Los sistemas de control de señales de tráfico adaptativos forman la columna vertebral de la gestión moderna del tráfico urbano. A diferencia de las señales de tiempo fijo que funcionan en horarios predeterminados, los sistemas de adaptación ajustan continuamente los tiempos de señal basados en datos en tiempo real de detectores de vehículos, cámaras y otros sensores.El objetivo es reducir la congestión, mejorar la seguridad y minimizar el impacto ambiental.

Comprender la optimización multiobjetiva

La optimización multiobjetiva (MOO) se ocupa de problemas que tienen dos o más funciones objetivas que se pueden optimizar simultáneamente. En el mundo real, estos objetivos son incommensurables y a menudo contradictorios. Por ejemplo, en el control de tráfico es imposible minimizar simultáneamente tanto el retraso promedio como las emisiones totales mediante un plan de tiempo de señalización único porque las medidas que reducen la demora (por ejemplo, longitudes de ciclo más cortas) tienden a aumentar las emisiones de alto y el comportamiento.

Matemáticamente, se puede decir un problema de optimización multiobjetivo como:

Minimizar (o maximizar) F(x) = [f]1] [x], f]2(x], ..., fm(x)]
]
]subject to x Alternativa X, donde X es el conjunto factible de variables de decisión.

En lugar de una única solución óptima, MOO produce un conjunto de soluciones conocidas como Pareto óptimo] o no dominadas] soluciones. Una solución es Pareto óptima si no se puede mejorar ningún objetivo sin empeorar al menos otro objetivo. La colección de todas estas soluciones forma el frente Pareto, que proporciona un claro comercio de imagenes.

Métodos clásicos como el enfoque de suma ponderada convierten múltiples objetivos en un solo objetivo asignando pesos, pero sólo pueden encontrar un subconjunto limitado del frente de Pareto. Los métodos más avanzados — algoritmos evolutivos en particular— están diseñados para descubrir todo el frente en una sola carrera, haciéndolos ideales para problemas complejos del mundo real como el control de señal de tráfico.

Objetivos en Control de Señal de Tráfico Adaptable

Diseñar un sistema de señal adaptativo comienza con definir los objetivos.

  • demora mínima del vehículo] – el tiempo medio los vehículos pasan esperando en las intersecciones.
  • El número de paradas mínimo – reducir el tráfico de parada y de marcha aumenta la comodidad y reduce el desgaste en los vehículos.
  • Pauta de máximo – el número de vehículos que pasan por una intersección por unidad de tiempo.
  • Reducción del consumo y las emisiones de combustible – particularmente CO]2], NOx y materia particulada.
  • Protección de la seguridad peatonal – asegurando tiempos de cruce adecuados y reduciendo conflictos.
  • Prioridad de tránsito] – otorgando un trato preferencial a los autobuses y tranvías.
  • Preenajenación de vehículos de emergencia] – caminos de limpieza para camiones de bomberos, ambulancias y policía.

Cada objetivo puede ser expresado como una función de los parámetros de tiempo de señal: longitud de ciclo, divisiones de fase, offset entre intersecciones y secuencia de fase. Para un corredor o red, las variables de decisión pueden numerarse en los cientos, creando un espacio de búsqueda de alta dimensión.

Comercio-Offs Entre Objetivos

Existe una tensión común entre la reducción de las demoras y la reducción de las emisiones. Las longitudes del ciclo más largas tienden a reducir el número de fases rojas que un pelotón se encuentra, reduciendo así las paradas y las emisiones, pero aumentando el tiempo de espera para los vehículos que llegan justo después del inicio de una señal roja. De manera similar, proporcionar tiempos de cruce de peatones más largos aumenta la seguridad pero reduce la capacidad para el tráfico vehicular.

Algoritmos multiobjetivos evolutivos para el control de señales de tráfico

Se han aplicado con éxito varios algoritmos evolutivos a la optimización de la señal de tráfico. Son bien adaptados porque pueden manejar funciones objetivas no lineales, multimodales y limitadas sin requerir información gradiente.

