Ingeniería de Transporte

Clase 4
 Distribución de viajes

Método por Matriz Origen – Destino

Agenda de Método por Factor de Crecimiento

la clase
Método Gravitacional

Método de Maximización de la Entropía

Modelo
de cuatro
etapas
 Definición: proceso mediante el cual
se determinan el origen y destino de
los viajes generados

Distribución
de viajes La etapa de distribución de viajes
recibe como input la cantidad de
viajes generados y atraídos por zona
en la etapa anterior de generación
Encuesta
Origen Destino

IND 438 – INGENIERÍA DE TRANSPORTE

 1 2 … n

Matrices 1
2
V11 V12
V21 V22
…
…
V1n O1
V2n O2
Origen … … .. … …

Destino n Vn1 Vn2 .. Vnn On

D1 D2 … Dn V

n
Oi =  Vij
n
D j =  Vij
n n
V =  Oi = D j
i =1
j =1 i =1 j =1
Estimación de
matrices OD
Existen varios enfoques
modelación, la mayoría
modelos matemáticos, para
estimar la matriz de
distribución de viajes dentro
de una determinada área de
estudio:
i) Encuestas de Viajes:
muchas celdas vacías y muy
costosas.
Estimación de matrices OD

ii) Métodos de Factor de Crecimiento: consideran que se dispone de una matriz

de viajes obtenida de un estudio previo.
• Factor Uniforme: todos los elementos de la matriz crecen a la misma
tasa
• Factores de Crecimiento Acotados: cada celda de la matriz crece de
acuerdo a información sobre la generación y atracción de viajes de la zona
Estimación de matrices OD

iii) Método Gravitacional

iv) Método de Maximización de la Entropía

*La etapa de Distribución se hace cargo de estimar el número de

viajes realizados durante un determinado período entre todas las
zonas
IND 438 – INGENIERÍA DE TRANSPORTE
Método de Factor de Crecimiento

• Requiere de una matriz de viajes previa

• Factor uniforme: Todos los elementos crecen por igual
• Factor de Crecimiento acotado: Cada celda de la matriz crece de acuerdo a
información sobre la generación y atracción de viajes de la zona
Método de Factor de Crecimiento Uniforme

• Factor de crecimiento uniforme V1ij = t * V0ij para cada par ij

• Donde t es el factor de crecimiento
Método de Factor de Crecimiento Uniforme: ejemplo

Supongamos que tenemos la siguiente matriz Supongamos además que el número de viajes
para un año base aumenta 50% en un período

1 2 3 4 1 2 3 4
1 5 50 100 200 355 1 7.5 75 150 300 532.5
2 50 5 100 300 455 2 75 7.5 150 450 682.5
3 50 100 5 100 255 3 75 150 7.5 150 382.5
4 100 200 250 20 570 4 150 300 375 30 855
205 355 455 620 1635 307.5 532.5 682.5 930 2452.5

El supuesto de que el crecimiento es uniforme es

generalmente no realista, excepto en casos de muy
corto plazo de análisis
Método de Factor de Crecimiento
Simplemente Acotado

Consideremos que existe información del crecimiento de los viajes originados

en cada zona (ti) o alternativamente para viajes atraídos en cada zona
V1ij = ti * V0ij para cada i
V1ij = tj * V0ij para cada j
Donde ti y tj son factores de crecimiento
Método de Factor de Crecimiento:
Simplemente Acotado: Ejemplo

1 2 3 4 Objetivo Oi
1 5 50 100 200 355 400
2 50 5 100 300 455 460
3 50 100 5 100 255 400
4 100 200 250 20 570 702
205 355 455 620 1635 1962

1 2 3 4
1 5,6 56,3 112,7 225,4 400
2 50,5 5,1 101,1 303,3 460
3 78,4 156,9 7,8 156,9 400
4 123,2 246,3 307,9 24,6 702
257,8 464,6 529,5 710,1 1962,0
Método de Factor de Crecimiento

Ventajas:
- Fáciles de entender e implementar
- Rápida convergencia de los resultados
- Razonables en áreas estables y en análisis de corto plazo
- Análisis de Sensibilidad
Desventajas:
- Resultados menos exactos
- Inelásticos ante cambios en la red de transporte (proyectos vials, congestión y/o nuevos
modos de transporte)
- Magnifican irregularidades en los viajes
Método de gravitacional
𝑘 ∙ 𝑃𝑖 ∙ 𝑃𝑗
𝑉𝑖𝑗 = 2
𝑑𝑖𝑗

