Table of Contents

Comprender la teoría del flujo de tráfico y el modelo Greenshields

La teoría del flujo de tráfico proporciona la base matemática y conceptual para entender cómo los vehículos se mueven a través de las redes de carreteras. En su núcleo, este campo examina las relaciones entre tres variables de tráfico fundamentales: flujo (el número de vehículos que pasan un punto por unidad de tiempo), densidad (el número de vehículos por unidad de longitud de la carretera), y velocidad (la tasa a la que viajan los vehículos). La relación fundamental "q=kv" (flujo (q) equivale a densidad (k) multiplicada por velocidad (v))) es ilustrada por el diagrama fundamental, que sirve como piedra angular del análisis de tráfico y la estimación de la capacidad.

El diagrama fundamental del flujo de tráfico es un diagrama que da una relación entre el flujo de tráfico (vehículos/hora) y la densidad de tráfico (vehículos/km). Un modelo de tráfico macroscópico que implica flujo de tráfico, densidad de tráfico y velocidad forma la base del diagrama fundamental. Esta poderosa herramienta permite a los ingenieros de transporte predecir el rendimiento de las carreteras, evaluar los impactos de las medidas de control de tráfico y diseñar infraestructura que satisfaga la demanda de manera eficiente.

Entre los diversos modelos desarrollados para describir el comportamiento del flujo de tráfico, el modelo de Greenshield 1935 propone una relación lineal entre la velocidad del tráfico y la densidad. A pesar de haber sido desarrollado hace casi 90 años, el Modelo Greenshields sigue siendo uno de los modelos de flujo de tráfico más ampliamente enseñados y aplicados debido a su sencillez y exactitud razonable en muchas condiciones. Aunque el modelo Greenshields no es perfecto, es bastante preciso y relativamente simple, lo que lo convierte en un excelente punto de partida para la estimación de la capacidad y el análisis del tráfico.

La Fundación Matemática del Modelo Greenshields

Sumas y ecuaciones básicas

Greenshield asumió una relación lineal de densidad de velocidad como base para su modelo. Esta suposición fundamental conduce a una representación matemática directa que se puede expresar como una ecuación lineal relativa significa velocidad a la densidad de tráfico. El modelo plantea que a medida que más vehículos ocupan una carretera (aumento de densidad), la velocidad media de esos vehículos disminuye proporcionalmente.

La relación básica de densidad de velocidad en el modelo Greenshields se puede escribir como: v = vf - (vf/kj)k, donde v representa velocidad media, vf es la velocidad de flujo libre (los vehículos de velocidad viajan cuando la densidad se aproxima a cero), k es la densidad de tráfico, y kj es la densidad de mermelada (la densidad máxima cuando los vehículos son parachoques y la velocidad es cero).

donde está la velocidad media a la densidad, es la velocidad libre y es la densidad de mermelada. Esta ecuación captura elegantemente la relación intuitiva entre la congestión y la velocidad: cuando la densidad se convierte en cero, la velocidad se acerca a la velocidad de flujo libre y, al contrario, cuando la densidad alcanza su máximo ( densidad de jamón), la velocidad se aproxima a cero.

Conducir relaciones Flow-Density y Speed-Flow

Una vez establecida la relación de densidad de velocidad, las relaciones de densidad de flujo y flujo de velocidad pueden derivarse usando la ecuación fundamental q = kv. Al sustituir la ecuación lineal de densidad de velocidad en esta relación, obtenemos una curva parabólica de densidad de flujo. Esta relación entre el flujo y la densidad es parabólica en forma, que tiene implicaciones importantes para la comprensión de la capacidad vial.

La naturaleza parabólica de la curva de densidad de flujo revela una visión crítica: Muestra un flujo de tráfico máximo con la densidad de tráfico óptima relacionada. Este punto máximo representa la capacidad de la carretera, la mayor velocidad de flujo sostenible que se puede alcanzar. En densidades por debajo de este punto óptimo, la carretera funciona en condiciones de flujo libre; en densidades por encima de ella, la carretera entra en condiciones congestionadas donde el flujo realmente disminuye a medida que se añaden más vehículos.

En el q-v-diagrama existen dos regímenes, eso significa que es posible tener dos velocidades al mismo flujo de tráfico. Por esto el flujo de tráfico se clasifica en un régimen estable e inestable. Esta característica de doble régimen es fundamental para comprender la degradación del tráfico y la formación de congestión.

Parámetros clave: la velocidad de flujo libre y la densidad de Jam

Para resolver los fundamentos de flujo de tráfico numérico, requiere dos parámetros básicos • Velocidad de flujo libre • Densidad de Jam. Estos dos parámetros definen completamente el modelo Greenshields para un segmento particular de carreteras y deben determinarse mediante observaciones de campo o calibración.

La velocidad de flujo libre representa que los vehículos de velocidad promedio viajarían si no hubiera otros vehículos en la carretera para impedir su progreso. Este parámetro está influenciado por factores como la geometría de la carretera, la velocidad del diseño, las condiciones de superficie y el comportamiento del conductor. La densidad de Jam, por otro lado, representa el número máximo teórico de vehículos que pueden ocupar una longitud unitaria de la carretera cuando el tráfico se detiene por completo, típicamente ocurre durante la congestión severa.

Inorden para utilizar este modelo para cualquier flujo de tráfico, uno debe conseguir los valores de límite, especialmente la velocidad de flujo libre () y la densidad de mermelada (). Esto tiene que ser obtenido por la encuesta de campo y esto se llama proceso de calibración. El proceso de calibración es esencial para adaptar el modelo genérico Greenshields a las condiciones específicas de las carreteras y las características del tráfico local.

Aplicación del modelo Greenshields para la estimación de capacidades

Recopilación de datos y observaciones sobre el terreno

El primer paso en aplicar el modelo Greenshields para la estimación de la capacidad implica la recopilación de datos empíricos sobre las condiciones de tráfico. Los modelos de tráfico discutidos hasta ahora pueden utilizarse para determinar características específicas, como la velocidad y densidad en que se produce el máximo flujo, y la densidad de mermelada de una instalación. Esto generalmente implica recoger datos apropiados sobre la facilidad de interés particular y ajustar los puntos de datos obtenidos a un modelo adecuado.