Algoritmo genético II no dominado (NSGA-II)

NSGA-II, introducida por Deb et al. en 2002, es uno de los algoritmos más utilizados. Incorpora:

  • Clasificación rápida no dominada para clasificar soluciones según la dominación de Pareto.
  • Distancia de crecimiento para mantener la diversidad en el frente de Pareto.
  • Elitismo para preservar las mejores soluciones a través de las generaciones.

En el control de señales de tráfico, NSGA-II puede generar un conjunto de planes de tiempo de señal que representan diferentes compensaciones entre, por ejemplo, retraso y emisiones. Su naturaleza poblacional permite a los ingenieros evaluar muchas alternativas simultáneamente. Para una descripción detallada, vea el documento original: Un algoritmo genético multiobjetivo rápido y elitista: NSGA-II.

Algoritmo Evolutivo Multiobjetivo basado en la descomposición (MOEA/D)

MOEA/D descompone un problema multiobjetivo en una serie de subproblemas monoobjetivos utilizando vectores de peso. Se ha demostrado que trabaja bien en problemas de alta dimensión y puede ser más eficiente que enfoques basados en la dominación. Para las redes de tráfico con muchas intersecciones, la estrategia de descomposición de MOEA/D ayuda a escalar tareas de optimización a gran escala.

Optimización de los cigarros de partículas múltiples (MOPSO)

La optimización de partículas utiliza una población de partículas que se mueven a través del espacio de búsqueda basado en las mejores posiciones personales y globales. En su variante multiobjetiva, un archivo externo almacena soluciones no dominadas. MOPSO a menudo converge rápidamente y es eficaz para entornos dinámicos, lo que hace atractivo para el control adaptativo en tiempo real donde las condiciones de tráfico cambian minuto a minuto.

Comparación y viabilidad

Aunque NSGA-II es robusta y muy comparativa, MOEA/D puede ser más eficiente para problemas con objetivos bien estables. MOPSO es particularmente atractivo cuando la velocidad computacional es crítica. Muchos sistemas de adaptación modernos combinan múltiples algoritmos o utilizan un enfoque híbrido. La elección depende de los objetivos específicos, el tamaño de la red, y los recursos computacionales disponibles en el centro de gestión de tráfico.

Proceso de diseño e implementación para un sistema adaptador usando MOO

El flujo de trabajo para desplegar un sistema de control de señales adaptativas multiobjetivo sigue varias etapas, cada una con distintos desafíos técnicos.

1. Recopilación de datos y modelado

Los datos exactos de tráfico son la base. Los detectores de bucles inductivos, sensores de radar, cámaras, y los detectores Bluetooth/Wi-Fi proporcionan medidas de volumen de tráfico, velocidad, ocupación y tiempos de viaje. En los despliegues modernos, los datos de vehículos conectados (por ejemplo, de vehículos equipados con GPS) ofrecen datos de trayectoria de alta resolución que pueden utilizarse para calibrar modelos de simulación microscópica.

Las herramientas de microsimulación como SUMO (Simulación de MOvilidad Urbana), VISSIM o Aimsun se utilizan para crear gemelos digitales de la red de tráfico. Estos modelos simulan movimientos de vehículos con el cambio de carriles, seguimiento de automóviles y comportamiento de intersección. Los objetivos (enfermedad, emisiones, etc.) se computan de la salida de simulación.

Un paso importante es definir el horizonte de optimización, ¿qué tan lejos debe optimizarse el plan de señal? Para el control adaptable en tiempo real, un horizonte de rodadura de 5–15 minutos es típico. Los horizontes más largos aumentan la carga computacional pero pueden producir mejores planes bajo el tráfico estable.

2. Definición de función objetiva y limitaciones

Cada objetivo debe ser formulado como una función computable. Por ejemplo, el retraso total se puede calcular como la suma sobre todos los vehículos de la diferencia entre el tiempo de viaje de flujo libre y el tiempo de viaje real. Las emisiones se pueden estimar utilizando modelos de emisiones modales como PHEM (Passenger Car y el Modelo de Emisión Pesada) o MOVES (Motor Vehículo Emission Simulator).

