/Submission: 25/12/2018
Iberian Journal of Information Systems and Technologies Aceitação/Acceptance: 10/02/2019

Semáforos inteligentes y tráfico vehicular: un caso

de estudio comparativo para reducir atascos y
emisiones contaminantes

Víctor Samaniego-Calle1, Marlon Santiago Viñán-Ludeña2, Wilson Jaramillo-

Sangurima3, Luis Jácome-Galarza4, Javier Sinche-Freire5

vmsamaniegoc@unl.edu.ec, marlon.vinan@unl.edu.ec, wijaramillosa@uide.edu.ec,

lrjacome@unl.edu.ec, javier.sinche@unl.edu.ec

1,2,4,5
Universidad Nacional de Loja, 110111, Loja, Ecuador.
3
Universidad Internacional del Ecuador, 110101, Loja, Ecuador.
Pages:403–414

Resumen: El objetivo de este trabajo es analizar el tráfico vehicular a través

de semáforos; comparando la estrategia semafórica actual de la ciudad de Loja
(Ecuador) y el uso de semáforos inteligentes, usando simulación. Para ello, se aplicó
la microsimulación en la zona céntrica de la ciudad, debido a la alta congestión
vehicular, y la macrosimulación que abarca toda la red vial. Para la construcción
de los escenarios de simulación, se recolectó datos de semáforos utilizados por el
municipio, de tal forma que se pueda analizar la estructura semafórica actual y la
propuesta. Los resultados mostraron que, con la microsimulación -en el centro de la
ciudad- esta propuesta permite una reducción media en la contaminación por ruido
de 1,46%; CO2 de 13,72%; CO de 16,09%; PMx de 15,61%; HC de 14,21%; NOx de
14,58%, y el número de vehículos en 11,75; mientras que, con la macrosimulación
la situación no varía.
Palabras-clave: Microsimulación; Macrosimulación; Semáforos Inteligentes;
Ingeniería de tráfico.

Smart traffic lights and vehicular traffic: A comparative case study to

reduce traffic jams and contaminants

Abstract: The objective of this work is to analyze vehicular traffic through traffic
lights; comparing the current traffic light strategy of the city of Loja (Ecuador) and
the use of intelligent traffic lights, using simulation. For this, microsimulation was
applied in the downtown area of the city, due to the high traffic congestion, and the
macrosimulation that covers the entire road network. For the construction of the
simulation scenarios, semaphore data used by the municipality was collected, in
such a way that the current traffic light structure and the proposal can be analyzed.
The results showed that, with microsimulation -in the center of the city- this
proposal allows an average reduction in noise pollution of 1,46%; CO2 of 13,72%;

RISTI, N.º E19, 04/2019 403

Semáforos inteligentes y tráfico vehicular: un caso de estudio comparativo para reducir atascos y emisiones contaminantes

CO of 16,09%; PMx of 15,61%; HC of 14,21%; NOx of 14,58%, and the number of

vehicles at 11,75; whereas, with macrosimulation, the situation does not change.
Keywords: Microsimulation; macrosimulation; smart traffic light; traffic
engineering.

