1

Abstract This paper describes the prototype of an intelligent

traffic light system controlling the green, red and yellow phases
of traffic lights, with the objective of minimizing traffic
congestion, learning how traffic behaves and how to condition it
based on genetic algorithms. The system continuously monitors
traffic density, and with this information creates the first
generations of traffic light timings. It then reviews which signal
timings were best adapted to the system and through crossover
and mutation provided by the genetic algorithm learning method,
simulates a controlled evolutionary process. In this way, the
system learns from the city's traffic and helps minimize journey
times in the Transmilenio mass transportation system.

KeywordsMobility, Traffic Density, Traffic, Transmilenio
System, Intelligent Transportation Systems, Traffic Light,
Traffic Light Systems, Transmilenio Mass Public Transportation
System, Intelligent Traffic Light System, Intelligent Agent,
Automaton, Genetic Algorithms, Machine Learning, Artificial
Intelligence.

I. INTRODUCCIN
l sistema de transporte pblico masivo de la ciudad de
Bogot en adelante (Transmilenio) y el transporte pblico
y privado en general sufren grandes atrasos en sus tiempos de
recorrido, debido a la movilidad de la ciudad, hay diversos
problemas que afectan la movilidad y generan los retrasos,
entre ellos el funcionamiento del sistema de semaforizacin de
la ciudad de Bogot, aunque variable es poco dinmico ya que
no se adapta de manera satisfactoria a la necesidades de la
ciudad en crecimiento y al alto volumen de vehculos. Como
una propuesta para disminuir los tiempos y mejorar la
movilidad del sistema Transmilenio, se plantea implementar
inteligencia artificial en el sistema de semaforizacin.
De manera que es creado un algoritmo inteligente capaz de

Manuscrito recibido Junio 19, 2012.
F. R. Universidad Piloto de Colombia, Facultad Ingeniera de Sistemas,
Bogot, Colombia (telfono: 3136437484; e-mail: frogeliz86@upc.edu.co).

controlar la duracin del tiempo de ciclo (Rojo, Amarillo y
Verde) de los semforos en forma autnoma, controlando as
el flujo vehicular, dando prioridad a las vas con mayor
congestin,
Dicho algoritmo aprende continuamente de los cambios
efectuados en los ciclos de los semforos respecto al trfico y
de esta manera busca obtener los ciclos ptimos para cada
semforo.
El prototipo creado cuenta con un simulador de un sistema
de semaforizacin y un sistema de trfico, para poder
experimentar y determinar en qu medida mejora el trfico y
la movilidad al implementar algoritmos genticos en el
sistema de semaforizacin.
El sistema inteligente de semaforizacin creado captura la
densidad vehicular en cada semforo, ordena de manera que
las intersecciones con mayor trfico son las primeras en
atender, luego selecciona los ciclos de los semforo que mejor
se adaptaron al trfico, para con ellos realizar nuevas
generaciones a partir del proceso de aprendizaje de los
algoritmos genticos, al final estas nuevas generaciones de
ciclos creadas son actualizadas en cada semforo y se realiza
de nuevo el proceso, que se describe en detalle a continuacin.
II. PROCESO DE CONTROL INTELIGENTE
Se describe el proceso que controla la duracin del tiempo
de ciclo (Rojo, Amarillo y Verde) de los semforos.
A. Capturar Densidad Vehicular
Se captura la densidad vehicular es decir la cantidad de
vehculos que tiene un semforo en cola, esto se realiza por
medio de un sensor ubicado en cada semforo, existen en la
ciudad de Bogot implementados 2 tipos de sensores, un
sensor de presin que es ubicado debajo del asfalto y un
sensor de cmara que es ubicado en la parte superior del
semforo, se propone utilizar en una futura implementacin el
sensor de cmara, no solo por ser el ms econmico, adems
por tener un rango de visin ms amplio.
El prototipo retorna por cada semforo la cantidad real de
vehculos que se encuentran en la carretera, de manera
Prototipo de un Sistema de Semaforizacin
Inteligente en la ciudad de Bogot para mejorar
los tiempos de recorrido del Sistema
Transmilenio
Franz Joseph Rogelez
Universidad Piloto de Colombia, Facultad Ingeniera de Sistemas, Bogot, Colombia
{frogeliz86@upc.edu.co}
www.semaforizacioninteligente.com
E
2



Fig. 1. Sensor Semafrico (Fuente: Autor).