Los ingenieros de tráfico emplean típicamente diversos métodos de reunión de datos, incluyendo detectores de bucle integrados en el pavimento, cámaras de vídeo, sensores de radar, y cada vez más, datos de vehículos de sonda de vehículos equipados con GPS. Realizó pruebas para medir el flujo de tráfico, la densidad de tráfico y la velocidad utilizando métodos de medición fotográficos por primera vez, estableciendo la base para técnicas modernas de recogida de datos de tráfico.

La recopilación de datos debe captar una amplia gama de condiciones de tráfico, desde el flujo libre hasta los estados congestionados, para permitir una calibración precisa del modelo. Las observaciones durante los períodos máximos son particularmente valiosas, ya que a menudo revelan las limitaciones de capacidad de la carretera. Las mediciones de velocidad y densidad deben tomarse simultáneamente en el mismo lugar para garantizar que los puntos de datos representen condiciones de tráfico de equilibrio.

Calibración modelo mediante análisis de regresión

Aunque es difícil determinar la velocidad exacta de flujo libre y la densidad de mermelada directamente desde el campo, se pueden obtener valores aproximados de un número de observaciones de velocidad y densidad y luego encajar una ecuación lineal entre ellos. El proceso de calibración suele emplear análisis de regresión lineal para determinar los parámetros modelo que mejor se ajustan a los datos observados.

El enfoque de regresión trata la velocidad como la variable y densidad dependiente como la variable independiente. Al trazar pares observados de densidad de velocidad y equipar una línea de regresión lineal a través de los datos, los ingenieros pueden determinar la pendiente e interceptar la relación. La interceptación representa la velocidad de flujo libre (la velocidad cuando la densidad es igual a cero), mientras que la x-intercept (donde la velocidad es igual a cero) representa la densidad de mermelada.

Por ejemplo, Para los siguientes datos sobre velocidad y densidad, determinar los parámetros del modelo de Greenshields. También encontrará el flujo máximo y densidad correspondiente a una velocidad de 30 km/hr. Estos ejercicios de calibración demuestran la aplicación práctica del modelo a los datos del mundo real.

Cálculo de flujo máximo y capacidad

Una vez calibrados los parámetros modelo, determinar la capacidad de la carretera se vuelve sencilla. Mientras la relación entre la densidad y la velocidad sea lineal, se puede ver que el flujo máximo (o la capacidad de flujo) ocurre en kj/2 y Vf/2. Esta propiedad matemática de la curva de densidad de flujo parabólico significa que la capacidad ocurre exactamente a la mitad de la densidad de mermelada y la mitad de la velocidad de flujo libre.

El flujo máximo se puede calcular utilizando la fórmula: qmax = kj/2) × (vf/2) = kjvf/4. Esto representa la capacidad teórica de la carretera bajo las suposiciones del modelo Greenshields. Por ejemplo, si una carretera tiene una velocidad de flujo libre calibrada de 100 km/h y una densidad de mermelada de 150 vehículos/km, el flujo máximo sería (150 × 100)/4 = 3.750 vehículos por hora.

La intersección del flujo libre y los vectores congestionados es el ápice de la curva y se considera la capacidad de la carretera, que es la condición de tráfico en la que el número máximo de vehículos puede pasar por un punto en un período determinado. Este valor de capacidad representa el umbral crítico más allá del cual añadir más vehículos a la carretera reduce en realidad el rendimiento.

Interpretar resultados e identificar regímenes de tráfico

El modelo Greenshields divide el flujo de tráfico en dos regímenes distintos basados en el punto de capacidad. Cuando la densidad está por debajo de la densidad de capacidad kc, hablamos de flujo libre. Durante este régimen la velocidad media de la corriente de tráfico excede la velocidad de la capacidad uc . Durante el flujo libre la velocidad de los vehículos sigue siendo relativamente alta y estable.

En el régimen de libre circulación, el tráfico funciona eficientemente con mínimas interacciones de vehículos. Los conductores generalmente pueden viajar a sus velocidades deseadas, y añadir más vehículos a la carretera aumenta el flujo total proporcionalmente. Sin embargo, una vez que la densidad supera la densidad de capacidad crítica, la carretera entra en el régimen congestionado donde la velocidad disminuye significativamente y el flujo comienza a disminuir a pesar de la presencia de más vehículos.

La mitad superior de la curva de flujo no está congestionada, la mitad inferior es congestionada. Esta distinción es crucial para las estrategias de gestión y control del tráfico, ya que las intervenciones pueden diferir significativamente dependiendo del régimen en el que esté operando el tráfico. Comprender estos regímenes ayuda a los ingenieros a identificar cuándo y dónde es probable que la congestión forme y desarrolle estrategias apropiadas de mitigación.

Consideraciones prácticas y aplicaciones en el mundo real

Factores que afectan la precisión del modelo

Mientras que el modelo Greenshields proporciona un marco útil para la estimación de la capacidad, varios factores del mundo real pueden afectar su precisión. Pero en el campo apenas podemos encontrar tal relación entre velocidad y densidad. Por lo tanto, la validez del modelo de Greenshields fue cuestionada y muchos otros modelos aparecieron. La suposición lineal de densidad de velocidad, mientras que matemáticamente conveniente, representa una simplificación del comportamiento de tráfico real.

El comportamiento del conductor varía significativamente entre individuos y en diferentes contextos. Algunos conductores mantienen mayores distancias, mientras que otros conducen más agresivamente. Las condiciones meteorológicas como la lluvia, la niebla o la nieve pueden reducir drásticamente las velocidades de flujo libre y las densidades de mermelada. La geometría vial, incluyendo grados, curvas y anchos de carril, también influye en la relación velocidad-densidad de maneras no captadas por el modelo lineal simple.

La composición del vehículo presenta otro desafío. Otros factores afectan – Velocidad de diseño – Control de acceso – Presencia de camiones – Límite de velocidad – Número de carriles. Los vehículos pesados como camiones y autobuses tienen características de rendimiento diferentes que los coches de pasajeros, afectan tanto la velocidad como el espaciamiento. El porcentaje de vehículos pesados en la corriente de tráfico puede afectar significativamente las estimaciones de capacidad.