Dónde:
• Pi ; Pj. : población de la zona i y j
• dij : distancia entre la zona i y la zona j
• k : constante
 Método de gravitacional “mejorado”

Vij = a * Oi * Dj * f(cij) Algunas formas funcionales de f(cij)

f(cij) = exp (-bcij); función exponencial

Dónde:
f(cij) = cij-n función potencial
• O i ; Dj : Origenes y Destinos de la zona i y j
• f(cij) : función del costo viaje entre par ij f(cij) = exp (-bcij) * cij-n función combinada

• a : constante
Método de factor gravitacional
• d → 𝐶𝑖𝑗 “Costo generalizado
del Transporte” 𝑘 ∙ 𝑂𝑖 ∙ 𝐷𝑗
• Incluye: Tiempo de viaje, de 𝑉𝑖𝑗 = 𝑛
𝑐𝑖𝑗
espera, costos, distancia
• La proporcionalidad se hace
respecto de los viajes
generados y atraídos
Método de Maximización de la Entropía
V11 V12 … V1n O1

V21 V22 … V2n O2

¿De cuantas .
formas puedo .
llenar la .
matriz?
Vn1 Vn2 … … Vnn On

D1 D2 …… Dn T
Maximización de la Entropía”
• Considere un sistema hecho de un gran número de elementos
diferentes.Una descripción completa de este sistema requiere
la completa especificación de cada microestado debido a que
son todos diferenciables y separables. (esto podría ser por
ejemplo identificar cada viajero, su origen, su destino, modo,
período del viaje, etc.
• Para casos prácticos es suficiente trabajar con la especificación
de un mesoestado (en el ejemplo el número de viajes entre
cada par origen y destino.
Maximización de la Entropía”
• Si utilizamos un mayor grado de agregación tenemos un
macroestado (siguiendo con el ejemplo el número de viajes
generados y atraídos por cada origen y cada destino).
• En general para obtener datos confiables de viajes realizados es
más fácil hacer observaciones mientras mayor es el grado de
agregación.
• En el mismo sentido, para obtener estimaciones futuras es
mejor hacerlas en un mesoestado, dada la incerteza de las
predicciones a un nivel de menor agregación
Maximización de la Entropía
• En nuestro caso
• Estado Macro: Oi y Dj totales
• Estado Meso: Vij entre cada par O-D
• Estado Micro: O y D para cada usuario
Ejemplo: Estado macro
Zona 1 Zona 2
Zona 1 4
Zona 2 2
3 3 6
Estado meso

Zona 1 Zona 2
Zona 1 1 3 4
Zona 2 2 0 2
3 3 6
Estado Micro
Zona 1 Zona 2
Pedro, Cristián,
Marcela
Zona 1 Milena 4
Zona 2 Adriana 0 2
3 3 6
Ejemplo: Estado macro
Zona 1 Zona 2

Zona 1 2
Zona 2 1
2 1 3
Ejemplo: estados meso posibles

Zona 1 Zona 2 Zona 1 Zona 2

2 0 1 1
Zona 1 2 Zona 1 2

0 1 1 0
Zona 2 1 Zona 2 1
2 1 3 2 1
3
 La más probable es la con mayor estados
micro posibles
Zona 1 Zona 2
Zona 1 2 0 2
Zona 2 0 1 1
2 1 3

Z1 Z2 Z1 Z2 Z1 Z2
Z1 A,B - 2 Z1 A,C - 2 Z1 B,C - 2
Z2 - C 1 Z2 - B 1 Z2 - A 1
Esta matriz tiene mayor cantidad de estados
micros posibles
Zona 1 Zona 2
Zona 1 1 1 2
Zona 2 1 0 1
2 1 3
Maximización de la Entropía
• La base del método es aceptar que, a menos que tengamos
información que implique lo contrario, todos los microestados
consistentes con nuestra información de macroestados que
poseemos, son igualmente probables de ocurrir
• Es posible demostrar (Wilson, 1970)* que el número de
microestados W{Tij} asociados a un mesoestado Tij está dado
por:
𝑇!
𝑊 𝑇𝑖𝑗 =
p𝑖𝑗𝑇𝑖𝑗!