1. Introducción
En todos los países del mundo, el uso de vehículos es imprescindible; esto ha logrado
mejorar la calidad de vida de los ciudadanos, ya sea para movilización o transporte de
productos o materias primas. Esto ha permitido que los vehículos se hayan popularizado,
incrementando su demanda y disminuyendo su valor adquisitivo.
Las mejoras en los diseños urbanos, las modificaciones en la infraestructura de la red
vial y la creciente demanda de obtener un vehículo por ciudadano para trasladarse a
diferentes destinos generan problemas como la congestión vehicular; este problema
está presente en la mayoría de la ciudades, afectando a los habitantes de las urbes en
diferentes aspectos, tales como: mayor contaminación acústica y atmosférica, impacto
negativo sobre la salud mental, estrés, etc. (Bull & Thomson, 2002). Otro de los
problemas que genera la congestión vehicular es el alto consumo de combustible, por lo
tanto; una de las estrategias que ayudan a solventar cada uno de estos problemas es el
uso de semáforos inteligentes.
Existe una propuesta para Ciudad del Este (Uruguay), en la cual se presentan estrategias de
control semafórica que resuelven considerablemente la congestión vehicular, los autores
realizan un proceso de simulación de un área altamente transitada; posteriormente se
compara el tiempo de espera, demora, velocidades y flujos, demostrando que la utilización
de semáforos inteligentes descongestiona la circulación vehicular. (Franco, 2014). Otro
estudio muy similar realizado en Medellín (Colombia), modela un sistema de semáforos
y se simulan, probando diferentes distribuciones en los tiempos de los semáforos,
mejorando el comportamiento real y generando nuevas políticas para el control de tráfico
en la ciudad, de acuerdo con el número de vehículos (Sánchez y Villa Garzón, 2009). La
creciente cantidad de automóviles comúnmente excede la capacidad de las carreteras, la
ineficiencia en el transporte publico y los sistemas de semáforos que no se adaptan de
forma dinámica de acuerdo con el entorno, contribuyen a la crisis del tráfico. Una de las
soluciones a este problema es un sistema que se adapte a las variaciones del tráfico de
forma dinámica. En el Líbano, se implementó un sistema de semáforos adaptativos que
utiliza el aprendizaje por refuerzo; para probarlo se utilizó una herramienta de simulación
de software mostrando reducciones tiempo de espera, sin embargo, no se tomó en cuenta
aspectos medioambientales. (Natafgi, Osman, Haidar & Hamandi, 2018). Otro de los
trabajos basados en simulación, consiste en un algoritmo basado en prioridades para el
control de tráfico en las intersecciones, usando la comunicación entre vehículos (vehicle-
to-vechicle), este sistema, deja pasar al vehículo con la mayor prioridad. El algoritmo
muestra que existe una disminución importante en el tiempo de espera (Ameddah,
Das & Almhana, 2018). Hoy en día, se genera una gran cantidad de datos provenientes
de diferentes fuentes -sensores, aplicaciones, redes sociales, etc.-; con la ayuda de la
inteligencia artificial es posible procesar gran cantidad de datos generados desde muchos
dispositivos o sensores y manejar problemas complejos en infraestructuras sociales como
es el caso de las redes viales. Los sistemas inteligentes actuales usan información de

404 RISTI, N.º E19, 04/2019

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

toda la infraestructura vial - sensores, cámaras para el control de velocidad, semáforos,

