Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Recebido/Submission: 25/12/2018
Iberian Journal of Information Systems and Technologies Aceitação/Acceptance: 10/02/2019
1,2,4,5
Universidad Nacional de Loja, 110111, Loja, Ecuador.
3
Universidad Internacional del Ecuador, 110101, Loja, Ecuador.
Pages:403–414
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%;
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
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
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.
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
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-
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
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