Limitaciones de la Asunción Lineal

Sobre todo simplista: Las suposiciones son a menudo violadas en el tráfico del mundo real, haciendo el modelo inexacto en muchas situaciones. Parámetros constantes: La asunción de constante v0 y α es una limitación importante. El flujo de tráfico real a menudo muestra relaciones más complejas entre velocidad y densidad que el modelo lineal sugiere.

Las observaciones empíricas han demostrado que la relación de densidad de velocidad puede estar mejor representada por funciones no lineales en determinadas condiciones. Entre ellos destaca el modelo logarítmico de Greenberg, el modelo exponencial de Underwood, el modelo generalizado de Pipe y los modelos multiregime. Estos modelos alternativos se desarrollaron para abordar limitaciones específicas del Modelo Greenshields, en particular en la representación de las condiciones de flujo congestionadas.

Si bien el modelo Greenshields ofrece capacidad analítica y ha sido ampliamente aplicado en el modelado de flujo de tráfico macroscópico, su asunción de una relación lineal de velocidad – densidad no capta plenamente las características no lineales del tráfico del mundo real, particularmente bajo condiciones sobresaturadas. Nuestro análisis empírico presentado en la Figura 11 muestra que las velocidades del vehículo a menudo se estabilizan durante la congestión en lugar de seguir disminuyendo, formando una región tipo meseta que se desvía de la curva clásica Greenshields. Esta observación sugiere que el modelo puede no reflejar adecuadamente la dinámica de flujo congestionada en redes urbanas densas.

Combinación de resultados modelo con datos empíricos

Para mejorar la precisión, los ingenieros de tráfico a menudo combinan predicciones de modelos teóricos con observaciones empíricas y ajustes. Capacity is a central concept in roadway design and traffic control. La estimación de los valores de capacidad empírica en circunstancias prácticas no es un problema trivial; es muy difícil definir la capacidad de manera inequívoca. Se ha estudiado la estimación de la capacidad empírica de las secciones de carreteras ininterrumpidas.

En lugar de depender únicamente de la estimación de capacidad teórica del Modelo Greenshields, los profesionales pueden validar y ajustar estas estimaciones utilizando flujos máximos observados durante períodos máximos. Los canales, los volúmenes de tráfico, la velocidad y la densidad son tipos de datos de tráfico utilizados para identificar cuatro grupos de métodos de estimación de la capacidad. Se pueden utilizar múltiples enfoques de estimación en paralelo a los resultados cruzados e identificar posibles discrepancias.

Si esta deficiencia es corregida, métodos prometedores para el uso práctico en ingeniería de tráfico son el método límite de productos, el método de distribución empírica y el conocido método de diagrama fundamental, en ese orden. El método de diagrama fundamental basado en el modelo Greenshields sigue siendo valioso cuando se utiliza junto con otras técnicas y cuando sus limitaciones se entienden correctamente.

Aplicaciones en Gestión y Planificación de Tráfico

A pesar de sus limitaciones, el modelo Greenshields sigue encontrando una aplicación generalizada en la práctica de ingeniería del transporte. Su simplicidad lo hace particularmente útil para los análisis preliminares, los propósitos educativos y las situaciones en que los datos detallados pueden ser limitados. El modelo proporciona estimaciones razonables para muchas aplicaciones de nivel de planificación y ayuda a los ingenieros a desarrollar intuición sobre el comportamiento del flujo de tráfico.

Una de las principales referencias utilizadas por los planificadores estadounidenses es el Manual de Capacidad de Autopista, publicado por la Junta de Investigación del Transporte, que forma parte de la Academia Nacional de Ciencias de los Estados Unidos. Si bien el Manual de Capacidad de Carretera emplea métodos más sofisticados para el análisis detallado de la capacidad, los conceptos fundamentales incorporados en el Modelo Greenshields sustentan muchos de estos enfoques.

Los ingenieros de tráfico utilizan estimaciones de capacidad derivadas del modelo Greenshields para diversos fines, como determinar el nivel de servicio, evaluar la necesidad de mejoras de las carreteras, diseñar planes de cronometría de las señales de tráfico y evaluar los efectos de los nuevos desarrollos en las redes de carreteras existentes. Las predicciones del modelo ayudan a informar las decisiones sobre inversiones de infraestructura y estrategias de gestión del tráfico.

Temas avanzados en el modelado de flujo de tráfico

El Diagrama Fundamental y sus Variaciones

El diagrama fundamental es la representación gráfica de las relaciones entre el flujo de tráfico, la velocidad y la densidad, y ha sido durante mucho tiempo la base de la teoría del flujo de tráfico y la ingeniería del transporte. El modelo Greenshields produce una forma específica del diagrama fundamental, caracterizada por una relación lineal de densidad de velocidad y una curva de densidad de flujo parabólica.

Actualmente hay dos tipos de gráficos de densidad de flujo: parabólico y triangular. La academia ve la curva triangular de densidad de flujo como más la representación exacta de los eventos del mundo real. El diagrama fundamental triangular, que supone una velocidad constante de flujo libre hasta la capacidad seguida de una disminución lineal en el régimen congestionado, ha ganado favor en los últimos años para ciertas aplicaciones.

Los diagramas fundamentales (FDs), es decir, las relaciones bivariadas de equilibrio de flujo de tráfico, concentración y velocidad, son de gran preocupación teórica y práctica. Por ejemplo, el concepto de nivel de servicio para una carretera se basa en el flujo de velocidad FD. Las diferentes formas del diagrama fundamental pueden ser más apropiadas para diferentes tipos de carreteras, condiciones de tráfico o fines de análisis.

Capacity Drop Phenomenon

Un fenómeno importante no capturado por el modelo básico de Greenshields es la caída de la capacidad que ocurre cuando el tráfico pasa de libre flujo a condiciones congestionadas. la densidad creciente (a partir del flujo estable o libre) alcanza un valor de capacidad superior ('capacidad de flujo libre', qc1) que un flujo de tráfico que comienza desde un estado congestionado (en el caso extremo desde una cola de pie) que termina en la llamada 'capacidad de descarga de cola', qc2. Esta idea se ilustra en la Fig. 4.7 en la que está presente una llamada gota de capacidad.