datos de ciclo vías, datos de redes sociales- para que, en conjunto, se pueda mejorar la
circulación vehicular. Las ciudades denominadas Smart Cities son quienes están usando
este tipo de sistemas multiagentes y en general, usan la inteligencia artificial para el
manejo y control de los semáforos y toda la infraestructura vial.
Se puede definir al concepto de Smart City como una conexión orgánica entre los
componentes tecnológicos, humanos e institucionales, por lo tanto; una ciudad inteligente
requiere de una comprensión integral de las complejidades e interconexiones entre los
factores sociales y técnicos de los servicios y entornos físicos de la ciudad, teniendo en
cuenta la eficiencia y un desarrollo urbano basado en la sostenibilidad (Nam y Pardo,
2011). Toda ciudad que implemente el concepto de Smart City debe implementar los
semáforos inteligentes que permita aliviar la congestión vehicular.
Smart Street es uno de los proyectos cuyo objetivo es comparar los ahorros de energía
del sistema actual con el sistema propuesto en base a una regulación predefinida; la
simulación permite constatar la reducción de costos de energía (Petritoli, Leccese, Pizzuti
& Pieroni, 2019). Existe un proyecto realizado en Alemania, en éste, se presenta el enfoque
de implementar una infraestructura inteligente distribuida capaz de manejar los estados
de los semáforos, las topologías de las carreteras y, especialmente, la información sobre
los participantes del tráfico observados localmente, además; los datos se proporcionan
en línea a través de la comunicación Vehículo a X -un canal de comunicación entre el
vehículo y el sistema-, así como; fuera de línea con un análisis de alta precisión y aplicación
de técnicas de aprendizaje automático; la información se captó usando cámaras. Sin
embargo, este enfoque no se basa en simulación de semáforos inteligentes, sino en una
infraestructura inteligente para vehículos autónomos (Fleck et al., 2019).
Otro enfoque usa la combinación de inteligencia artificial y el internet de las cosas
para el control de semáforos, esto permite mejorar el sistema vial de una ciudad; esto
permite superar las soluciones existentes en términos de longitud de cola de vehículos y
peatones, tiempo de espera en las intersecciones, reduce las emisiones y el consumo de
combustible (Liu, Liu & Chen, 2017).
Otro trabajo se basa en el uso de la lógica difusa, capaz de gestionar dinámicamente las
fases de los semáforos en los cruces peatonales señalizados, ofreciendo la posibilidad
de cambiar las fases del semáforo teniendo en cuenta la hora del día y el número de
peatones a punto de cruzar la calle (Pau et al., 2018).
Existe un trabajo que se ha realizado en la ciudad de Arequipa (Perú), para solventar
la congestión del tráfico vehicular; siendo su principal objetivo, el identificar si los
semáforos inteligentes pueden hacer alguna diferencia en la velocidad promedio de los
vehículos; los resultados indican que su propuesta tiene un pequeño efecto positivo.
(Ali, Meneses, Torres, Espinoza y Flores, 2018). Por último, en Jácome et al., (2018)
se hace una revisión de los trabajos relacionados con semáforos inteligentes, en el
cual, se obtienen los algoritmos más usados en el control de tráfico vehicular basados
en inteligencia artificial, siendo la visión artificial, la tecnología más importante y más
prometedora en este ámbito.
El presente trabajo se basa en el uso de un software de simulación que permita comparar
la situación actual de los semáforos existentes en la ciudad y la situación propuesta a

RISTI, N.º E19, 04/2019 405

Semáforos inteligentes y tráfico vehicular: un caso de estudio comparativo para reducir atascos y emisiones contaminantes

través del uso de semáforos inteligentes; permitiendo verificar si existe una reducción
tanto de atascos como de contaminación medio ambiental.
Según Shannon (1998), la simulación es el proceso de diseñar y desarrollar un modelo
computarizado de un sistema o proceso, y conducir experimentos con este modelo con
el propósito de entender el comportamiento del sistema o evaluar varias estrategias con
las cuales pueden operar el sistema.
Para realizar la simulación de transporte o tráfico, es posible realizarlo mediante la
simulación macroscópica que se caracteriza por el análisis del tráfico desde una perspectiva
general, como el promedio de la velocidad de cada vehículo, densidad y flujo de tráfico,
por otro lado; se tiene la simulación microscópica en la cual, se examina el movimiento
individual de cada vehículo a través de la red, tomando en cuenta, su aceleración,
desaceleración, tipo, color, etc. (Romero, Hernández, Ibarra y Ordóñez, 2009).
Los semáforos inteligentes son dispositivos que se comunican entre sí para asegurar
el funcionamiento correcto de una red vial que incluyen tanto elementos hardware
como cámaras de video, sensores y luces led del semáforo como el software que
permite manipular el sistema a través de los datos que se captan usando los elementos
hardware (Volkswagen, 2018).
La congestión de vehículos en redes urbanas ocasiona una degeneración en la infraestructura
de la red vial y, en consecuencia, genera una serie de problemas que pueden ser neutralizados
por medio de la utilización de estrategias de control de tráfico; entre la cuales se tiene: i)
estrategias de tiempo fijo o lazo abierto; en la cual, usa datos históricos de flujo y densidad
vehicular de tal forma que se pueda realizar el control de intersecciones aisladas y de control
coordinado con tiempos fijos, y, ii) estrategias de control sensibles al tráfico o de lazo
cerrado, las cuales realizan su lógica de adecuación de acuerdo a las mediciones de tráfico
realizadas en tiempo real (Jiménez & Sarmiento, 2011).
El objetivo de este trabajo es simular semáforos a través de un software computacional
que permita comparar la estrategia semafórica actual de la ciudad de Loja-Ecuador con
la estrategia semafórica que utiliza semáforos inteligentes. A continuación, se presentan
los materiales y métodos, posteriormente se indican los resultados de la micro y
macrosimulación y, por último, se presentan las conclusiones y trabajos futuros.

