Table of Contents

Comprender los patrones de congestión de tráfico se ha vuelto cada vez más crítico para los planificadores urbanos, ingenieros de transporte y administradores de ciudades de todo el mundo. A medida que las poblaciones urbanas siguen creciendo y aumentan las tasas de propiedad de los vehículos, la necesidad de métodos sofisticados para recopilar, analizar e interpretar los datos de tráfico nunca ha sido más apremiante. Con la urbanización rápida, el nivel de congestión ha aumentado drásticamente, causando un efecto directo en la calidad de la vida urbana, el medio ambiente y la economía.

La importancia de la recogida de datos de tráfico

Recopilar datos de tráfico es un método crucial que proporciona información esencial para mejorar los proyectos de control de tráfico e infraestructura. A través de estos datos, los especialistas en transportes obtienen una comprensión más profunda de diversos factores, como el número de vehículos, sus clasificaciones, sus velocidades de viaje, y más. La información reunida a través de la recopilación de datos de tráfico sirve múltiples propósitos críticos que se extienden mucho más allá de la simple contabilización de vehículos.

Para los profesionales del transporte, esta información es inestimable para varios fines: determinar los requisitos de transporte, evaluar la eficacia de los sistemas de tráfico, determinar las tendencias vehiculares e informar las opciones basadas en evidencia en el desarrollo de la ciudad. La precisión en la recopilación de datos de tráfico es fundamental en que los datos resultantes sirven de base para la planificación de la infraestructura vial, de carreteras y puentes.

El desarrollo de Sistemas de Transporte Inteligente (ITS) depende en gran medida de la calidad y cantidad de datos de tráfico por carretera. Las ciudades inteligentes modernas dependen de flujos continuos de información de tráfico precisa para tomar decisiones en tiempo real, gestionar dinámicamente la congestión y mejorar la eficiencia general del transporte. Este enfoque basado en datos de la movilidad urbana ha transformado cómo las ciudades abordan la planificación y gestión del transporte.

Métodos de recogida de datos de tráfico tradicional

Los mecanismos de recogida de datos sobre tráfico pueden clasificarse en dos métodos, conocidos típicamente como el método intrusivo y no intrusivo. Entendir estas categorías fundamentales ayuda a los profesionales del transporte a seleccionar el enfoque más adecuado de recopilación de datos para sus necesidades y circunstancias específicas.

Cuentas de tráfico manual

Los recuentos de tráfico manual son la forma más antigua, sencilla y todavía confiable de reunir datos. Este método se basa en observadores humanos que cuentan vehículos en tiempo real en la carretera o revisan video filmaciones más adelante. A pesar de ser intensivos en mano de obra, la contabilidad manual sigue siendo relevante en situaciones específicas donde los sistemas automatizados pueden no ser prácticos o rentables.

Aquí es donde los observadores entrenados reúnen datos de tráfico que no pueden ser recogidos a través de conteos automatizados, por ejemplo, clasificaciones de vehículos y peatones. Un recuento manual puede ser tan básico como alguien haciendo clic en un mostrador para cada vehículo que pasa, o tan detallado como grabar diferentes tipos de vehículos y movimientos de giro en una intersección.

Los observadores también pueden seguir las bicicletas y peatones, haciendo que el manual cuente con flexibilidad y adaptabilidad. Esta versatilidad es especialmente importante en entornos urbanos donde es necesario analizar el transporte multimodal. Sin embargo, la contabilidad manual tiene limitaciones significativas, incluyendo altos costos de trabajo, potencial de error humano, y riesgos de seguridad si el personal está destinado cerca del tráfico de movimiento rápido.

Debido a estas limitaciones, los recuentos manuales suelen estar reservados para estudios a corto plazo, análisis de intersección especial o validación de sistemas automatizados. La verificación de datos se realiza muchas veces mediante la comprobación de los recuentos de intersección cercanos o la realización de recuentos de tráfico manual en la misma área o en la ubicación exacta donde se recopilan los datos.

Métodos de detección intrusiva

El método Intrusivo implica colocar un sensor y registrador de datos en la carretera. Estos métodos requieren instalación física dentro o en la superficie de la carretera, que puede interrumpir el tráfico durante la instalación y mantenimiento, pero a menudo proporciona datos muy precisos.

Tubos neumáticos de carretera

Son tubos de goma colocados a través de carriles para detectar vehículos cuando un neumático de vehículo se mueve sobre el tubo. El pulso de aire se genera, registra y procesa por un contador situado en el lado de la carretera. Tubos de goma estirados a través de la carretera que registra un recuento cada vez que un neumático se roda. Son rentables, portátiles y ampliamente utilizados para estudios a corto plazo.

Los tubos neumáticos se accionan en la superficie de la carretera, perpendicular al flujo de tráfico. Cuando un vehículo conduce sobre un tubo neumático, se libera una ráfaga de presión de aire y se envía a través del tubo. La presión estalla cierra un interruptor de aire, que envía una señal eléctrica al software de conteo. Los tubos son alimentados por baterías, plomo-ácido o gel, haciéndolos fáciles de moverse entre los sitios de contable.

Para capturar datos de clasificación y velocidad, se requiere un segundo tubo para recoger el conteo y espaciamiento de ejes. Sin embargo, los tubos neumáticos tienen una cobertura de carriles limitada y son adecuados para condiciones ideales de clima, temperatura y tráfico. Aunque son grandes para despliegues rápidos, pueden usarse rápidamente, lucha en carreteras de alta velocidad o de alto volumen, y no se diferencian fácilmente entre los tipos de vehículos.

Detectores de bucles inductivos

Los detectores de bucles inductivos son un 'abajo' de alambre aislado instalado en el pavimento. Una unidad de detector pasa una corriente eléctrica a través del alambre de bucle, creando un campo electromagnético. Los bucles se fijan en las carreteras y producen un campo magnético. Funciona mediante la transmisión de información sobre un dispositivo de conteo situado en el lado de la carretera.

Las redes son muy precisas, duraderas y pueden proporcionar datos continuos 24/7, lo que las hace particularmente valiosas para las instalaciones de monitoreo permanente de tráfico en las principales ubicaciones de una red de carreteras.