Fig. 2. Generacin de los tiempos y Adaptacin (Fuente: Autor)
parecida a como si contara con un sensor real. Luego de
recorrer todas las intersecciones y capturar la cantidad de
vehculos por cada semforo estas se organizan de mayor a
menor siendo las intersecciones prioritarias las que mayor
cantidad de vehculos tengan.
Se crea la primera generacin de tiempos de los ciclos
(Verde y Rojo) el tiempo de ciclo (Amarillo) se ha
determinado como una constante con un valor de 1 segundo,
esta primera generacin creada se realiza a partir de la
demanda de vehculos, se establecen unos lmites para esta
evitar que un punto del sistema sea sobrecargado.
B. Funcin de Adaptacin
Con los tiempos de los ciclos que se crearon en las primera
generacin se calcula el impacto en el sistema, es decir se
evala cules de los tiempos generados se adaptaron al sistema
de trafico de manera positiva, cuales ayudaron a minimizar el
trfico y contaban con el menor tiempo del ciclo, esto se hace
comparando la densidad vehicular y los tiempos de ciclo, se
determina cual es el tiempo de ciclo que se adapt de manera
adecuada al sistema de trfico y este resultado es guardado
para las siguientes generaciones de ese semforo, y el resto de
tiempo que no se adaptaron de ciclo son desechados siguiendo
el esquema de evolucin de Darwin[11] y as para cada
semforo. Este proceso se puede ver en la figura 2.
C. Aprendizaje Maquina
Los algoritmos genticos proveen un mtodo de aprendizaje
simulando un proceso evolutivo que es sometido a cruces y a
la mutacin de los individuos en este caso los tiempos de ciclo
(R y V) de los semforos adems de una seleccin de los
individuos que mejor se adaptan al sistema de trfico, se
toman los dos mejores tiempos adaptados de un semforo y
son cruzados este tiempo resultante del cruce a su vez es
mutado, luego es actualizado en el sistema de semaforizacin
y posteriormente es pasado por la funcin de adaptacin para
determinar si se adapta positivamente en el sistema. Como se
puede observar en la figura 3. Los mtodos de seleccin y
adaptacin para cada tiempo de ciclo aplicado en un semforo
determinan si contina en el algoritmo y es cruzado o es
desechado.
De esta forma se crean nuevos individuos (tiempos de ciclo)
a partir de los operadores genticos dentro de una poblacin y
por eso el cruce y la mutacin son tan importantes en el
algoritmo, el cruce toma dos individuos que mejor se
adaptaron y los cruza mediante el intercambio de material
gentico en este caso los bits de la cantidad de tiempo de ciclo
para cada semforo, la mutacin voltea bits aleatorios dentro
de la poblacin con una pequea probabilidad, y as se genera
diversidad en la poblacin, de esta manera el sistema aprende
de los tiempos de ciclo que son mejores y as busca
constantemente un resultado ptimo.
Se utiliz el estndar de un punto de cruce en cadenas de
longitud fija para realizar el cruce y este punto est dado de
manera aleatoria en la cadena de bits, por ejemplo cada tiempo
de ciclo est representado con una cadena de 8 bits que
corresponden a su material gentico, de esta manera en el
cruce toma una parte de este material de uno de los padres y
otra parte del material del otro padre, su combinacin da el
resultante de una nueva cadena de 8 bits, luego en la mutacin
es tomado un bit aleatorio denominado un gen y este es
mutado, cambiando el bit a su inverso.

Fig. 3. Estructura del Proceso Inteligente (Fuente: Autor)
3



Fig. 4. Cruce y Mutacin Algoritmos Genticos (Fuente: Autor)

Fig. 5. Desfase, tiempo en que gasta un vehculo en ir de un semforo a
otro.