El fenómeno de caída de la capacidad significa que una vez que se forma la congestión, el flujo máximo que se puede descargar del cuello de botella es en realidad inferior a la capacidad de desintegración previa. Este efecto de histeresis tiene importantes implicaciones para la gestión del tráfico, ya que sugiere que la prevención del desglose es más eficaz que tratar de recuperarse de la congestión una vez que se ha formado.

Los resultados indican que tanto la caída de la capacidad como las formas FD cóncavas abundan en la práctica. La investigación moderna sobre el flujo de tráfico ha dedicado considerable atención a la comprensión y el modelado de este fenómeno, lo que ha llevado a modelos multiregímicos más sofisticados que pueden captar estas dinámicas.

Enfoques de modelado microscópico vs. macroscópico

El modelo Greenshields representa un enfoque macroscópico del modelado del flujo de tráfico, tratando el tráfico como un flujo continuo similar al fluido en lugar de centrarse en los movimientos individuales del vehículo. El flujo de tráfico microscópico simula los comportamientos de los vehículos individuales mientras que el flujo de tráfico macroscópico simula los comportamientos del flujo de tráfico en general. Conceptualmente, parecería que el flujo de tráfico microscópico sería más preciso, ya que se basaría en el comportamiento del conductor que simplemente las características de flujo.

Modelos microscópicos, como modelos de seguimiento de automóviles y de cambio de carriles, simulan el comportamiento de los vehículos individuales y sus interacciones con los vehículos circundantes. Estos modelos pueden capturar aspectos más detallados del comportamiento del conductor y la dinámica del vehículo, pero requieren recursos mucho más computacionales y datos de entrada detallados. Las propiedades macroscópicas como el flujo y la densidad son el producto de decisiones individuales (microscópicas). Sin embargo, esos encargados de adoptar decisiones microscópicas se ven afectados por el entorno que les rodea, es decir, las propiedades macroscópicas del tráfico.

La elección entre los enfoques de modelado microscópico y macroscópico depende de la aplicación específica, los datos disponibles, los recursos computacionales y el nivel requerido de detalle. Para muchas aplicaciones de planificación y diseño preliminar, modelos macroscópicos como el modelo Greenshields proporcionan suficiente precisión con una implementación mucho más simple.

Fuentes de datos modernas y técnicas de calibración

Los avances en la tecnología de recogida de datos han revolucionado la calibración y validación de los modelos de flujo de tráfico. Durante décadas, investigadores y practicantes suelen medir variables de flujo de tráfico macroscópico, es decir, densidad, flujo y velocidad, utilizando cortes de tiempo o espacio, y luego construir los diagramas fundamentales del flujo de tráfico. Con el advenimiento de conjuntos de datos de trayectoria de vehículos a gran escala, a menudo capturando el 100% de la dinámica del vehículo, las definiciones generalizadas de Edie se han reconocido ampliamente como el marco más adecuado para medir estas variables. Sin embargo, mientras que la formulación de Edie requiere explícitamente que el estado de tráfico dentro de la región de medición sea tanto estacionario como homogéneo, hay poca orientación sobre cómo identificar sistemáticamente esas regiones calificadas y construir los diagramas fundamentales correspondientes.

Los vehículos de sonda equipados con GPS, los datos de vehículos conectados y los análisis de vídeo de alta resolución proporcionan ahora información sin precedentes sobre las características del flujo de tráfico. Los datos de sonda del vehículo pueden proporcionar velocidad y tiempo de viaje, pero normalmente no datos de flujo de tráfico. Si los datos de flujo son necesarios como entrada a algoritmos para el control de tráfico u otros cálculos, entonces hay una necesidad de estimar el flujo de la velocidad o los datos del tiempo de viaje. Estas nuevas fuentes de datos permiten una calibración y validación de modelos más frecuentes, lo que podría mejorar la exactitud de las estimaciones de capacidad.

Cada vez se aplican más técnicas de aprendizaje automático y de inteligencia artificial para el modelado del flujo de tráfico y la estimación de la capacidad. Estos enfoques basados en datos pueden complementar modelos tradicionales como el Modelo Greenshields identificando patrones complejos y relaciones que pueden no ser capturados por formas simples paramétricas. Sin embargo, la interpretación y los fundamentos teóricos proporcionados por modelos clásicos siguen siendo valiosos para comprender los principios fundamentales del flujo de tráfico.

Procedimiento para la estimación de la capacidad

Planificación de la colección de datos Effort

Antes de comenzar la estimación de la capacidad utilizando el modelo Greenshields, es esencial una planificación cuidadosa del esfuerzo de recopilación de datos. Los ingenieros deben identificar el segmento específico de carreteras de interés, considerando factores como la homogeneidad de las condiciones, la presencia de cuellos de botella y los patrones de tráfico típicos. El segmento seleccionado debe tener características relativamente uniformes (ancho, grado, curvatura) para satisfacer las suposiciones del modelo.

La recopilación de datos debe abarcar varios días e incluir períodos máximos cuando es más probable que se observen limitaciones de capacidad. Un mínimo de varias horas de datos durante las condiciones máximas suele ser necesario para capturar toda la gama de estados de tráfico desde el libre flujo a través de condiciones congestionadas. Las condiciones meteorológicas deben tenerse en cuenta, y los datos recogidos durante el tiempo negativo pueden ser analizados por separado o excluidos si el objetivo es estimar la capacidad en condiciones normales.

La elección del método de reunión de datos depende de los recursos y el equipo disponibles. Los detectores de bucle proporcionan una colección de datos automatizada continua pero requieren la instalación en el pavimento. Las cámaras de vídeo ofrecen flexibilidad y la capacidad de extraer múltiples parámetros de tráfico pero pueden requerir procesamiento manual o semiautomatizado. Los datos de vehículos de sonda de fuentes GPS proporcionan información de buena velocidad pero pueden tener limitaciones en la estimación de densidad y flujo directamente.