Los bucles inductivos han sido una tecnología estándar durante décadas y están ampliamente desplegados en intersecciones señalizadas y en carreteras. Económicamente factible, especialmente si los bucles ya están en marcha. Capable de funcionar eficientemente independientemente de las variaciones de iluminación o clima. Los bucles avanzados o dobles pueden medir la velocidad y proporcionar clasificación de vehículos.

Sin embargo, estos sistemas tienen inconvenientes notables. La instalación puede llevar a interrupciones de tráfico y problemas de seguridad potenciales. Vulnerable a daños por infiltración de agua o por carretera regular. Inadecuado instalación o mantenimiento compromete la exactitud de los datos. Además, la esperanza de vida de los bucles de inducción es corta porque pueden ser fácilmente destrozados por vehículos pesados. Limitaciones en la detección de vehículos con menor contenido de metal, como motocicletas.

Sensores piezoeléctricos

Este engranaje puede incluir típicamente tubos neumáticos de carretera, una inducción o un bucle magnético, y sensores piezoeléctricos. Los sensores piezoeléctricos generan cargas eléctricas cuando se someten a estrés mecánico, haciéndolos efectivos para detectar la presencia y el peso del vehículo. Estos sensores a menudo se incrustan en el pavimento y pueden proporcionar datos valiosos para aplicaciones de peso en movimiento y clasificación de vehículos.

Métodos de detección no intrusiva

Los métodos no intrusos de recogida de datos de tráfico implican observaciones remotas. Consiste en los siguientes componentes factoriales en la recopilación de datos de tráfico: cuenta manual, pasivo, infrarrojos activos, magnético pasivo, radar de microondas, acústico ultrasónico y pasivo, y detección de imágenes de vídeo. Estos métodos ofrecen ventajas significativas en términos de facilidad de instalación y requisitos de mantenimiento.

Los sensores no intrusos son mucho más fáciles de instalar, acceder y mantener, lo que los hace cada vez más atractivos para los sistemas modernos de gestión del tráfico, especialmente cuando se implementan sensores en grandes redes o en lugares donde el trabajo por carretera sería disruptivo o costoso.

Detección de imágenes de vídeo

Los sistemas de detección de imágenes de vídeo utilizan cámaras montadas arriba o al lado de las carreteras para capturar el flujo de tráfico. Los algoritmos avanzados de visión de la computadora procesan las secuencias de vídeo para extraer datos de tráfico, incluyendo los conteos de vehículos, velocidades, clasificaciones y tasas de ocupación.

A menudo se están transfiriendo de métodos manuales o análogos para adoptar la Inteligencia Artificial para automatizar sus procedimientos de contabilidad. Esta transición representa un avance significativo en las capacidades de reunión de datos de tráfico, lo que permite un análisis más sofisticado y el procesamiento en tiempo real de escenarios de tráfico complejos.

Cámaras de imágenes térmicas

Cámaras térmicas, utilizando algoritmos dedicados, detectan firmas de calor y procesan automáticamente y recopilan datos de tráfico cuando un vehículo o peatón entra en su zona de detección. Estas cámaras están diseñadas específicamente para reconocer y clasificar vehículos, peatones y bicicletas basados en sus firmas de calor, e incluso pueden medir la velocidad.

Como VID, cuando un vehículo o peatón entra en una zona de detección de cámaras térmicas, los datos de tráfico se procesan y recogen automáticamente según algoritmos dedicados. Las cámaras térmicas detectan firmas de calor, permitiéndoles detectar con precisión vehículos, peatones y bicicletas mientras miden velocidad. Basándose en la firma de calor, los vehículos se detectan y clasifican en consecuencia.

A diferencia de VID, la imagen térmica funciona mejor de noche y en condiciones de poca luz, como cuando hay niebla o cuando los peatones están oscurecidos por sombras. Esto hace que las cámaras térmicas sean particularmente valiosas para el monitoreo 24/7 en condiciones ambientales difíciles donde los sistemas de vídeo tradicionales podrían luchar.

Radar Technology

La tecnología Radar es relativamente nueva para los datos de tráfico, pero ofrece mucha más información y precisión que los métodos anteriores. Hay dos tipos principales de radar: doppler y FMCW. Los sensores de radar Doppler transmiten señales de microondas y cuando hay movimiento de vehículos, la frecuencia de los cambios de señal reflejados, permitiendo que los sensores detecten la presencia y la velocidad de un vehículo.

Los radares FMCW transmiten una señal y, en la recepción, miden las diferencias en fase o frecuencia. Los sensores de radar pueden determinar la longitud del vehículo y utilizar los datos para clasificar con precisión los vehículos. Esto permite que los sensores de radar ofrezcan más clases que los métodos anteriores, incluidos los peatones y las bicicletas.

Hay dos tecnologías de radar de tráfico primario: de cable lateral y de cableado. Ambos utilizan el radar para detectar la presencia de vehículos en movimiento en la carretera y son capaces de clasificar vehículos basados en mediciones de longitud de vehículo. El radar de fijación lateral se instala al lado de la carretera, y envía un rayo de radar a través de la carretera, perpendicular al flujo de tráfico. Mientras que los radares de fijación lateral pueden recoger datos de cuenta y clasificación, se necesitan doble velocidad para ordenar.

Sensores infrarrojos

Este mecanismo de recogida de datos de tráfico emplea energía infrarroja alrededor del área de detección para registrar la presencia de velocidad y el tipo de coches que pasa. Sus deficiencias incluyen el hecho de que no puede realizar en mal tiempo y tiene cobertura de carriles limitados. A pesar de estas limitaciones, los sensores infrarrojos pueden ser eficaces en aplicaciones específicas donde las condiciones ambientales son favorables.

Sensores magnéticos

Los sensores magnéticos se colocan bajo o arriba del fondo de carreteras, lo que le permite contar el número de vehículos, velocidad y tipo de vehículo. La arquitectura del sistema tiene una fuerte extensibilidad y bajo costo de montaje, mantenimiento y operación que es adecuado para el monitoreo del tráfico urbano. Estos sensores detectan perturbaciones en el campo magnético de la Tierra causadas por vehículos que pasan, ofreciendo una alternativa menos invasiva a los circuitos inductivos tradicionales.