2. Materiales y métodos
La propuesta de este trabajo es implementar un control semafórico a través de semáforos
inteligentes por medio de simulaciones a través de dos escenarios que corresponden a la
macrosimulación y la microsimulación. En la primera se modela toda la red vial de la ciudad
y en la segunda, se toma en cuenta únicamente el sector céntrico de la ciudad. Por último,
se consideran tres experimentos o casos con variaciones del número de vehículos para
cada uno. Es importante realizar la simulación micro (escenario1) debido a que, en ésta, se
mide específicamente la cantidad de contaminación ambiental que emite un vehículo; y en
la macro simulación (escenario2), la densidad de vehículos en toda la red vial de la ciudad.
Para la micro simulación se toma en cuenta las siguientes variables a medir: las
emisi0nes de dióxido de carbono (CO2), monóxido de carbono (CO), partículas volátiles

406 RISTI, N.º E19, 04/2019

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

(PMx) o particulate matter, hidrocarburos (HC), óxidos de nitrógeno (NOx), cantidad

de ruido y el consumo de combustible (fuel); comparando todos estos valores con la
situación actual (semáforos normales) y la situación propuesta (semáforos inteligentes).
En la macro simulación se mide la densidad de flujo de vehículos y no se toma en cuenta
variables correspondientes a contaminación ambiental.
Es importante mencionar que, en el proceso de simulación todos los vehículos están en
perfecto estado, es decir, no presentan ninguna falla mecánica que permita visualizar la
variación en las emisiones de contaminantes atmosféricos. Además, se toma en cuenta
que no existen accidentes de tránsito, ni algún otro imprevisto que pueda mejorar o
empeorar la circulación vehicular.
La simulación de tráfico se ha convertido en una herramienta fundamental y necesaria
en la Ingeniería de Tráfico, ya que permite comprobar los análisis con diferentes
escenarios. Entre las herramientas usadas para la simulación de tráfico se tienen:
SUMO, VanetMob iSim y MOVE.
Se ha elegido el simulador de tráfico SUMO por ser de código abierto y abarca tanto
la simulación macroscópica como microscópica; además permite modelar escenarios
con alto nivel de detalle, como vías con diversos carriles, límites de velocidad e
intersecciones con semáforos (German Aerospace Center [DLR] & Institute of
Transportation Systems, 2015)
Todo problema de simulación se modela mediante la simplificación de la realidad. El
modelado del escenario se basa en el diseño de un mapa de la zona geográfica a estudiar
y la construcción de instancias realistas. Para ello, se recolectó datos de la Unidad
Municipal de Tránsito y Transporte Terrestre y Seguridad Vial de la ciudad de Loja,
así como también, el volumen de tráfico captado mediante la observación directa. En
la microsimulación, se escogió el área céntrica de la ciudad de Loja, la cual abarca 28
intersecciones. La macrosimulación, abarca toda la ciudad. En la Figura 1 se puede
visualizar los dos escenarios para la simulación.

Figura 1 – (a) Escenario de simulación microscópica, (b) Escenario de simulación macroscópica.