Fig. 6. Proceso de Negocio (Fuente: Autor)
Como se puede ver en la figura 4 los padres se encuentran
antes de la lnea punteada con su respectivo material gentico
y los hijos debajo de la lnea, a la izquierda el punto de cruce
se dio en toda la mitad de la cadena, en la derecha el punto de
cruce se dio en la 3 posicin, y en la mutacin se puede ver el
cromosoma o gen aleatorio que muta es el nmero 5.
D. Ola Verde
Si en determinada iteracin el algoritmo como se puede ver
en el diagrama del proceso en la figura 6, evala que el
sistema se encuentra en una carga de vehculos alta, es decir
una densidad de trfico o congestin alta, es ejecutado un
mtodo denominado ola verde que consiste en dar va
completa a los semforos en verde mientras que se da espera a
las vas que lo cruzan, se determinan los tiempos de ciclo con
niveles de desfase adecuados para que por lo menos la mitad
de los vehculos que se encuentran en el primer semforo
puedan avanzar lo suficiente para reducir el trfico, las
pruebas que se realizaron con el algoritmo en el simulador de
trafico determinaron que cuando el sistema de encuentra en un
estado de alto trfico y es utilizada la ola verde para minimizar
este trfico, en promedio el 36% de vehculos fueron liberados
del sistema de trfico. En la ola verde los tiempos de ciclo
(Rojo y Verde) cuentan con un tiempo adicional debido al
desfase es decir al tiempo de recorrido en que gasta de ir un
semforo a otro, este tiempo est dado por la funcin f (5, 10,
15,20) como se puede ver en la figura 5 el tiempo de desfase
depende de la distancia entre los semforos, en el prototipo la
distancia entre un semforo y otro es constante en la troncal.
E. Diagrama proceso de negocio del sistema inteligente
El proceso de negocio describe todo el sistema desde la
recoleccin de la informacin, la implementacin de los
algoritmos genticos, la evaluacin en el sistema, el recorrido
de todos los semforos y de nuevo la implementacin de este
proceso.
En necesario tener en cuenta que este proceso se llevara a
cabo para cada semforo y depende del servidor donde sea
ejecutado que el tiempo de respuesta sea mnimo, ya que la
cantidad de semforos en la vida real exige un equipo con
buenas caractersticas fsicas para poder soportar este tipo de
operaciones que generan un alto consumo de hardware, para
solucionar esto es recomendable realizar el diseo y la
implementacin de forma paralela, ya que de esta manera el
consumo de la maquina es mucho menor.
El proceso de negocio pasa por varias etapas unas que van
por la capa de presentacin del simulador y luego por la capa
de negocio, donde se encuentra el algoritmo inteligente, la
mayora de los procesos que se pueden ver ya fueron descritos
anteriormente en el artculo, resumiendo el proceso comienza,
en la recoleccin de informacin de la cantidad de vehculos
por cada semforo, luego organiza estos tiempos de manera en
4



Fig. 7. Esquema inicial interfaz del sistema inteligente de semaforizacin.
los semforos que tengan mayor congestin se encuentren
primero, si ya se crearon las primeras generaciones de los
tiempos por demanda entonces, revisa la funcin de
adaptacin para cada tiempo y as determina el impacto en el
sistema, luego de cruzar y mutar los tiempos de manera que
aprende de los tiempos que mejor se adaptaron, despus toma
los tiempos resultantes y los actualiza en el simulador, y por
ultimo comienza a iterar de nuevo el proceso de manera que
siempre est en busca del resultado ptimo, la mayora de los
algoritmos genticos cuentan con una funcin de parada, es
decir dnde el algoritmo determina que debe dejar de iterar,
para este problema se determin por ser un problema de
cambio constante, no se puede determinar un estado de parada,
por ello el proceso de negocio y el algoritmo gentico no
cuenta con esta condicin.
III. SIMULADOR DE TRFICO
Como desarrollo final de este proyecto se realiza un
simulador de trfico para probar con ello que el algoritmo
inteligente que controlara el sistema de semaforizacin cumple
con su cometido de minimizar los tiempos de recorrido del
sistema Transmilenio, dejando as un marco de estudio en el
que se puede pensar para posteriormente implementar en la
ciudad y as disfrutar de los resultados de esta investigacin
y/o futuras investigaciones que pueden tomar como punto de
partida en esta. El simulador construido se hizo a partir del
simulador de Martin Treiber [10], que utiliza un modelo
inteligente de conduccin IDM (Inteligent-Driver-Model), este
modelo cuenta con un sistema inteligente que implementa
autmatas celulares para cada vehculo que acta como un
ente independiente, decide su aceleracin o desaceleracin
dependiendo de los factores del ambiente que rodean al
vehculo muy parecido al ambiente real, este modelo es
explicado en detalle en el punto C.
A. Alcance del simulador
El alcance actual est determinado por una va principal en
la ciudad de Bogot y las calles que la cruzan, la va principal
la troncal Caracas entre (Calle 39, Calle 45, Calle 53, Calle 57
y Calle 63).
Los semforos controlados sern los dispuestos en estas
intersecciones en ambos sentidos, teniendo en cuenta en la
vida real como operan los semforos de estas calles es decir el
sentido de sur-norte, norte-sur, este-oeste, oeste-este.
Los vehculos en el simulador esta diferenciados por los
vehculos pertenecientes al sistema Transmilenio, los artculos
diferenciado por su tamao largo y su color rojo, y los
vehculos particulares diferenciados por su tamao corto y su
color azul.
En la troncal en la ciudad de Bogot tambin transitan
vehculos particulares, pero al ser el objetivo de este proyecto
minimizar los tiempos de recorrido del sistema Transmilenio y
por el alcance determinado en el prototipo los vehculos que
transitan por la troncal sern nicamente los vehculos del
sistema Transmilenio los articulados y por las calles que lo
cruzan vehculos particulares.
B. Interfaz de usuario
Se muestra el simulador detallando el mapa de las calles y
los semforos de las intersecciones, se pues observar que cada
semforo tiene un id nico que lo identifica y ubica en el mapa
de semforos, como se puede observar en la figura 7.
En la figura 8 la interfaz del usuario se puede ver que las
calles y la troncal esta diferenciadas por sus nombres que
cuenta con el nombre de la calle y el sentido de orientacin, de
esta manera ubicarse en el plano real de la ciudad de Bogot.
5