Tecnologías emergentes en la recogida de datos de tráfico

Las agencias de transporte utilizan muchos métodos tradicionales de reunión de datos (por ejemplo, conteos manuales, tubos neumáticos, sensores en la carretera, sensores de radar) así como métodos emergentes de reunión de datos (por ejemplo, sistemas de aeronaves no tripulados, datos de sonda, detección y procesamiento de imágenes de vídeo) para la recopilación de datos de tráfico.

Datos de GPS y flotante de coches

Actualmente, la recogida de datos de tráfico a través de teléfonos móviles y GPS In-Vehicle se ha convertido en una fuente alternativa de reunión de datos que puede proporcionar información precisa en tiempo real sobre una red de carreteras grande y superar algunos problemas relacionados con detectores fijos. Esto representa un cambio de paradigma en la forma en que se recopilan los datos de tráfico, pasando de mediciones de puntos fijos a cobertura en toda la red.

Por lo general, la información de tráfico como la velocidad del vehículo o el flujo de tráfico se recoge a través de detectores fijos situados a lo largo de la red de carreteras en puntos estratégicos. Sin embargo, estos detectores fijos proporcionan sólo una cobertura espacial limitada. En cambio, los sistemas basados en GPS pueden rastrear vehículos continuamente a través de redes de carreteras enteras, proporcionando cobertura integral sin necesidad de una instalación de infraestructura extensa.

Este enfoque se adapta especialmente para ofrecer información relativamente precisa en las zonas urbanas (donde más se necesitan los datos de tráfico) debido a la menor distancia entre las antenas. La infraestructura de red celular que soporta la recopilación de datos basados en teléfonos móviles ya está ampliamente desplegada en las zonas urbanas, lo que hace que este enfoque sea muy rentable para las ciudades.

Este estudio utiliza el método Floating Car Data para encontrar la congestión de tráfico y el grado en que los grupos de congestión observados son una representación significativa de los patrones de congestión dentro de una red de carreteras urbanas más extensa. Los datos de flotación de vehículos han demostrado ser particularmente valiosos para entender los patrones de congestión en grandes áreas geográficas.

Reconocimiento automático de placas de número (ANPR)

ANPR o LPR es una tecnología especializada que emplea reconocimiento de caracteres ópticos para leer e interpretar automáticamente placas de registro de vehículos. Dentro de la esfera de la recopilación de datos de tráfico, ANPR juega un papel vital. Esta tecnología se extiende más allá de la simple contabilización de vehículos para permitir un seguimiento y análisis sofisticados.

ANPR en la recopilación de datos de tráfico sirve un doble propósito. Más allá del mero conteo de vehículos, proporciona la habilidad única para identificar vehículos individuales a través de sus placas de registro. Esta identificación permite un análisis profundo, como determinar la frecuencia de la presencia de un vehículo en un lugar específico. Por lo tanto, se puede discernir si el tráfico comprende nuevos vehículos cada vez o representa patrones recurrentes, ofreciendo información sobre la regularidad y los hábitos en movimiento vehicular.

Los sistemas ANPR permiten estudios de destinación de origen, mediciones de tiempo de viaje entre puntos, identificación de viajeros regulares contra viajeros ocasionales. Este nivel granular de datos soporta aplicaciones de análisis y planificación de tráfico sofisticados que serían imposibles con métodos tradicionales de conteo.

Datos de vehículos conectados

Urban SDK ayuda a las agencias a modernizar su recopilación de datos de tráfico combinando con los contados tradicionales con información de vehículos conectados con GPS. Este enfoque híbrido garantiza una cobertura fiable en todas las redes de carreteras, sin el costo o las limitaciones de los métodos manuales. La tecnología de vehículos conectados representa el futuro de la recopilación de datos de tráfico, aprovechando los propios vehículos como sensores móviles.

Los recuentos manuales siguen siendo una herramienta útil para ciertas situaciones, pero las tecnologías automatizadas están transformando la forma en que las agencias monitorean los volúmenes de tráfico. Desde contadores simples tubos hasta datos avanzados de vehículos conectados, la combinación adecuada de métodos garantiza la precisión, eficiencia y escalabilidad. La integración de múltiples fuentes de datos crea una comprensión más robusta y completa de las condiciones de tráfico que cualquier método único podría proporcionar solo.

Técnicas de Interpretación y Análisis de Datos

Recopilar datos de tráfico es sólo el primer paso en entender patrones de congestión. El valor real emerge a través de un análisis sofisticado e interpretación de la información recolectada. El análisis moderno de tráfico emplea una amplia gama de técnicas de estadística, computacional y visualización para extraer información significativa de datos brutos.

Métodos de análisis estadístico

La fundación de TCP se estableció utilizando métodos de análisis estadístico, que proporcionan recursos para simular y prever patrones de flujo de tráfico. Estas técnicas utilizan datos pasados para encontrar estacionalidad, tendencias y otras tendencias significativas en los ITS. Los métodos estadísticos siguen siendo fundamentales para el análisis de tráfico a pesar de la aparición de técnicas computacionales más avanzadas.

La predecir el flujo de tráfico ha sido un campo importante de investigación desde los años 70. Los primeros esfuerzos en la predicción de la congestión de tráfico se basaron principalmente en modelos estadísticos (o paramétricos), debido a su simplicidad e interpretación. Estos modelos de estructura fija utilizaron datos empíricos para capacitar sus parámetros. Análisis de series temporales, modelos de regresión y otros enfoques estadísticos siguen proporcionando valiosas ideas, especialmente para comprender las tendencias a largo plazo y los patrones estacionales.

Reconocimiento de la computación y el patrón

El análisis de las pautas de congestión de tráfico que van en el tiempo es necesario para formular estrategias de gestión eficaces. Los métodos de cálculo han surgido como instrumentos poderosos para identificar y clasificar diferentes tipos de patrones de congestión de grandes conjuntos de datos.

Este trabajo pretende reconocer los patrones de congestión de tráfico de la red urbana de carreteras basados en el índice de rendimiento del tráfico (TPI) de 699 días en 2018, 2019 y 2021 en Beijing. El método de autoorganización de mapas (SOM) mejorado por un algoritmo de determinación de número de agrupación automático se propone a los patrones de congestión de racimo basados en TPI que varia el tiempo.