Procesamiento y análisis de datos sobre tráfico

Una vez que se recopilan los datos, se debe procesar para extraer las variables de tráfico fundamentales: velocidad, densidad y flujo. Para cada período de observación (normalmente 5-15 minutos para datos agregados), calcula la velocidad media, densidad de tráfico y velocidad de flujo. Asegúrese de que estas mediciones representan condiciones de equilibrio donde la relación q = kv sostiene.

Parcela los puntos de datos de densidad de velocidad en un gráfico con densidad en el eje x y velocidad en el eje y. Examinar el diagrama de dispersión para los outliers obvios o puntos de datos anómalos que pueden resultar de incidentes, fallos de detectores o condiciones de no equilibrio. Esos puntos deben ser investigados y potencialmente excluidos del conjunto de datos de calibración.

Realizar análisis de regresión lineal en los datos de densidad de velocidad para determinar la línea de mejor ajuste. La ecuación de regresión tomará la forma v = a - bk, donde 'a' representa la velocidad de flujo libre (vf) y la relación a/b representa la densidad de mermelada (kj). Deben examinarse medidas estadísticas tales como R-squared para evaluar la bondad del ajuste y determinar si el modelo lineal representa adecuadamente los datos observados.

Capacidad de computación y parámetros críticos

Con los parámetros de modelo calibrados a mano, calcula la capacidad de la carretera utilizando la fórmula qmax = kjvf/4. Esto representa el caudal máximo sostenible previsto por el modelo Greenshields. También computa la densidad crítica (kc = kj/2) y velocidad crítica (vc = vf/2) en el que se produce este flujo máximo.

Compare la estimación de la capacidad teórica con los flujos máximos observados en el conjunto de datos. Si hay una discrepancia significativa, investigue posibles causas como las limitaciones modelo, los problemas de calidad de los datos o las condiciones especiales durante el período de observación. La capacidad teórica generalmente debe estar cerca pero puede exceder ligeramente el flujo máximo observado, ya que las condiciones de capacidad perfectas pueden no haberse capturado durante el período de observación.

Genera el diagrama fundamental completo que muestra la densidad de velocidad, la densidad de flujo y las relaciones de flujo de velocidad basadas en el modelo calibrado. Estos diagramas proporcionan una visualización completa de las características del flujo de tráfico de la carretera y se pueden utilizar para diversos fines de análisis más allá de la estimación simple de la capacidad.

Resultados de validación y ajuste

La validación es un paso crítico para garantizar la fiabilidad de las estimaciones de capacidad. Si es posible, recopilar un conjunto de datos independiente desde la misma ubicación en un momento diferente y comparar el comportamiento observado del tráfico con las predicciones modelo. El modelo debe predecir razonablemente la relación de densidad de velocidad para este conjunto de datos de validación.

Considere ajustes para factores no explícitamente capturados en el modelo básico de Greenshields. Por ejemplo, si la carretera tiene un porcentaje significativo de vehículos pesados, es posible que sea necesario ajustar la capacidad hacia abajo utilizando factores equivalentes de los vehículos de pasajeros. Del mismo modo, si el análisis se realiza con fines de diseño, los ajustes conservadores pueden ser apropiados para tener en cuenta la incertidumbre y garantizar un margen de capacidad adecuado.

Documentar todas las hipótesis, fuentes de datos, procedimientos de calibración y ajustes realizados durante el análisis. Esta documentación es esencial para la transparencia, reproducibilidad y actualizaciones futuras de las estimaciones de capacidad a medida que se disponga de nuevos datos o cambien las condiciones.

Ejemplos de estudio de casos y aplicaciones prácticas

Análisis de la capacidad de autopistas

Freeways representan una de las aplicaciones más comunes del Modelo Greenshields para la estimación de la capacidad. La inspección de un conjunto de datos de autopista revela una velocidad de flujo libre de 60 mph, una densidad de mermelada de 180 vehículos por milla por carril, y un flujo máximo observado de 2000 vehículos por hora. Determinar la ecuación lineal para la velocidad para estas condiciones, y determinar la velocidad y densidad a las condiciones de flujo máximo.

Por este ejemplo, la relación calibrada de densidad de velocidad sería v = 60 - (60/180)k = 60 - 0.333k. La capacidad teórica sería (180 × 60)/4 = 2.700 vehículos por hora por carril, ocurriendo a una densidad de 90 vehículos por kilómetro por carril y una velocidad de 30 mph. El flujo máximo observado de 2.000 vehículos por hora es algo menor que la capacidad teórica, lo que podría indicar efectos de caída de capacidad, limitaciones de medición u otros factores no capturados por el modelo simple.

Este tipo de análisis ayuda a las agencias de transporte a entender las características de rendimiento de sus sistemas de autopistas e identificar lugares donde se pueden necesitar mejoras de capacidad. Los valores críticos de densidad y velocidad también informan el desarrollo de estrategias de gestión de congestión y algoritmos de control de tráfico en tiempo real.

Estimación de la capacidad Arterial urbana

Mientras que el modelo Greenshields se desarrolló originalmente para instalaciones de flujo ininterrumpidas como autopistas, también se puede adaptar para carreteras arteriales con modificaciones apropiadas. Para la CP/RP se ha seleccionado un método de cálculo basado en V/C. Los volúmenes en cada segmento de carreteras en cada dirección se dividen por la capacidad, estimada en 1.100 vehículos por hora por carril. La capacidad se estimó sobre la base de un caudal de saturación de 1.900 vehículos por carril y la suposición de que El Camino Real recibiría el 60% del tiempo verde.

Para las arteriales, la capacidad se ve limitada por intersecciones señalizadas en lugar de puramente por la relación de densidad de velocidad. Sin embargo, el enfoque del diagrama fundamental todavía puede proporcionar información sobre las características del flujo de tráfico entre las señales. Los ingenieros deben tener en cuenta la naturaleza interrumpida del flujo arterial y la influencia del tiempo de señal en la capacidad efectiva.