3. Optimización multiobjetiva

El motor de optimización, que funciona NSGA-II, MOEA/D, u otro algoritmo, genera un conjunto de planes de tiempo óptimos de Pareto. Para una sola intersección, las variables de decisión pueden ser divisiones de fase; para un corredor coordinado, incluyen offsets y longitudes de ciclo. El algoritmo se ejecuta fuera de línea utilizando patrones de tráfico históricos y luego el frente de Pareto se almacena para la selección en línea.

4. Toma de decisiones y selección de planes

Con el frente de Pareto disponible, el gestor de tráfico (o un sistema automatizado) selecciona un plan que mejor se ajuste a las prioridades actuales. Esto se puede hacer a través de:

  • Metrómetro ponderado: elegir la solución que minimiza una suma ponderada de objetivos, con pesos que reflejan la política.
  • Programación de objetivos: selección del plan que se acerca a los valores de destino para cada objetivo.
  • Métodos interactivos: el operador puede explorar visualmente la superficie desactivada utilizando una herramienta de apoyo a la decisión.

En sistemas de adaptación, la selección puede cambiar dinámicamente a partir de la hora del día, el día de la semana o los incidentes en tiempo real.

5. Aplicación y retroalimentación

El plan de sincronización seleccionado es implementado por el controlador de señal. Los datos de rendimiento en tiempo real se invierten de nuevo en el sistema para refinar el modelo de simulación y actualizar el frente de Pareto. Las técnicas de aprendizaje automático se pueden utilizar para predecir estados de tráfico cercanos a la humedad y desencadenar la reoptimización antes de que las condiciones se degradan.

Aplicaciones y estudios de casos en el mundo real

Varias ciudades han desplegado control de señal adaptativo multiobjetivo con beneficios mensurables.

Sistema ATSAC de Los Ángeles

El sistema de Vigilancia y Control Automatizado de Tráfico de Los Ángeles tiene más de 4.000 intersecciones señalizadas. Utiliza un algoritmo de control adaptativo que equilibra la demora, el rendimiento y las emisiones. Un estudio del Departamento de Transporte de la ciudad reportó reducciones de tiempo de viaje del 12 al 15% y reducciones de emisiones del 10% durante horas pico. El sistema ajusta continuamente los planes basados en datos de detectores e incluye funciones prioritarias peatonales cerca de las escuelas.

Cola Verde de Copenhague con equilibrio Modal

Copenhague optimiza sus corredores de onda verde en bicicleta al tratar el retraso ciclista como un objetivo separado. El sistema proporciona coordinación para ciclistas manteniendo el retraso del vehículo dentro de límites aceptables. El resultado fue un aumento del 20% en la entrada de bicicletas y una reducción del 15% en el tiempo de viaje en bicicleta, sin empeorar significativamente el tráfico de coches.

Simulación Estudio sobre un corredor en Hangzhou

Los investigadores aplicaron NSGA-II a un corredor de seis secciones en Hangzhou, China, con objetivos de minimizar el retraso y el consumo de combustible. El frente de Pareto reveló grandes compensaciones: una reducción del 10% de retraso podría aumentar el consumo de combustible en un 8%. Al seleccionar una solución equilibrada, lograron una reducción del 7% en ambas medidas en comparación con el control accionado existente.

Para más información sobre la aplicación de optimización multiobjetiva evolutiva para el control de tráfico, vea la encuesta completa: Optimización múltiple-objetiva para el control de señal de tráfico: una encuesta.