El análisis de la agrupación, método de aprendizaje automático no supervisado, se utilizó para agrupar segmentos de carreteras en grupos basados en sus patrones de velocidad. Esta investigación tiene como objetivo tratar el patrón de velocidad mediante conjunto de datos basados en 24 horas, tratando de reflejar la tendencia de volatilidad mediante agrupación. Se propone un marco analítico que combina el método de agrupación y la regresión espacial para cubrir la escasez de dos veces transformación para la congestión y el análisis cuantitativo.

Las fechas con las mismas características de cambio de congestión se definen como tener el mismo patrón de congestión de tráfico en este documento. Debido a la regularidad de viaje de los residentes, la congestión de tráfico se puede dividir en patrones limitados típicos. El patrón de congestión de tráfico se puede identificar analizando la regla de congestión de tráfico en la red de carreteras entre diferentes días.

Aprendizaje de la máquina y enfoques de aprendizaje profundo

Esto permite aplicar Machine Learning (ML) y Deep Learning (DL), que son enfoques de vanguardia que proporcionan una mejor fiabilidad, cuando producen y generan predicciones de flujo de tráfico. Por consiguiente, reconocer y prever patrones subyacentes de congestión de tráfico se han vuelto esenciales, con Traffic Congestion Prediction (TCP) emergendo como una área de estudio cada vez más significativa.

Utilizando una gama de técnicas y métodos, la predicción de la congestión de tráfico (TCP) tiene como objetivo prever futuros patrones de tráfico. La información proporcionada por estas previsiones es crucial para los responsables de la toma de decisiones en varias industrias, incluyendo negocios, gobierno, utilidades y ciudades inteligentes. Hay muchas maneras efectivas de predecir la congestión de tráfico, y para obtener el mejor rendimiento predictivo, con la mayoría de ellos utilizando un modelo DL, como un árbol de tipo Recurrente (RNN).

Proponemos algoritmos eficientes en toda la ciudad: (i) análisis de patrones de congestión de tráfico basados en procesamiento de imágenes (TCPIP) y (ii) una red de predicción de índices de congestión de red con base en autoencoder profundo (CIPNet). En este trabajo, proponemos (i) un algoritmo de análisis de congestión de tráfico inexpensivo y eficiente basado en procesamiento de imágenes, que identifica el grupo de carreteras en una red temporal

Mapas de velocidad 3D y análisis de espaciotemporal

En este trabajo presentamos un algoritmo que desvela directamente las dinámicas de tráfico tanto en el espacio como en el tiempo. Para ello, determinamos por primera vez qué método de agrupación es el más eficiente para agrupar todas las observaciones de velocidad de enlace dependientes del tiempo en mapas de velocidad 3D, donde consideramos la homogeneidad intracluster y los criterios de disimilaridad intercluster, así como los tiempos computacionales para determinar el número óptimo de los grupos.

En este trabajo, investigamos la regularidad cotidiana de los patrones de congestión urbana. Primero, particiones vinculamos datos de velocidad cada 10 min en los racimos 3D que proponen un bosquejo parsimonioso del pulso de congestión. Luego reunimos días con patrones similares y utilizamos métodos de agrupación de consenso para producir un patrón global único que se ajuste a varios días, descubriendo la regularidad día a día.

Mostramos que la red de Ámsterdam durante 35 días puede sintetizarse en sólo 4 mapas de velocidad 3D con 9 clusters. Esto allana el camino para un método sistemático de vanguardia para las predicciones de tiempo de viaje en las ciudades. Al igual que la observación actual a los mapas de velocidad 3D consensual históricos, diseñamos un método eficiente en tiempo real que predice con éxito 84% viajes con un margen de error por debajo del 25%.

Análisis de base de Gráficos Causales

Este documento presenta un marco novedoso para la representación interpretable y la recuperación personalizable de patrones de congestión de tráfico utilizando gráficos de relación causal, que aprovecha muchas de estas oportunidades. Al integrar conocimiento de dominio con técnicas innovadoras de gestión de datos, abordamos los retos de manejar y recuperar eficazmente el creciente volumen de datos de tráfico para diversos fines analíticos. El marco aprovecha gráficos causales para codificar patrones de congestión de tráfico, capturando fenómenos dinámicos y su espatio.

Los fenómenos típicos del tráfico incluyen cuellos de botella de congestión, tráfico transitorio, oscilaciones de tráfico (olas de alto y alto), congestión homogénea, etc. Entendiendo estos fenómenos fundamentales del tráfico y sus relaciones causales permite un análisis más sofisticado y la predicción de patrones de congestión.

Cluster dinámico para el análisis en tiempo real

Para abordar esto se propone una metodología dinámica de agrupación de datos de trayectoria vehicular que puede proporcionar una representación precisa del estado de tráfico. Se recogieron datos para la ciudad de San Francisco, se aplicó un algoritmo de agrupación dinámica y luego se aplicó un indicador para identificar áreas con con congestión de tráfico.

La metodología dinámica de agrupación se basa en su capacidad de adaptarse a las variaciones de la distribución de datos. La Figura 8a muestra cómo se ajustó la hiperbox de forma flexible y precisa para abarcar segmentos de carreteras, capturando efectivamente las variaciones de densidad y forma de los racimos a medida que evolucionaron los datos, como se puede ver en la Figura 8b. Además, esta metodología demostró una clara ventaja en la selección de segmentos de carreteras sujetos a variaciones en flujo vehicular y densidad de tráfico.

Comprendiendo tipos de patrón de congestión

La congestión de tráfico se manifiesta en diversos patrones dependiendo del tiempo del día, día de la semana, factores estacionales y eventos especiales. Reconocer y clasificar estas pautas es esencial para desarrollar estrategias de gestión eficaces.

Patrones de congestión temporal

Los patrones de lunes y días de semana congestionados tienen un pico de la mañana prominente, mientras que los patrones de viernes, días de semana ordinarios, y días de semana de vacaciones de invierno y verano tienen un pico de noche prominente. Los sábados, domingos y festivales son menos congestionados que los patrones de semana. Estas variaciones temporales reflejan el comportamiento de viaje subyacente de las poblaciones urbanas y deben ser contabilizados en las estrategias de gestión del tráfico.

Los viajeros suelen tener en cuenta el modo de viaje y el tiempo de viaje más que el camino de viaje en el sistema de transporte multimodal. La condición de congestión de tráfico en el área de destino o incluso toda la red de carreteras es información de referencia importante para los viajeros. Afectado por diferentes propósitos de viaje los días de semana, fines de semana y días festivos, la congestión de tráfico diario presenta diferentes características.