El modelo Greenshields se puede aplicar a segmentos arteriales individuales entre señales, con el entendimiento de que la capacidad general del corredor será determinada por el cuello de botella más restrictivo, que a menudo es una intersección señalizada en lugar del segmento de medio bloque. Este enfoque segmentado permite la identificación de lugares específicos donde las mejoras serían más beneficiosas.

Zona de trabajo y planificación de eventos especiales

La estimación de la capacidad utilizando el modelo Greenshields es particularmente valiosa para planificar el control temporal del tráfico durante zonas de trabajo o eventos especiales. Al comprender la capacidad normal de una carretera y cómo se reducirá mediante cierres de carriles u otras restricciones, los ingenieros pueden elaborar planes adecuados de gestión del tráfico y predecir el alcance y la duración de la congestión.

Para las zonas de trabajo, el modelo puede ser recalibrado con velocidades de flujo libre reducidas y densidades de mermelada para reflejar las condiciones limitadas. La estimación de la capacidad resultante ayuda a determinar si la zona de trabajo puede ser alojada durante los períodos normales de tráfico o si las horas fuera del pico son necesarias para reducir al mínimo las interrupciones. Las predicciones de longitud de las colas basadas en el modelo pueden informar de la colocación de señales de advertencia y el alcance de las medidas de control de tráfico necesarias.

Se pueden analizar acontecimientos especiales que generan una demanda significativa de tráfico comparando la demanda prevista con la capacidad estimada. Si se proyecta que la demanda supere la capacidad, el modelo ayuda a cuantificar la magnitud y duración de la congestión, informando de las decisiones sobre el tiempo de eventos, estrategias de estacionamiento y servicios de transporte complementarios.

Integración con sistemas de gestión de tráfico modernos

Vigilancia de la capacidad en tiempo real

Los sistemas modernos de transporte inteligente pueden aprovechar los principios del modelo Greenshields para la vigilancia y gestión del tráfico en tiempo real. El sistema Mobile Millenium Stockholm (MMS), que consiste en un modelo de flujo de tráfico macroscópico y el filtrado Kalman para la predicción y estimación de los estados de tráfico, se ha utilizado para estimar los estados de tráfico. La relación entre velocidad y densidad (y también flujo) está en este tipo de modelo descrito con un diagrama fundamental. El diagrama fundamental utilizado en este estudio tiene una forma lineal durante el flujo libre y una forma hiperbólica durante la congestión.

Al monitorear continuamente las condiciones de tráfico y comparar los flujos observados con capacidad estimada, los centros de gestión de tráfico pueden identificar cuándo y dónde se está formando la congestión. Esta capacidad de alerta temprana permite intervenciones proactivas como medición de rampas, límites de velocidad variable o difusión de información de viajeros para ayudar a prevenir o mitigar la congestión.

Las relaciones de diagrama fundamentales incrustadas en el modelo Greenshields proporcionan un marco para estimar las variables de tráfico desaparecidas cuando sólo hay información parcial disponible. Por ejemplo, si los datos de velocidad están disponibles de los vehículos de sonda pero la densidad no se mide directamente, la relación de densidad de velocidad calibrada se puede utilizar para estimar la densidad y posteriormente fluir.

Adaptive Traffic Control Systems

Los sistemas de control de señales de tráfico pueden beneficiarse de estimaciones de capacidad derivadas del modelo Greenshields. Comprender la capacidad de los enfoques para las intersecciones señalizadas ayuda a optimizar el tiempo de señalización para maximizar el rendimiento al minimizar el retraso. Los sistemas de control de señales adaptables que responden a las condiciones de tráfico en tiempo real utilizan relaciones de diagrama fundamentales para predecir los impactos de los cambios de tiempo.

Los sistemas de medición de rampas en autopistas utilizan estimaciones de capacidad para determinar las tasas de medición apropiadas que impiden que el flujo de línea principal supere la capacidad y se descompone en la congestión. El modelo Greenshields proporciona la base teórica para entender cómo la medición puede mantener el tráfico en el eficiente régimen de libre flujo evitando que la densidad exceda el valor crítico.

Los sistemas de límite de velocidad variable dependen igualmente de las relaciones de diagrama fundamentales para determinar límites de velocidad óptimos que maximicen el rendimiento. Al comprender la relación entre velocidad, densidad y flujo, estos sistemas pueden ajustar los límites de velocidad para mantener el tráfico operando cerca del punto de capacidad donde se maximiza el flujo.

Medición del desempeño y presentación de informes

Los organismos de transporte utilizan cada vez más medidas de rendimiento para evaluar la eficacia de sus sistemas e inversiones. La utilización de la capacidad, definida como la relación entre el flujo real y la capacidad estimada, proporciona una métrica clave para comprender cómo se utiliza la infraestructura de carreteras de manera eficiente. El modelo Greenshields proporciona un método sencillo para estimar el denominador de esta relación.

El nivel de análisis de servicios, un componente fundamental de planificación y diseño del transporte, se basa en la comparación de los volúmenes de tráfico con capacidad. El método LOS seleccionado para segmentos de autopistas se basa en el cálculo de las ratios V/C para cada dirección de viaje, donde el volumen de tráfico para cada segmento se divide por la capacidad del segmento. Los volúmenes se obtienen de los recuentos para las condiciones existentes o de un modelo de pronóstico de viajes para las condiciones futuras. La capacidad se estima como el número de carriles multiplicados por 2.200 vehículos por hora por carril cuatro segmentos de autopista de cuatro carriles y 2.300 vehículos por hora por carril para segmentos con seis o más carriles. Los ratios V/C se calculan y se relacionan con LOS sobre la base de las relaciones presentadas en referencias estándar.

Las métricas de congestión, como las horas de congestión, las horas de demora de los vehículos y las medidas de confiabilidad dependen de la comprensión cuando la demanda excede la capacidad. El modelo Greenshields proporciona un marco teórico para estos cálculos, incluso cuando se utilizan métodos más sofisticados para un análisis detallado.