Beneficios y desafíos

Beneficios de la optimización multiobjetiva

  • Gestión de la compensación : Los ingenieros pueden ver exactamente cómo mejorar un objetivo degrada a otros, permitiendo decisiones informadas.
  • Flexibilidad: La misma optimización produce un conjunto de planes, y la mejor se puede seleccionar en tiempo real sobre la base de las prioridades cambiantes (por ejemplo, cambiar a la minimización de emisiones durante una alerta de calidad del aire).
  • Mejora del desempeño general del sistema: Debido a que se consideran todos los objetivos pertinentes, el plan final evita los efectos secundarios negativos ocultos que podría causar la optimización de un solo objeto.
  • Scalability: Con algoritmos apropiados, el enfoque puede extenderse de intersecciones individuales a grandes redes.

Retos en la aplicación

  • Computacional complejidad: Generar un frente de Pareto para una gran red con muchos objetivos puede requerir miles de simulaciones. El despliegue en tiempo real exige algoritmos más rápidos o optimización offline con recuperación de planes rápidos.
  • ] Calidad y calibración de datos: El modelo de simulación debe reflejar con precisión el tráfico real. La mala calibración conduce a planes optimizados que subperformulen en el campo. Los datos de sensores de alta calidad y la actualización continua del modelo son esenciales.
  • Condiciones de tráfico dinámico: El frente de Pareto generado a partir de datos históricos puede ser suboptimal cuando los patrones de tráfico cambian repentinamente (por ejemplo, debido a un accidente). Los sistemas de adaptación necesitan desencadenar la reanimación de forma rápida y fiable.
  • Aceptación de los interesados: Los gerentes de tráfico acostumbrados a métodos de un solo objetivo pueden necesitar capacitación para confiar y utilizar herramientas de apoyo a decisiones multiobjetivas. Además, diferentes partes interesadas (por ejemplo, las autoridades de tránsito contra los organismos ambientales) pueden no estar de acuerdo con qué plan de despliegue, que requieren un marco de gobernanza.

Future Directions

Optimización multiobjetiva para el control de señal de tráfico adaptativo es un campo en rápida evolución.

Integración con el aprendizaje automático

Los agentes de aprendizaje de refuerzo profundo (DRL) pueden aprender a controlar las señales de tráfico directamente de los datos. Investigaciones recientes han ampliado la DRL a los ajustes multiobjetivos mediante la utilización de una función de escalarización o mediante la capacitación de múltiples agentes, cada uno optimizando un objetivo diferente. El desafío es mantener la exploración de los intercambios mientras garantiza la estabilidad en un entorno no estacionario.

Comunicación de vehículos a infraestructura (V2I)

Los vehículos conectados y automatizados pueden proporcionar datos de trayectoria precisos, lo que permite calcular las emisiones más precisas y controlar las previsiones. La optimización multiobjetiva a nivel de intersección puede incorporar las solicitudes individuales de vehículos (por ejemplo, un autobús pidiendo prioridad) como limitaciones o objetivos.

Resiliencia y optimización multimodal

Los sistemas futuros tendrán que manejar las perturbaciones (tiempo extremo, eventos especiales) y optimizar para múltiples modos (carros, bicicletas, peatones, scooters) simultáneamente. Las formulaciones multiobjetivas se extienden naturalmente para incluir objetivos tales como maximizar la productividad de la movilidad compartida o minimizar la desigualdad en tiempos de espera a través de diferentes grupos de usuarios.

Optimización en línea a través de Metaheuristicas

Con avances en el procesamiento paralelo de computación y borde, ahora es factible ejecutar metaheurísticas ligeras (por ejemplo, MOPSO) en el nivel de controlador cada pocos minutos. Esto permite que el sistema se adapte a las fluctuaciones en tiempo real sin depender de un frente Pareto precomputado.

Conclusión

Optimización multiobjetiva proporciona un marco de principios y potentes para diseñar sistemas de control de señales de tráfico adaptables que equilibran las demandas de eficiencia, seguridad y impacto ambiental. Al generar un conjunto de soluciones óptimas de Pareto, los ingenieros de tráfico pueden explorar de forma visual los cambios y seleccionar planes que se ajusten a los objetivos de política en cualquier momento dado.