Recurrir vs. Congestión no recurrente

El algoritmo TCPIP genera el patrón de mapa de congestión en toda la ciudad para cualquier período (como la hora de la mañana o la tarde, mediodía, etc.); muestra la probabilidad de que ocurran interferencias de tráfico en cada carretera en una red de transporte monitoreando los patrones de los datos históricos. Distinguir entre la congestión recurrente ( patrones predictibles basados en la conmutación regular) y la congestión no recurrente (causado por incidentes, eventos críticos, tiempo, o especiales).

Desarrollamos un algoritmo de patrón de congestión de tráfico eficiente en toda la ciudad basado en el procesamiento de imágenes. El algoritmo genera el mapa que muestra las partes de la red vial que sufren de alta congestión recurrente. Identificar lugares con congestión recurrente permite mejoras de infraestructura proactivas e intervenciones de gestión de tráfico.

Clasificación de la Severidad de Congestión

Desarrolló un sistema de indicadores de clasificación integral, incluyendo el amplio grado de red vial, flujo de tráfico, velocidad y ocupación, que dividió el estado de tráfico en un estado fluido, estado fluido básico, ligera congestión, congestión moderada y congestión severa basada en el método mejorado de agrupación FCM. Los sistemas de clasificación estandarizados permiten una comunicación coherente sobre las condiciones de tráfico y apoyan la toma de decisiones automatizada en sistemas de transporte inteligente.

Estatus de tráfico divididos en congestión grave, congestión moderada, congestión leve y ninguna congestión basada en el índice de tiempo de extinción (QTI), y los umbrales para diferentes niveles se obtuvieron utilizando el método de análisis de racimo para describir el estado de tráfico de una intersección señalizada. Diferentes métricas y umbrales pueden ser apropiados para diferentes contextos, tales como autopistas versus arteriales urbanas versus intersección.

Aplicaciones de análisis de datos de tráfico

El valor final de la recopilación y análisis de datos de tráfico reside en sus aplicaciones prácticas para mejorar los sistemas de transporte y la movilidad urbana. La gestión moderna del tráfico aprovecha los conocimientos basados en datos en múltiples horizontes de tiempo y dominios de aplicaciones.

Gestión de tráfico a corto plazo

Los datos de tráfico en tiempo real permiten estrategias de gestión dinámicas que responden a las condiciones actuales. Los centros de gestión del tráfico vigilan los datos en vivo alimentados por diversas fuentes para detectar incidentes, identificar desarrollar congestión y aplicar medidas de respuesta.

La recopilación de datos sobre tráfico es el proceso de recogida, examen, interpretación y almacenamiento de información sobre segmentos de las carreteras y carreteras. Se utilizan cuatro formas principales de reunión de datos sobre tráfico, que abarcan desde decisiones operacionales inmediatas hasta la planificación estratégica a largo plazo.

Estudiar cómo el tráfico fluye a través de áreas específicas y las condiciones de aceleración en ciertos segmentos de carreteras ayuda a las agencias a hacer ajustes para reducir el riesgo y la tasa de incidencias de accidentes. Por ejemplo, en una zona con flujo de tráfico regular y pesado y donde una intersección señalizada es problemática, los datos de tráfico pueden ayudar a determinar si una rotonda sería la solución más útil y segura.

Optimización de la instalación de señales

Los datos de los vehículos y de clasificación proporcionan a las agencias de tráfico información valiosa sobre el uso y ocupación de las carreteras. Conocer cuántos vehículos están utilizando las carreteras, y en qué momento, es vital para la planificación y operaciones de tráfico, como el tiempo de señalización. Datos de clasificación permite a las agencias entender cómo los vehículos están utilizando la carretera, como áreas con tráfico pesado de camiones o autobuses, y planificar las carreteras basadas en los usuarios.

Los sistemas de control de señales adaptativos utilizan datos de tráfico en tiempo real para ajustar continuamente los tiempos de señal basados en la demanda actual, maximizar la rendimiento y minimizar los retrasos. El análisis de datos históricos ayuda a establecer planes de cronograma de referencia para diferentes tiempos de día y días de semana, mientras que los ajustes en tiempo real responden a variaciones de patrones típicos.

Planificación y diseño de infraestructura

Estamos realizando conteos de tráfico a petición del Gobierno local para examinar las condiciones de tráfico existentes. Esta información de encuesta se recopila periódicamente para que el Gobierno comprenda cómo el tráfico está creciendo o reduciendo las carreteras. Esta información se utiliza para realizar proyecciones de largo alcance para mejorar las carreteras, para reasegurar las carreteras, reembolsadas por el Gobierno Federal de los ingresos fiscales de gas.

Los datos de tráfico a largo plazo apoyan las decisiones de planificación de capital sobre dónde construir nuevas carreteras, añadir carriles, construir intercambios o aplicar otras mejoras importantes de infraestructura. Entendir las tendencias de crecimiento y las proyecciones de la demanda futura es esencial para la inversión en infraestructura eficaz en función de los costos.

Estudios y Análisis de Seguridad de la Zona de Velocidad

Los estudios de zona de velocidad recopilan datos para ayudar a identificar problemas de seguridad vial y luego establecen límites de velocidad adecuados para segmentos específicos de esas carreteras. Los datos recopilados pueden incluir, pero no limitarse a, informes de accidentes, número de vehículos que pasan por ese segmento durante un período determinado, variaciones de velocidad y otros puntos de flujo de tráfico.

El análisis de seguridad combina datos de volumen de tráfico con registros de choque para identificar ubicaciones de alto riesgo y evaluar la eficacia de contramedidas de seguridad. Estudios anteriores y posteriores miden el impacto de intervenciones como nuevas señales, mejor señalización o modificaciones geométricas.

Predicción del tiempo de viaje y Información del viajero

Los estudios de MTTCP muestran horizontes de tiempo que van desde 30 min hasta varias horas por delante, y su propósito es ayudar en estrategias de control de tráfico, gestión de congestión y asignación de recursos. Comparado con STTCP, MTTCP requiere un equilibrio entre la resolución temporal y la eficiencia computacional, con la implementación del modelo que necesita tener en cuenta los patrones temporales y posiblemente los ciclos de tráfico diarios.