Future Directions and Emerging Technologies

Vehículos conectados y automatizados

El surgimiento de vehículos conectados y automatizados (CAV) tiene implicaciones significativas para la teoría del flujo de tráfico y la estimación de la capacidad. Los vehículos automatizados pueden mantener un mantenimiento más corto después de las distancias y reaccionar más rápidamente que los conductores humanos, lo que podría aumentar la densidad de mermelada y la capacidad. Las relaciones fundamentales encarnadas en el Modelo Greenshields pueden necesitar ser recalibradas o reformuladas para tener en cuenta estos cambios.

La tecnología de vehículos conectados permite a los vehículos compartir información sobre su velocidad, posición e intenciones, lo que podría reducir la incertidumbre y variabilidad que contribuyen a las limitaciones de capacidad. A medida que aumentan las tasas de penetración de CAV, el flujo de tráfico puede volverse más homogéneo y predecible, lo que podría hacer modelos simples como el modelo Greenshields más preciso que menos.

Sin embargo, las condiciones de tráfico mixtas con vehículos convencionales y automatizados presentan nuevos retos para la estimación de la capacidad. El diagrama fundamental puede mostrar diferentes características dependiendo de la proporción de vehículos automatizados en el flujo de tráfico, requiriendo nuevos enfoques de modelado que puedan dar cuenta de esta heterogeneidad.

Big Data and Machine Learning Applications

La disponibilidad de conjuntos masivos de datos sobre tráfico de diversas fuentes crea nuevas oportunidades para la estimación de la capacidad y el modelado del flujo de tráfico. Los algoritmos de aprendizaje automático pueden identificar patrones complejos y relaciones en estos conjuntos de datos que pueden no ser aparentes a través de métodos de análisis tradicionales. Los enfoques de aprendizaje profundo han demostrado la promesa de predecir los estados de tráfico y estimar la capacidad en diversas condiciones.

Sin embargo, enfoques puramente basados en datos carecen de la base teórica e interpretación de modelos basados en la física como el modelo Greenshields. Los enfoques híbridos que combinan las fortalezas de ambos paradigmas —utilizando el aprendizaje automático para captar patrones complejos respetando las limitaciones físicas fundamentales— representan una dirección prometedora para la investigación futura.

Las redes neuronales con información física, que incorporan ecuaciones de flujo de tráfico como limitaciones en el proceso de aprendizaje, ejemplifican este enfoque híbrido. Estos métodos pueden aprovechar grandes conjuntos de datos y asegurar que las predicciones sigan siendo coherentes con los principios fundamentales de la corriente de tráfico, lo que podría proporcionar estimaciones de capacidad más precisas y fiables.

Climate Change and Resilience Considerations

Se espera que el cambio climático aumente la frecuencia y la gravedad de los fenómenos meteorológicos extremos, que pueden afectar significativamente la capacidad de las carreteras. Comprender cómo la capacidad varía en diferentes condiciones meteorológicas se vuelve cada vez más importante para la planificación de la resiliencia. El modelo Greenshields se puede calibrar por separado para diferentes condiciones climáticas para cuantificar estos impactos.

Las inundaciones, el calor extremo y otros impactos relacionados con el clima pueden afectar tanto la infraestructura física como el comportamiento del conductor de maneras que alteran las relaciones del diagrama fundamental. Los organismos de transporte deben considerar estos factores al estimar la capacidad para fines de planificación a largo plazo y elaborar estrategias de adaptación.

El análisis de la capacidad centrado en la resiliencia no sólo considera las condiciones normales de funcionamiento, sino también los estados degradados y las trayectorias de recuperación tras las perturbaciones. El modelo Greenshields proporciona un marco para comprender cómo la capacidad cambia en diversos escenarios y la rapidez con que se puede restaurar la capacidad normal después de un incidente o evento.

Buenas prácticas y recomendaciones

Cuándo utilizar el modelo Greenshields

El modelo Greenshields es más adecuado para análisis preliminares, propósitos educativos y situaciones en las que se valora la simplicidad y la transparencia sobre la máxima precisión. Funciona mejor para segmentos de carreteras relativamente homogéneos con flujo ininterrumpido, como secciones de autopistas entre los principales intercambios. El modelo es menos adecuado para situaciones complejas que implican variaciones geométricas significativas, porcentajes de vehículos pesados o condiciones de flujo interrumpidas.

Para los análisis de nivel de planificación en los que las estimaciones de orden de conciencia son suficientes, el modelo Greenshields proporciona un enfoque rápido y defensible. Sin embargo, para el diseño detallado, el análisis operativo o situaciones en las que la precisión es crítica, deben considerarse modelos más sofisticados o métodos empíricos. El modelo sirve como un excelente punto de partida que se puede refinar con análisis adicionales según sea necesario.

Los ingenieros deben validar siempre los resultados modelo contra los datos observados cuando sea posible y ser transparentes sobre las hipótesis y limitaciones inherentes al enfoque. El modelo Greenshields debe considerarse como una herramienta en un conjunto de herramientas más grande en lugar de una solución universal para todos los problemas de estimación de la capacidad.

Garantía de calidad y documentación

La documentación adecuada de los procedimientos de estimación de la capacidad es esencial para la garantía de calidad y la referencia futura. Todas las fuentes de datos, métodos de recogida, períodos de tiempo y condiciones meteorológicas deben estar claramente documentadas. El procedimiento de calibración, incluidas las estadísticas de regresión y las medidas de bondad de beneficio, debe informarse para que otros puedan evaluar la fiabilidad de los resultados.

Cualquier ajuste o modificación al modelo estándar Greenshields debe ser explícitamente señalado y justificado. Si las estimaciones de capacidad se ajustan sobre la base de juicios de ingeniería o factores locales, se debe documentar la justificación de esos ajustes. Esta transparencia permite el examen entre pares y ayuda a los analistas futuros a comprender la base de las estimaciones.

Las estimaciones de capacidad deben actualizarse periódicamente a medida que se disponga de nuevos datos o cambien las condiciones. Las mejoras en las carreteras, los cambios en las pautas de tráfico o los cambios en la composición de la flota de vehículos pueden afectar a la capacidad a lo largo del tiempo. La recalibración periódica garantiza que las estimaciones sigan siendo actuales y precisas.