Para la construcción del mapa de la zona de estudio, se usó Open Street Map (OSM)
(OpenStreetMap Foundation, 2004). Posteriormente se hace la construcción vial,
donde se debe tener en cuenta cuatro elementos principales: i) nodo, que consta de las
intersecciones y uniones de la red; ii) borde, que consiste en las vías, calles y carreteras;
iii) tipo, que son las características de las vías, por ejemplo, número de carriles, velocidad
máxima, entre otras; y por último, iv) las conexiones, que permiten definir como se
conectan los nodos para formar la red vial.

RISTI, N.º E19, 04/2019 407

Semáforos inteligentes y tráfico vehicular: un caso de estudio comparativo para reducir atascos y emisiones contaminantes

Posteriormente, se hace la creación de rutas tanto para la micro como macrosimulación y

luego, se crea los semáforos que controlarán las intersecciones de la red. Además, se planteó
dos tipos de vehículos “Passenger” o auto y “Bus”. De esta forma, se puede tener un escenario
muy apegado a la realidad. Sin embargo, para poder realizar un análisis comparativo se
estableció dos distintos escenarios; el primero, con la estrategia de control semafórica actual
y el segundo, bajo la estrategia de control semafórica inteligente que se propone.

2.1. Escenario 1 (micro)

Para la simulación en el centro de la ciudad, se cuenta con tres casos, bajo diferentes
circunstancias de carga de congestión vehicular. En la Tabla 1 se muestra los parámetros
utilizados para la simulación para cada escenario.

Caso 1 Caso 2 Caso 3

Parámetros Actual Propuesta Actual Propuesta Actual Propuesta
Número de autos 476 476 794 794 953 953
Número de buses 8 8 13 13 26 26
Total de vehículos 484 484 807 807 979 979
Velocidad máx. autos 50 50 50 50 50 50
Velocidad máx buses 40 40 40 40 40 40
Aceleración 1.0 1.0 1.0 1.0 1.0 1.0
Desaceleración 5.0 5.0 5.0 5.0 5.0 5.0
Tiempo simulación(steps) 700 700 1800 1800 2400 2400
Núm. bucles de inducción 5 5 5
Núm. de detectores 8 8 8

Tabla 1 – Parámetros de microsimulación

2.2. Escenario 2 (macro)

Para la simulación en toda la red de la ciudad, se utilizó tres casos, al igual que en la
simulación micro. En la Tabla 2, se muestra los parámetros utilizados y la carga en
cuanto a congestión vehicular.

3. Resultados y discusión

3.1. Microsimulación
El impacto medioambiental es uno de los principales factores que se debe considerar
para que una ciudad llegue a ser Smart City y, por ende, se muestren mejoras con el
uso de semáforos inteligentes. En el proceso de simulación, se tomó en cuenta la
contaminación atmosférica que producen los vehículos, para esto; se eligieron cinco
vehículos de manera aleatoria en cada uno de los casos -tres en total- con la estrategia

408 RISTI, N.º E19, 04/2019

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

Caso 1 Caso 2 Caso 3

Parámetros Actual Propuesta Actual Propuesta Actual Propuesta
Número de autos 1994 1994 3485 3485 4980 4980
Número de buses 6 6 15 15 20 20
Total de vehículos 2000 2000 3500 3500 5000 5000
Velocidad máx autos 50 50 50 50 50 50
Velocidad máx buses 40 40 40 40 40 40
Aceleración 1.0 1.0 1.0 1.0 1.0 1.0
Desaceleración 5.0 5.0 5.0 5.0 5.0 5.0
Tiempo_simulación(steps) 2100 2100 3600 3600 3750 3750
Núm. bucles de inducción 5 5 5
Nro de detectores 8 8 8