Las predicciones precisas del tiempo de viaje permiten a los viajeros tomar decisiones informadas sobre los tiempos de salida, la selección de rutas y la elección de modos. Las aplicaciones de navegación dependen de las condiciones de tráfico en tiempo real y predicho para proporcionar recomendaciones óptimas de enrutamiento.

Política y Planificación a largo plazo

El horizonte temporal de LTTCP va desde varias horas hasta días o incluso semanas por delante. El objetivo de LTTCP es apoyar la planificación de infraestructura, la formulación de políticas, la planificación de eventos y estrategias de gestión de tráfico a largo plazo. Las características de LTTCP incluyen una resolución temporal baja con enfoque en tendencias más amplias, en lugar de fluctuaciones inmediatas. Además, a menudo requiere considerar variables como tendencias estacionales, factores económicos y eventos previstos.

Este método es útil para la gestión del tráfico en términos de tomar decisiones según diferentes patrones de congestión. Comprender las tendencias a largo plazo apoya decisiones políticas sobre uso de la tierra, inversiones en tránsito, gestión de estacionamientos y otras iniciativas estratégicas que dan forma a los sistemas de transporte urbano durante décadas.

Desafíos y consideraciones en la recopilación de datos sobre tráfico

Si bien las tecnologías modernas de reunión de datos sobre tráfico ofrecen capacidades sin precedentes, también presentan diversos desafíos que deben abordarse para garantizar la calidad de los datos y la utilización eficaz.

Calidad de los datos y precisión

Los datos son tan buenos como el método que se utilizó para recogerlo. Nada podría ser más cierto cuando se trata de tráfico. Asegurar la exactitud de los datos requiere calibración de sensores cuidadosos, mantenimiento regular y validación contra mediciones de la verdad terrestre.

Aunque existen diversos métodos para reunir estos datos, difieren mucho en la recopilación y precisión. Las distintas tecnologías tienen diferentes puntos fuertes y débiles, y la comprensión de estos intercambios es esencial para seleccionar métodos apropiados para aplicaciones específicas.

La práctica óptima es utilizar una combinación de métodos para que las ciudades tengan el mejor perfil de quién y qué utiliza sus carreteras. La línea inferior es que no hay un método perfecto para recopilar datos – algunos métodos son más apropiados para ciertas condiciones y aplicaciones que otros. Un enfoque multimodal de la recopilación de datos proporciona redundancia y permite la validación cruzada entre diferentes fuentes.

Costos de instalación y mantenimiento

Estas son las formas más convencionales (y tradicionales) de recopilar datos de tráfico. El problema es que son costosos y disruptivos para instalar y mantener, y algunos pueden ser incorrectos o no operativos en cualquier momento. Sin embargo, son una parte importante de la recopilación de datos de tráfico en la que muchas ciudades todavía dependen.

Los sensores intrusivos, especialmente considerando que los volúmenes de tráfico han aumentado con el tiempo, no son el futuro de la vigilancia del tráfico y la recopilación de datos. Son mucho por recorrer desde la perspectiva de un contribuyente y conductor local para una calidad no tan alta de datos desde la perspectiva del municipio. Sin embargo, hasta las innovaciones de los últimos 20 años, estos sensores fueron todo lo que teníamos. El cambio hacia las consideraciones no intrusivas y probe-bas.

Cobertura y escalabilidad

Las instalaciones fijas, como bucles inductivos, sistemas de vigilancia de tráfico y radares de microondas, se utilizan comúnmente para la detección de tráfico por carretera y la recogida de datos, incluyendo la velocidad de tráfico, el volumen de tráfico, la densidad y la clasificación de vehículos. Sin embargo, tales instalaciones son costosas y en su mayoría sólo sirven intersecciones o autopistas.

Para lograr una cobertura integral de la red con sensores fijos tradicionales sería necesario invertir en forma prohibitiva. Los métodos de recopilación de datos basados en sondeos ofrecen una solución aprovechando los dispositivos móviles existentes y los vehículos conectados para proporcionar cobertura en redes de carreteras enteras sin infraestructura específica en cada lugar.

Limitaciones ambientales y operacionales

Sin embargo, las grandes carreteras multi-lane proporcionan inconvenientes ya que los sensores de la carretera no podrían detectar el tráfico en las vías más alejadas. Esto es particularmente el caso cuando las semis grandes utilizan el carril más exterior y obstruye la línea de visión de los sensores. En términos generales, cuanto más alto está ubicado el sensor, menor es la oclusión y mejor punto de vista tiene que monitorear el tráfico.

Las condiciones meteorológicas, las variaciones de iluminación y las obstrucciónes físicas pueden afectar el rendimiento de los sensores. Los sistemas de monitoreo de tráfico robustos deben tener en cuenta estos factores ambientales y emplear tecnologías apropiadas para las condiciones locales.

Procesamiento de datos y almacenamiento

están lejos de ser triviales ya que implica la reconstrucción de la red de carreteras y celulares dentro de un sistema de cartografía digital y el manejo de un gran volumen de información. Los sistemas modernos de monitoreo de tráfico generan enormes volúmenes de datos que deben ser procesados, almacenados y analizados eficientemente.

Una de las debilidades de esta tecnología es que la transmisión continua de la velocidad de un gran número de vehículos genera una carga pesada importante en los canales de transmisión y por lo tanto constituye un factor costo significativo en el uso de un sistema de comunicaciones basado en tarifas. Por ello, sería preferible transmitir datos comprimidos en lugar de valores individuales al centro responsable de la recopilación y el proceso de datos de tráfico.

Mejores prácticas para los programas de recogida de datos de tráfico

Los programas de recogida de datos de tráfico exitosos requieren una planificación cuidadosa, una selección adecuada de tecnología y una gestión de calidad continua. Los organismos de transporte deben considerar varios principios fundamentales al desarrollar o mejorar sus capacidades de reunión de datos.

Definir los objetivos claros

La recopilación de datos es un paso crítico en el proceso de análisis. Saber qué recopilar, cuándo recopilar, cuánto tiempo recopilar, dónde recopilar, y cómo gestionar los datos deben ser abordados antes de iniciar la colección. Diferentes aplicaciones requieren diferentes tipos de datos con diferentes niveles de resolución espacial y temporal.

