CHAPTER ONE
CHAPTER THREE RESEARCH METHODOLOGY
3.9 Validity and Reliability
La proyección del tráfico es una parte integral del proceso de diseño de carreteras,
comenzando desde los estudios de factibilidad de inversión, estructuración de deuda óptima
a fin de conseguir menores tasas, hasta el desarrollo de planes de trabajo futuros.
En cuanto a la recopilación de datos, tarea fundamental en un estudio de proyección de
tráfico (Chrobokdiss) plantea sistemas basados en el conocimiento y la heurística. Son
métodos que descansan en el supuesto de que existen condiciones de tráfico similares en días
similares. Se propone que si todas las influencias en una cierta fecha son conocidas y si
existen mediciones de datos en dichos días con la misma influencia, esta data es utilizada
33
Universidad Técnica Federico Santa María, Departamento de Industrias
cómo una aproximación del nuevo día. Analizando datos históricos sistemáticamente,
subdividiéndolos en eventos tales como:
•
Principio o término de vacaciones escolares.
•
Principio o término de fines de semana largos.
•
Grandes eventos cómo ferias, exhibiciones, eventos deportivos.
•
Áreas de construcción conocidas.
•
Tiempos y periodos cuando mensajes en la ruta indican complicaciones o tomar vías
alternativas.
Incluso dividiendo datos diarios de forma horaria:
•
Noche (21:00-4:00).
•
Periodo de incremento (5:00-7:00).
•
Hora punta mañana (8:00-11:00).
•
Tarde (12:00-15:00).
•
Hora punta tarde (16:00-20:00).
Debido a la no linealidad y estacionalidad del tráfico en carreteras, muchos modelos de
proyección avanzados han sido diseñados para predecir el flujo de tráfico.
Recientemente los modelos de Máquinas de Vectores de Soporte (SVR), que son un tipo
de regresión lineal con curvas no lineales de separación que asegura la equidistancia entre
puntos minimizando el error, representados por funciones Kernel mediante un hiperplano.
Han sido exitosamente aplicados con algoritmos de Búsqueda de Tabú (optimización
matemática) para predecir tráfico mensual en carreteras en Taiwan. (Hong, Wei-Chiang &
Pai, 2016). La búsqueda Tabú es aplicada a la búsqueda de los parámetros del vector de
soporte con prohibiciones basadas en soluciones ya encontradas.
Cabe destacar lo probado por (Hastie et al., 1993), que los métodos de regresión lineal
son preferidos sobre regresiones de Kernel para datos de distribución irregular.
Otro enfoque para los estudios de tráfico son los modelos ARIMA en los casos donde no
existe data suficiente. Para superar este problema existen esquemas de predicción basados en
34
Universidad Técnica Federico Santa María, Departamento de Industrias
técnicas de Filtro de Kalman (KFT), lo cual ya fue propuesto y evaluado en bajo
requerimiento con datos de entrada limitados. (Kumar 2017).
En la literatura (kamarianakis 2005), también se ha utilizado la visión de no presentar
los datos cómo series de tiempo, sino variables compuestas por tiempo y espacio como son
los casos de los modelos STARIMA (modelos de espacio y tiempo autorregresivos
integrados de media móvil), metodología enfocada a representar patrones en el flujo de
tráfico. Los datos de flujo de tráfico representados en forma de series de tiempo espacio
temporales son recolectados en locaciones específicas en intervalos de tiempo constantes.
En el ámbito de inteligencia artificial existen resoluciones a la problemática de flujo de
tráfico, uno de los primeros acercamientos en proyecciones de tráfico a través de técnicas de
regresión no paramétrica fue propuesta por Davis and Nihan (1991), método k-NN (k vecino
más cercano) una visión microscópica de la resolución de los problemas, con variables de
flujo de tráfico agregado por minuto y ocupación de líneas.
Florio y Mussone (1996) utilizan el acercamiento de Redes Neuronales para la
predicción de tráfico con una visión Macroscópica con datos más complejos de entrada a la
red, no sólo número de vehículos, densidad de tráfico y velocidad, sino también porcentaje
de vehículos pesados, iluminación diaria (1 oscuridad, 6 luz brillante), visibilidad(s) desde
s=0 m hasta s > 520 m, tres diferentes condiciones climáticas en la ruta (despejado, lluvia,
nieve/hielo) y el estado de mensajes en la ruta (ausencia, accidente, congestión, niebla).
En la visión de problema de optimización la determinación del transporte y distribución
del viaje de vehículos son determinados bajo un grupo de factores intercorrelacionados. La
simulación de la distribución del tráfico es basada en el principio internacional aceptado de
“modelo de equilibrio de usuarios” (Frank Knight, 1924). Se basa en el hecho de que los
humanos escogen una ruta para minimizar su tiempo de viaje, en el supuesto de que este
comportamiento a nivel individual crea un equilibrio en el sistema o red (optimización
interna), esto es utilizado para desarrollar ecuaciones de restricción y una función objetivo a
optimizar.
Este principio implica que el tiempo utilizado en un viaje depende del tráfico en distintas
secciones de la red de carretera (caminos, rutas) y el conductor escoge rutas de viaje
35
Universidad Técnica Federico Santa María, Departamento de Industrias