Tabla 2 – Parámetros de macrosimulación

actual (EA) y la estrategia propuesta (EP); tomando en cuenta las emisi0nes de dióxido
de carbono (CO2), monóxido de carbono (CO), partículas volátiles (PMx) o “particulate
matter”, hidrocarburos (HC), óxidos de nitrógeno (NOx), cantidad de ruido y el consumo
de combustible (fuel).
Como se muestra en la Figura 2, la emisión de contaminantes atmosféricos es menor
con la estrategia propuesta que la existente. En cuanto a ruido, CO2, CO, PMx, HC, NOx
y consumo de combustible, hay una disminución del 0,95%, 8,88%, 10,95%, 10,23%,
9,59%, 9,55% y 9,55% respectivamente.

Figura 2 – Resultados de la simulación del caso 1 (escenario 1)

RISTI, N.º E19, 04/2019 409

Semáforos inteligentes y tráfico vehicular: un caso de estudio comparativo para reducir atascos y emisiones contaminantes

A continuación, se muestra los resultados obtenidos para el Caso 2. En esta figura

(Figura 3), es posible observar que, para los parámetros: ruido, CO2, CO, PMx, HC,
NOx y consumo de combustible; existe una disminución de 0,81%, 6,71%, 9%, 9,15%,
7,61%, 7,51% y 6,68% respectivamente. Existe menor emisión de los contaminantes
atmosféricos, aunque no sea significativa.

Figura 3 – Resultados de la simulación del caso 2 (escenario 1)

Figura 4 – Resultados de la simulación del caso 3 (escenario 1)

410 RISTI, N.º E19, 04/2019

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

En la figura 4 se muestran los resultados del Caso 3. En esta simulación, se puede

observar que hay una disminución significativa en contaminantes. Al igual que en
los casos anteriores, existe una disminución de emisiones, tomando en cuenta la
estrategia actual (EA) y la estrategia semafórica inteligente o estrategia propuesta
(EP). Se visualiza, que la emisión de ruido, CO2, CO, PMx, HC, NOx y consumo de
combustible; existe una disminución en 2,62%, 25,58%, 28,33%, 27,45%, 25,42%,
26,69% y 25,52%. Esta disminución de contaminantes como consumo de combustible
y cantidad de ruido es notable.
Los resultados mostraron que, con la microsimulación, es decir, en el centro de la
ciudad, el modelo propuesto muestra una reducción media en la contaminación para
ruido de 1,46%, CO2 de 13,72%, CO de 16,09%, PMx de 15,61%, HC de 14,21%, NOx
de 14,58%.
A continuación (Figura 5), se presenta los resultados obtenidos en cada uno de los casos
en cuanto al conteo de vehículos, en la cual, se muestra la efectividad de los semáforos
inteligentes en el manejo del tráfico vehicular, lo que se traduce en menor tiempo de
espera para los conductores y menor acumulación de vehículos en las intersecciones y,
por ende, la reducción de atascos.

Figura 5 – Resultados del conteo de vehículos en el caso 1, caso 2 y caso 3 (escenario 1)

Los resultados muestran, que existe una disminución en promedio de 11,75 vehículos.

3.2. Macrosimulación
Tanto para la estrategia semafórica actual como para la estrategia inteligente propuesta;
en los tres casos, se ha tomado en cuenta los siguientes parámetros: el número de
vehículos que ha salido de la red, número de vehículos en la red, número de vehículos
que han llegado a su destino, colisiones, promedio de velocidad, densidad y flujo.
En la Figura 6 se muestran los resultados de la macrosimulación para el Caso 1, Caso
2 y Caso 3. Como se puede observar, no presenta una diferencia considerable entre la
estrategia actual y la estrategia propuesta. De igual forma para el Caso 2 y el Caso 3, los
valores son muy similares entre ambas propuestas.