Comunicar resultados a los responsables de la adopción de decisiones

Al presentar estimaciones de capacidad a públicos no técnicos, es importante explicar tanto los resultados como sus limitaciones en términos accesibles. Los encargados de adoptar decisiones deben comprender que la capacidad no es un valor fijo, determinista sino un valor estimado sujeto a variabilidad e incertidumbre. Se debe comunicar claramente la gama de valores potenciales de capacidad y los factores que influyen en esta gama.

Las presentaciones visuales del diagrama fundamental pueden ayudar a los interesados a comprender las relaciones entre variables de tráfico y el concepto de capacidad. Mostrar cómo el flujo de tráfico aumenta con densidad hasta un punto máximo y luego disminuye proporciona una explicación intuitiva de por qué añadir más vehículos más allá de la capacidad realmente reduce el rendimiento.

Deben destacarse las consecuencias prácticas de las estimaciones de la capacidad. Por ejemplo, explicar que una carretera que opera al 90% de la capacidad es probable que experimente congestión frecuente ayuda a los encargados de adoptar decisiones a comprender la necesidad de mejoras o estrategias de gestión de la demanda. Conectar el análisis técnico a los resultados del mundo real hace que los resultados sean más significativos y factibles.

Resumen y Key Takeaways

El modelo Greenshields sigue siendo una herramienta valiosa para la estimación de la capacidad de tráfico casi 90 años después de su introducción. Su asunción fundamental de una relación lineal de densidad de velocidad conduce a formulaciones matemáticas directas que se pueden calibrar fácilmente utilizando datos de campo. El modelo proporciona estimaciones razonables para muchas aplicaciones mientras ofrece información importante sobre el comportamiento del flujo de tráfico y las relaciones entre velocidad, densidad y flujo.

La estimación de la capacidad utilizando el modelo Greenshields implica la recopilación de datos de velocidad y densidad, calibrando la relación lineal de densidad de velocidad a través del análisis de regresión, y calculando el flujo máximo como un cuarto del producto de velocidad de flujo libre y densidad de mermeladas. Esta capacidad se produce a la mitad de la densidad de mermelada y la mitad de la velocidad de flujo libre, lo que representa el punto de funcionamiento óptimo donde se maximiza el rendimiento.

Si bien el modelo tiene limitaciones, incluida su suposición lineal simplificada, la incapacidad de capturar fenómenos de caída de la capacidad y los desafíos con el tráfico heterogéneo, sigue desempeñando importantes funciones en la práctica de ingeniería del transporte. El modelo es particularmente útil para análisis preliminares, propósitos educativos y situaciones en las que la simplicidad y la transparencia son prioridades. Cuando se combina con validación empírica y ajustes apropiados para las condiciones locales, el modelo Greenshields proporciona una base sólida para la comprensión y estimación de la capacidad de carreteras.

A medida que los sistemas de transporte evolucionan con nuevas tecnologías como los vehículos conectados y automatizados, y a medida que la disponibilidad de datos siga ampliando, los principios fundamentales consagrados en el modelo Greenshields seguirán siendo pertinentes. La sencillez y claridad teórica del modelo lo convierten en una contribución duradera a la teoría del flujo de tráfico, incluso a medida que se desarrollan enfoques más sofisticados para aplicaciones específicas. Comprender el modelo Greenshields proporciona conocimientos básicos esenciales para cualquier profesional de transporte que trabaje con análisis de flujo de tráfico y estimación de capacidad.

Recursos recomendados para el aprendizaje ulterior

Para los interesados en profundizar su comprensión de la teoría del flujo de tráfico y la estimación de la capacidad, se dispone de varios recursos autorizados. El Federal Highway Administration Proporciona amplia orientación técnica e informes de investigación sobre análisis de flujo de tráfico. El Manual de Capacidad de Autopista de la Junta de Investigación de Transportes representa la referencia definitiva para el análisis de la capacidad en los Estados Unidos, incorporando décadas de investigación y observaciones empíricas.

Los libros de texto académicos sobre la teoría del flujo de tráfico proporcionan tratamientos integrales del modelo Greenshields y formulaciones alternativas. Cursos en línea y programas de formación ofrecidos por organizaciones profesionales como Institute of Transportation Engineers abarcar las aplicaciones prácticas de los métodos de estimación de la capacidad. Revistas de investigación como Transport Research y el Journal of Transportation Engineering publican avances continuos en el modelado del flujo de tráfico y el análisis de la capacidad.

Los paquetes de software de simulación de tráfico de código abierto permiten a los practicantes experimentar con diferentes modelos de flujo de tráfico y observar su comportamiento en diversas condiciones. Estas herramientas proporcionan una valiosa experiencia práctica que complementa la comprensión teórica. Las oportunidades de desarrollo profesional, incluidos los talleres y seminarios web, ofrecen foros para aprender de los profesionales experimentados y mantenerse al día con prácticas óptimas en evolución en la estimación de la capacidad y el análisis del flujo de tráfico.

  • Recopilar datos completos de velocidad y densidad durante períodos máximos para captar toda la gama de condiciones de tráfico
  • Utilice el análisis de regresión lineal para calibrar la relación de densidad de velocidad y determinar la velocidad de flujo libre y los parámetros de densidad de mermelada
  • Calcular la capacidad como una cuarta parte del producto de la velocidad de flujo libre y densidad de mermelada, que ocurre a la mitad de la densidad de mermelada
  • Validar las predicciones modelo contra los flujos máximos observados y ajustarse a factores locales como el tiempo, la geometría y la composición del vehículo
  • Reconocer las limitaciones modelo, incluida la suposición lineal y la incapacidad para capturar fenómenos de caída de la capacidad
  • Combina resultados de modelo teórico con observaciones empíricas para estimaciones de capacidad más robustas
  • Documentar todas las hipótesis, fuentes de datos y procedimientos de calibración para la transparencia y futuras referencias
  • Aplicar el modelo adecuadamente para los análisis preliminares utilizando métodos más sofisticados para el diseño y las operaciones detallados
  • Comunicar los resultados claramente a los encargados de adoptar decisiones, explicando tanto las estimaciones como sus incertidumbres inherentes
  • Actualizar las estimaciones de capacidad periódicamente a medida que cambian las condiciones o se dispone de nuevos datos