* WILSON, A. G. Entropy in urban and regional modeling. London: Pion, 1970

Maximización de la Entropía

𝑇!
𝑊 𝑇𝑖𝑗 =
p𝑖𝑗𝑇𝑖𝑗!
• Si asumimos que todos los microestados son igualmente
probables, entonces el más probable mesoestado es aquel que
puede ser generado de una mayor núero de formas. Por lo
tanto, lo que tenemos que hacer es identificar valores de Tij
que maximicen W. Por facilidad matemática se adopta el Log,
ya que ambas ecuaciones tienen el mismo máximo
Maximización de la Entropía

𝑇!
log 𝑊 = log ς = log T!-σ𝑖𝑗 log 𝑇𝑖𝑗!
𝑖𝑗 𝑇𝑖𝑗!

Utilizando la aproximación de Sterling X! = X logX - X

log 𝑊 = log T!-σ𝑖𝑗 (𝑇𝑖𝑗 log 𝑇𝑖𝑗 − 𝑇𝑖𝑗)

Maximización de la Entropía

Dado que T! es una constante puede ser eliminada de la maximización

log 𝑊´ =-σ𝑖𝑗 (𝑇𝑖𝑗 log 𝑇𝑖𝑗 − 𝑇𝑖𝑗)

Método de Maximización de la Entropía
∗ −𝛽𝑐𝑖𝑗
• La solución al problema es: 𝑉𝑖𝑗 = 𝐴𝑖 𝑂𝑖 𝐵𝑗 𝐷𝑗 𝑒
−𝜌𝑗
𝐴𝑖 𝑂𝑖 = 𝑒 −𝜇𝑖 𝐵𝑗 𝐷𝑗 = 𝑒

1 1
𝐴𝑖 = −𝛽𝑐𝑖𝑗 𝐵𝑗 = −𝛽𝑐𝑖𝑗
σ𝑗 𝐵𝑗 𝐷𝑗 𝑒 σ𝑖 𝐴𝑖 𝑂𝑖 𝑒
Maximización de la Entropía
• Considere un sistema hecho de un gran número de elementos diferentes.Una
descripción completa de este sistema requiere la completa especificación de cada
microestado debido a que son todos diferenciables y separables. (esto podría ser
por ejemplo identificar cada viajero, su origen, su destino, modo, período del
viaje, etc.
• Para casos prácticos es suficiente trabajar con la especificación de un mesoestado
(en el ejemplo el número de viajes entre cada par origen y destino.
• Si utilizamos un mayor grado de agregación tenemos un macroestado (siguiendo
con el ejemplo el número de viajes generados y atraídos por cada origen y cada
destino).
• En general para obtener datos confiables de viajes realizados es más fácil hacer
observaciones mientras mayor es el grado de agregación.
• En el mismo sentido, para obtener estimaciones futuras es mejor hacerlas en un
mesoestado, dada la incerteza de las predicciones a un nivel de menor agregación
Método de Maximización de la Entropía
• Conocemos el vector de viajes Generados: Oi
• Conocemos el vector de viajes Atraídos: Dj
• Conocemos el total de viajes en el sistema: (Sumatoria de los Oi =
Sumatoria de los Dj = T)
• Seleccionar aquella matriz que es “más probables que ocurra”
• Si todas las posibilidades de que se realice un viaje son las mismas, la
“matriz más probable”, será aquella que tenga una mayor cantidad
de estados posibles
Método de Maximización de la Entropía
• ¿De cuantas formas (estados) puedo llenar la matriz?
• ¿Cuántas matrices factibles puedo construir?
• Es un problema de saber contar: Combinatorias y Factoriales:
N: Cantidad de estados posibles para una
matriz dada
𝑇! T: Cantidad todas de viajes en el sistema
𝑁= Vij: Viajes entre las zonas i y j
ς𝑖 ς𝑗 𝑉𝑖𝑗 !
N = entropía = número de microestados
asociados al mesoestado {Vij}
Método de Maximización de la Entropía
𝑇!
•𝑁 = ς𝑖 ς𝑗 𝑉𝑖𝑗 !

Luego N depende de qué pase, de cómo de llene cada una de

las celdas:

Principio de Entropía (del desorden) : Una matriz que tiene más

combinaciones, más formas de construirse, es más probable
que ocurra
Método de Maximización de la Entropía

• Considerando Viajeros homogéneos , la más probable distribución de

viajes es la que representa un mayor número de reparticiones N
• Suponiento que todos los estados micro son igualmente probables,
la matriz de distribución estará dada por aquel estado macro que
contenga el mayor número de estados micros.
• Luego, la distribución elegida, será aquella que maximice el valor de
N (número de estados)