4. Conclusiones
El presente trabajo se basa en la simulación y evaluación de semáforos que se ubican
en el centro de la ciudad (microsimulación) -donde existe mayor congestión vehicular-

RISTI, N.º E19, 04/2019 411

Semáforos inteligentes y tráfico vehicular: un caso de estudio comparativo para reducir atascos y emisiones contaminantes

Figura 6 – Macrosimulación; resultados de la simulación del caso 1, caso 2 y caso 3 (escenario 2)

y la simulación tomando en cuenta toda la red vial (macrosimulación). Cada escenario

contó con tres casos de prueba; en el cual, para cada uno, se escogió 5 vehículos al azar
de tal forma que, permita evaluar la situación existente y la estrategia propuesta en
este trabajo. Los resultados obtenidos, muestran que la implementación de semáforos
inteligentes en el centro de la ciudad, es decir, con la microsimulación, muestra una
disminución importante de contaminantes ambientales y en la reducción de atascos,
frente a la situación actual donde existen semáforos convencionales. La estrategia
propuesta para toda la red vial, es decir, usando macrosimulación, no mejora la
situación que existe actualmente en la ciudad. Por otro lado; como todas las ciudades
que se perfilan como Smart City, es necesario tener información tanto de sensores,
actuadores y cámaras que estén o vayan a implementarse, de tal manera, que se pueda
trabajar en un entorno más real y, por tanto, obtener mejores resultados que ayuden
a disminuir la congestión vehicular. Se recomienda que antes de la construcción
de pasos a desnivel se realice este tipo de simulación para justificar la obra civil a
ejecutarse, es importante también tomar en cuenta el uso de vehículos eléctricos, de
tal manera que se pueda verificar la diferencia de la huella de carbono entre el uso
de vehículos a combustible y eléctricos. Como trabajos futuros, se planea realizar el
estudio con información captada de cámaras de velocidad o contadores de vehículos,
datos de peatones y ciclistas a través de cámaras del ECU911, y también, colisiones
o accidentes que pueden suceder en la red vial que constituyen un factor clave de
movilidad para la ciudad.

412 RISTI, N.º E19, 04/2019

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

Referencias
Ali, L. C., Meneses, A. O., Torres, S. R., Espinoza, A. T., y Flores, J. A. R. (2018).
Mejorando la Circulación de Vehículos: Simulación con Semáforos Inteligentes -
Improving Traffic: Simulation with Smart Traffic Lights. AMCIS 2018 Proceedings.
Recuperado de https://aisel.aisnet.org/amcis2018/LACAIS/Presentations/13
Ameddah, M. A., Das, B., & Almhana, J. (2018). Priority based Algorithm for Traffic
Intersections Streaming Using VANET. In 2018 14th International Wireless
Communications & Mobile Computing Conference (IWCMC) (pp. 898–903). IEEE.
DOI: 10.1109/IWCMC.2018.8450287
Bull, A., & Thomson, I. (2002). La congestión del tránsito urbano: causas y consecuencias
económicas y sociales. CEPAL. Recuperado de https://repositorio.cepal.org/
handle/11362/10804
Fleck, T., Daaboul, K., Weber, M., Schörner, P., Wehmer, M., Doll, J., … Zöllner, J. M.
(2019). Towards Large Scale Urban Traffic Reference Data: Smart Infrastructure in
the Test Area Autonomous Driving Baden-Württemberg (pp. 964–982). Springer,
Cham. DOI: 10.1007/978-3-030-01370-7_75
Franco, L. (2014). Aplicación de Simulación en el Control de Tráfico, una Propuesta para
Ciudad del Este. FPUNE Scientific, (4). Recuperado de http://www.une.edu.py:83/
fpunescientific/index.php/fpunescientific/article/view/35
German Aerospace Center (DLR) & Institute of Transportation Systems. (2015). SUMO
- Simulation of Urban Mobility. SUMO. Recuperado de https://sumo.dlr.de/index.
html
Jacome, L., Benavides, L., Jara, D., Riofrio, G., Alvarado, F., & Pesantez, M. (2018).
A Survey on Intelligent Traffic Lights. In 2018 IEEE International Conference
on Automation/XXIII Congress of the Chilean Association of Automatic Control
(ICA-ACCA) (pp. 1–6). IEEE. DOI: 10.1109/ICA-ACCA.2018.8609705
Jiménez, M., & Sarmiento, I. (2011). Adaptive Control System And Optimization Of
Road Traffic In A Signalizedcorridor Application To The City Of Medellin. Dyna
(Vol. 78). Universidad Nacional de Colombia. Recuperado de https://www.redalyc.
org/html/496/49622390008/
Liu, Y., Liu, L., & Chen, W.-P. (2017). Intelligent traffic light control using distributed
multi-agent Q learning. In 2017 IEEE 20th International Conference on Intelligent
Transportation Systems (ITSC) (pp. 1–8). IEEE. DOI: 10.1109/ITSC.2017.8317730
Nam, T., & Pardo, T. A. (2011). Conceptualizing smart city with dimensions of technology,
people, and institutions. In Proceedings of the 12th Annual International
Digital Government Research Conference on Digital Government Innovation in
Challenging Times - dg.o ’11 (p. 282). New York, New York, USA: ACM Press. DOI:
10.1145/2037556.2037602