Antes de invertir en la infraestructura de reunión de datos, los organismos deben identificar claramente sus necesidades analíticas y utilizar los casos. ¿Los datos apoyarán operaciones en tiempo real, estudios de planificación, análisis de seguridad o medición del desempeño? Las respuestas a estas preguntas guían las estrategias de selección y despliegue de tecnología.

Implementar procedimientos de garantía de calidad

La calibración, validación y mantenimiento regulares son esenciales para garantizar la calidad de los datos con el tiempo. Los controles de calidad automatizados pueden marcar datos anómalos para su revisión, mientras que la validación manual periódica confirma que los sistemas automatizados están realizando correctamente.

Comparar datos de múltiples fuentes ayuda a identificar y corregir errores. Cuando surgen discrepancias entre diferentes métodos de medición, la investigación puede revelar fallos de sensores, problemas de calibración u otros problemas que requieren atención.

Proveedor de múltiples fuentes de datos

Incluso si aún se necesitan más desarrollos, ambos tipos de fuentes - fijas y móviles - son ampliamente utilizados por varios proveedores de servicios en todo el mundo para proporcionar a los usuarios información de tráfico en tiempo real de alta calidad. Combinar sensores fijos tradicionales con fuentes de datos emergentes basadas en sonda crea un sistema de monitoreo más completo y resistente.

Las diferentes fuentes de datos se complementan entre sí y compensan las debilidades. Los sensores fijos proporcionan mediciones de puntos muy precisas, mientras que los datos de sonda ofrecen una amplia cobertura espacial. Integrar estas fuentes a través de técnicas de fusión de datos produce mejores resultados que cualquiera de las fuentes solas.

Invertir en la infraestructura de gestión de datos

Los datos son recopilados por centros de control de tráfico, refinados y difundidos a los usuarios por centros de información sobre tráfico en la mayoría de los países de la UE. La gestión eficaz de datos requiere sistemas sólidos para la reunión, almacenamiento, procesamiento, control de calidad y difusión de datos.

Las plataformas basadas en la nube apoyan cada vez más la gestión de datos de tráfico, ofreciendo escalabilidad, accesibilidad y capacidades analíticas avanzadas. Las interfaces de programación de aplicaciones (API) permiten compartir datos con organismos asociados, investigadores y desarrolladores de aplicaciones de terceros, maximizando el valor de los datos recopilados.

Plan para la sostenibilidad a largo plazo

Los programas de recogida de datos sobre tráfico requieren financiación continua para el mantenimiento, sustitución y actualizaciones de equipo. La tecnología evoluciona rápidamente y los sistemas desplegados hoy pueden quedar obsoletos dentro de una década. Las agencias deben desarrollar planes financieros a largo plazo que representen los costos del ciclo de vida, no sólo la inversión inicial de capital.

La capacitación del personal y la gestión de los conocimientos son igualmente importantes, ya que el personal cambia con el tiempo, los conocimientos institucionales sobre los sistemas y procedimientos de reunión de datos deben conservarse mediante la documentación, los programas de capacitación y los procesos de transferencia de conocimientos.

Tendencias futuras en la recopilación y análisis de datos sobre tráfico

El campo de la recopilación de datos de tráfico y el análisis de congestión sigue evolucionando rápidamente, impulsado por la innovación tecnológica y los paradigmas de transporte cambiantes. Varias tendencias emergentes probablemente darán forma al futuro de este dominio.

Inteligencia Artificial y Análisis Avanzado

Los modelos de aprendizaje profundo pueden extraer patrones complejos de conjuntos de datos masivos, permitiendo predicciones más precisas y una visión más profunda de la dinámica del tráfico. Los avances de la visión informática permiten la extracción automatizada de información detallada de las secuencias de vídeo, incluyendo los tipos de vehículos, los movimientos peatonales y los eventos casi perdidos.

A medida que estas tecnologías maduran, permitirán aplicaciones cada vez más sofisticadas, como la detección automática de incidentes, el mantenimiento predictivo de infraestructura de tráfico y los servicios de información de viajeros personalizados adaptados a las preferencias individuales y las pautas de viaje.

Vehículos conectados y autónomos

El creciente despliegue de vehículos conectados crea nuevas oportunidades para la recogida de datos de tráfico. Los vehículos equipados con vehículos a infraestructura (V2I) y capacidades de comunicación de vehículos a vehículos (V2V) pueden compartir información en tiempo real sobre su velocidad, ubicación y condiciones de funcionamiento.

A medida que los vehículos autónomos se vuelven más frecuentes, generarán corrientes de datos aún más ricas sobre las condiciones de la carretera, las pautas de tráfico y el rendimiento de la infraestructura. Estos datos pueden apoyar tanto las decisiones operacionales inmediatas como las mejoras de planificación y diseño a largo plazo.

Integración con Smart City Platforms

La recopilación de datos sobre tráfico se integra cada vez más con iniciativas más amplias de ciudades inteligentes que combinan información de múltiples sistemas urbanos. Integrar datos de tráfico con información sobre tránsito público, estacionamiento, clima, eventos especiales y otros factores permite una gestión más holística de la movilidad urbana.

Las iniciativas de datos abiertos ponen a disposición de los investigadores, empresarios y ciudadanos la información sobre el tráfico, fomentando la innovación en los servicios y aplicaciones de movilidad, lo que crea oportunidades para que surjan nuevas soluciones de diversas fuentes más allá de las agencias de transporte tradicionales.

Privacidad-Preservación de datos

A medida que la recopilación de datos sobre tráfico se hace más granular e integral, las preocupaciones sobre privacidad cobran cada vez más importancia. Los sistemas futuros tendrán que equilibrar los beneficios de la recopilación de datos detallados con las protecciones de privacidad adecuadas para las personas.

Técnicas como anonimato de datos, agregación y privacidad diferencial pueden permitir un análisis de tráfico valioso mientras protege la privacidad individual. Las políticas de gobernanza de datos transparentes y la participación pública ayudan a crear confianza y aceptación social para los sistemas de monitoreo de tráfico.

Multimodal Transportation Analysis

La colección tradicional de datos sobre tráfico se ha centrado principalmente en vehículos motorizados, pero el análisis amplio de la movilidad urbana requiere entender todos los modos de transporte, incluyendo caminar, ciclismo, tránsito público, y modos emergentes como los sistemas de ecografía y la distribución de los paseos.

