Capítulo 3 Introducción
La congestión del tráfico se ha incrementado a nivel mundial como resultado de un incremento en el crecimiento poblacional, la urbanización y los cambios en la densidad de población en determinadas regiones a lo largo y ancho del planeta. Esta congestión reduce la eficiencia de las infraestructuras de transporte e incrementa el tiempo de viaje, el consumo de combustible y la contaminación ambiental.
Disponer de información precisa sobre los flujos de tráfico es útil tanto para usuarios individuales como para cualquier sector comercial o gubernamental cuya actividad dependa de operaciones de tráfico rodado. En particular, para el tráfico por carretera, esta información ayuda a los viajeros a organizar de forma eficiente sus viajes, alivia la congestión, reduce las emisiones de carbono y mejora el rendimiento de los desplazamientos.
Sin embargo, no es suficiente con conocer el estado del tráfico en el momento presente sino que es necesario conocer su estado y evolución en el futuro.
En este contexto se ubican los Sistemas Inteligentes de Transporte (ITS1), que son un conjunto de soluciones tecnológicas diseñadas para mejorar la operación y la seguridad del transporte terrestre, tanto para carreteras urbanas y rurales, como para ferrocarriles. Este conjunto de soluciones también pueden utilizarse en otros modos de transporte, pero su principal desarrollo ha sido orientado al transporte terrestre.
El desarrollo y despliegue de los ITS ha propiciado que cada vez se preste más atención a la predicción del flujo de tráfico, de modo que hoy en día se considera un elemento imprescindible de estos sistemas. De esta manera, la información sobre el tráfico no sólo ayuda a la toma de decisiones inmediatas sino que la predicción permite la programación de cualquier actividad influida por el estado del tráfico de forma más inteligente.
La predicción del flujo de tráfico depende en gran medida de los datos de tráfico históricos y en tiempo real, recopilados de diversas fuentes de sensores tales como los detectores basados en bucles inductivos, los radares, las cámaras, los sistemas de posicionamiento global (GPS), el análisis de redes sociales, etc.
Disponiendo de esta componente predictiva, podemos dotarnos de sistemas que proporcionan al usuario tres tipos de información:
- histórica, que describe el estado del sistema durante períodos de tiempo anteriores.
- actual, referida a las condiciones del tráfico presentes, obtenida con los sistemas indicados más arriba.
- y predictiva, que puede ser estratégica y de corto plazo.
La información predictiva estratégica es principalmente necesaria para las decisiones importantes sobre la planificación vial e incluye la predicción de los flujos y las condiciones a meses o años vista.
En contraste, la información predictiva a corto plazo a menudo tiene un horizonte de solo unos minutos y, por lo tanto, es más adecuada para la implementación en sistemas de gestión e información de tráfico.
Es conveniente que el estado del tráfico pueda ser pronosticado, pues de esto modo las acciones dependientes de este estado podrían ser planificadas en coherencia. Los conductores que planifican sus viajes en ausencia de información predictiva están implícitamente asumiendo unas condiciones futuras a partir de la información pasada y actual que tienen a su alcance. Pero esta información es parcial y subjetiva y no necesariamente suficiente para una planificación óptima. Por lo tanto, disponer de predicciones sobre las condiciones de tráfico a corto plazo es fundamental para la gestión efectiva de esta actividad.
En este trabajo abordamos el problema de pronosticar el estado del tráfico a corto plazo en la ciudad de Madrid. A tal efecto, hacemos una revisión de los trabajos realizados en el pasado, seleccionamos los algoritmos que mejores resultados han dado en los distintos documentos revisados y desarrollamos, entrenamos y evaluamos nuestros modelos. Los datos que utilizamos son los que pone a disposición pública el Departamento de Tráfico del Ayuntamiento de Madrid, que describimos más adelante.
En el capítulo 1 justificamos el interés por la investigación de este problema. En el capítulo 2 hacemos una descripción detallada del problema que queremos resolver y explicamos los objetivos que se persiguen y la metodología que seguimos en la investigación. En el capítulo 3 hacemos una revisión de los trabajos y publicaciones más significativos que se relacionan con este problema. En el capítulo 4 hacemos un análisis bien detallado de los datos que se utilizan para esta investigación y fundamentamos la elección de la propiedad objeto de predicción de este trabajo. Revisamos también en este capítulo la calidad de los datos que utilizamos. En el capitulo 5 explicamos los distintos métodos paramétricos utilizados y damos unas explicaciones sobre su fundamento teórico. En el capítulo 6 explicamos los métodos basados en redes neuronales detallando la elección de metaparámetros realizada. En el capítulo 7 presentamos los resultados obtenidos conjuntamente por todos los métodos utilizados, segmentando por calidad de los datos de las series utilizadas. En el capítulo 8 hacemos un resumen de las conclusiones obtenidas y proponemos algunas líneas de investigación futuras relacionadas con este problema. Por último, relacionamos las fuentes bibliográficas utilizadas.
Sistemas Inteligentes de Transporte (Intelligent Trasport Systems, en inglés).↩