RISTI, N.º E19, 04/2019 413

Semáforos inteligentes y tráfico vehicular: un caso de estudio comparativo para reducir atascos y emisiones contaminantes

Natafgi, M. B., Osman, M., Haidar, A. S., & Hamandi, L. (2018). Smart Traffic Light
System Using Machine Learning. In 2018 IEEE International Multidisciplinary
Conference on Engineering Technology (IMCET) (pp. 1–6). IEEE. DOI: 10.1109/
IMCET.2018.8603041
OpenStreetMap Foundation. (2004). OpenStreetMap. OpenStreet Map. Recuperado de
https://www.openstreetmap.org/about
Sánchez, P., y Villa Garzón, F. A. (2009). Modelado y simulación del problema de movilidad
vehicular en un sistema de intersecciones semafóricas. Lámpsakos, (8), 15–22.
Recuperado de https://dialnet.unirioja.es/servlet/articulo?codigo=4490295
Pau, G., Campisi, T., Canale, A., Severino, A., Collotta, M., Tesoriere, G., … Tesoriere, G.
(2018). Smart Pedestrian Crossing Management at Traffic Light Junctions through
a Fuzzy-Based Approach. Future Internet, 10(2), 15. DOI: 10.3390/fi10020015
Petritoli, E., Leccese, F., Pizzuti, S., & Pieroni, F. (2019). Smart lighting as basic building
block of smart city: An energy performance comparative case study. Measurement,
136, 466–477. DOI: 10.1016/J.MEASUREMENT.2018.12.095
Romero, W., Hernández, J. T., Ibarra, J. C., y Ordóñez, S. (2009). Plataforma de
simulación y visualización para el apoyo al análisis y toma de decisiones
en proyectos de movilidad urbana. Revista de Ingeniería. Universidad de
los Andes, Facultad de Ingeniería. Recuperado de https://www.redalyc.org/
html/1210/121013257007/
Shannon, R. E. (1998). INTRODUCTION TO THE ART AND SCIENCE OF SIMULATION.
Proceedings of the 30th Conference on Winter Simulation, 7–14. Recuperado de
https://dl.acm.org/citation.cfm?id=293175
Volkswagen. (2018). Semáforo inteligente, ¿qué es y para qué sirve? Hacemos realidad
el futuro. Recuperado de https://hacemosrealidadelfuturo.es/post/semaforo-
inteligente-que-es-y-para-que-sirve

414 RISTI, N.º E19, 04/2019

 © 2019. This work is published under
https://creativecommons.org/licenses/by-nc-nd/4.0/(the
“License”). Notwithstanding the ProQuest Terms and
Conditions, you may use this content in accordance with the
terms of the License.