Los sistemas de reunión de datos futuros captarán cada vez más la actividad multimodal, lo que permitirá analizar cómo interactúan los distintos modos y competirán por un espacio limitado de carreteras. Esta perspectiva holística apoya políticas más eficaces para promover el transporte sostenible y reducir la congestión.

Estudios de casos y aplicaciones en el mundo real

Examinar las implementaciones del mundo real de la recopilación de datos de tráfico y el análisis de congestión proporciona valiosas ideas sobre los retos prácticos y estrategias exitosas.

Análisis de mapa de velocidad 3D de Amsterdam

En este trabajo cuestionamos la regularidad de los patrones de movilidad diarios a nivel macroscópico. El análisis global de los datos de velocidad de enlace de Amsterdam durante 35 días muestra un alto grado de regularidad al comparar los patrones de congestión diaria. En nuestro caso, cuatro mapas de velocidad 3D consensuales relacionados con cuatro grupos de días son suficientes para describir el grupo de dinámicas de tráfico diario a escala de la ciudad.

Esta investigación demuestra cómo las técnicas analíticas sofisticadas pueden destilar enormes cantidades de datos de tráfico en patrones simples y accionables. La capacidad de caracterizar toda la dinámica de tráfico de una ciudad con sólo cuatro tipos de patrones tiene implicaciones significativas para la predicción y gestión del tráfico.

Análisis del índice de rendimiento de tráfico de Beijing

El grado de congestión en 2021 aumenta en un 7,15% en horas de máximo y disminuye en un 7,50% en horas de descomposición en comparación con las de 2019 debido a COVID-19. Este hallazgo ilustra cómo las perturbaciones sociales importantes pueden alterar fundamentalmente los patrones de tráfico, y cómo la recopilación de datos integral permite cuantificar estos cambios.

El uso de mapas autoorganizadores para identificar patrones de congestión distintos en diferentes tipos de días demuestra el valor de técnicas de aprendizaje no supervisadas para descubrir la estructura en datos de tráfico complejos.

Enfoque de aprendizaje profundo de Seúl

Desarrollamos estrategias de tráfico y realizamos un estudio de caso utilizando datos de tráfico real de la ciudad de Seúl (Corea del Sur) para evaluar sus capacidades en la reducción de la congestión de tráfico recurrente. Nuestros extensos experimentos en la red de transporte urbano de Seúl demuestran la eficiencia y eficacia de los enfoques propuestos.

La implementación de Seúl de aprendizaje profundo para la predicción de la congestión muestra cómo se pueden aplicar técnicas computacionales avanzadas a escala de la ciudad para apoyar estrategias proactivas de gestión del tráfico y mitigación de la congestión lado demanda.

Conclusión

Los análisis de patrones de recolección y congestión de datos de tráfico han evolucionado drásticamente desde simples conteos manuales hasta sistemas sofisticados que aprovechan la inteligencia artificial, vehículos conectados y flujos masivos de datos. Las agencias de transporte modernas tienen acceso a una serie de tecnologías y métodos analíticos sin precedentes para entender la dinámica del tráfico.

El éxito en este ámbito requiere más que simplemente el despliegue de tecnología avanzada. Los programas eficaces de datos de tráfico combinan la selección tecnológica adecuada con objetivos claros, una gestión de calidad sólida, personal cualificado y financiación sostenible. La integración de múltiples fuentes de datos, desde sensores fijos tradicionales a métodos basados en sonda emergentes, crea capacidades de monitoreo más completas y resistentes que cualquier enfoque único.

A medida que las ciudades sigan creciendo y los sistemas de transporte se vuelven más complejos, la importancia de los datos de tráfico de alta calidad sólo aumentará. Los conocimientos derivados del análisis de datos de tráfico apoyan decisiones críticas en múltiples horizontes de tiempo, desde ajustes de tiempo de señal en tiempo real hasta inversiones de infraestructura a largo plazo por valor de miles de millones de dólares.

En espera de ello, la convergencia de vehículos conectados, inteligencia artificial y plataformas urbanas inteligentes prometen una mayor capacidad para comprender y gestionar la movilidad urbana. Sin embargo, estos avances deben ser equilibrados con la debida atención a la privacidad, la equidad y el compromiso público para garantizar que los sistemas de vigilancia del tráfico sirvan al interés público más amplio.

Los profesionales del transporte, planificadores urbanos y responsables de la formulación de políticas que invierten en la creación de sólidas capacidades de recopilación y análisis de datos de tráfico posicionan a sus comunidades para tomar decisiones mejor informadas, optimizar la infraestructura existente y crear ciudades más eficientes, sostenibles y habitables para el futuro.

Recursos adicionales

Para aquellos que buscan profundizar su comprensión de la recopilación y análisis de congestión de datos de tráfico, se dispone de numerosos recursos. Oficina de Administración Federal de Carreteras proporciona una amplia orientación sobre herramientas de análisis de tráfico y métodos de recogida de datos. Revistas académicas como Investigación de Transportes y el Diario de Sistemas de Transporte Inteligentes publican investigación de vanguardia sobre tecnologías de monitoreo de tráfico y técnicas analíticas.

Organizaciones profesionales, como el Instituto de Ingenieros de Transporte (ITE) y el Consejo de Investigación del Transporte (TRB) ofrecen programas de capacitación, conferencias y publicaciones que mantienen a los profesionales en la actualidad con las mejores prácticas en evolución. Plataformas en línea como Coursera] y edX proporcionan cursos sobre ingeniería del transporte, ciencia de datos y aprendizaje automático que construyen habilidades relevantes para el tráfico moderno.

Las herramientas y conjuntos de datos de software de código abierto permiten el aprendizaje y la experimentación práctica. Plataformas como GitHub acogen numerosos proyectos de análisis de tráfico, mientras que las ciudades publican cada vez más datos de tráfico a través de portales de datos abiertos, creando oportunidades de investigación e innovación.

Aprovechando estos recursos y manteniendo contactos con el campo de reunión y análisis de datos sobre tráfico, los profesionales del transporte pueden seguir desarrollando los conocimientos especializados necesarios para hacer frente a los problemas de movilidad que enfrentan las ciudades de todo el mundo.