Fig. 8. Interfaz del sistema inteligente de semaforizacin.
C. Modelo de trfico Longitudinal: El IDM
[8]

El IDM es un "auto siguiendo el modelo", es decir, el estado
del trfico en un momento dado se caracteriza por las
posiciones, velocidades, y el ndice de carril de los vehculos.
La decisin de cualquier conductor para acelerar o frenar
depende slo de su propia velocidad, en el vehculo de frente y
el inmediatamente atrs de l. Las decisiones de cambio de
carril, sin embargo, depende de todos los vehculos vecinos.
En concreto, la aceleracin dv / dt de un conductor
determinado depende de su velocidad v, s en la distancia con
el vehculo delantero, y de la velocidad v Delta diferencia
(positiva al acercarse),
(

|
.
|

\
|

|
.
|

\
|
=
2
*
0
1
s
s
v
v
a
dt
dv
o
(1)

donde

(

|
.
|

\
| A
+ + =
ab
v v
vT s s
2
, 0 min 0 *
(2)
La aceleracin se divide en una "deseada" aceleracin a (3)
en el camino libre, y reduce la velocidad de frenado inducida
por el vehculo del frente.

(

|
.
|

\
|
delta
v0
v
- 1
(3)
La aceleracin en el camino libre disminuye a partir de la
aceleracin inicial a cero al acercarse a la "velocidad deseada"
v0.
El trmino de frenado se basa en una comparacin entre la
"distancia deseada dinmica" (2), y la real diferencia con el
vehculo precedente. Si la brecha real es aproximadamente
igual a la (2), entonces la desaceleracin rompe esencialmente
que compensa la parte de aceleracin en vaco, as que la
aceleracin resultante es casi cero. Esto significa que (2),
corresponde a la brecha al seguir a otros vehculos en
constante flujo de trfico. Adems (2), aumenta
dinmicamente cuando se aproxima a los vehculos ms
rpidos y disminuye cuando el vehculo delantero es ms
lento. Como consecuencia de ello, la desaceleracin del
impuesto se incrementa con la disminucin de la distancia al
vehculo delantero (se quiere mantener una cierta "distancia de
seguridad"), el incremento de la velocidad propia (que
aumenta la distancia de seguridad), aumento de la diferencia
de velocidad en el vehculo delantero (cuando se aproxima el
vehculo frente a una tasa muy alta, una situacin peligrosa
puede ocurrir) [8].
IV. RESULTADOS DEL EXPERIMENTO
Para comenzar este experimento se tom un conjunto de
datos reales extrados de las estadsticas del trfico de la
ciudad de Bogot [22] [23] [24], los cuales se convierten en
los datos de entrada para crear el trfico simulado, con esto es
posible disponer de unos resultados ms cercanos a la
realidad.
El trfico que se crea a partir de los datos encontrados en las
estadsticas de la ciudad, son el conjunto de valores iniciales
que determina la generacin de nmeros pseudoaleatorios que
corresponden a la densidad vehicular generada para el
prototipo. Esta generacin de nmeros pseudoaleatorios son
creados utilizando un algoritmo creado con el estadista
Dagoberto Saboy, con de la informacin recolectada que es
utilizada como semilla para generar el nuevo trfico.
Con el trfico creado a partir de los datos recolectados se
obtiene una muestra que es una buena aproximacin al trfico
real de la ciudad de Bogot, que es utilizada para los dos
escenarios de prueba y comparacin.
En el primer escenario los tiempos de los ciclos (Rojo y
Verde) de los semforos son los mismos que tienen los
semforos en la ciudad de Bogot y que fueron recogidos a
travs de una investigacin que se realiz para saber el
funcionamiento del sistema de semaforizacin real de la
ciudad de Bogot, esta investigacin se encuentra en detalle en
el documento completo de este proyecto.
1

En el segundo escenario los tiempos de los ciclos (Rojo y
Verde) de los semforos son los tiempos que el algoritmo

1
Franz Rogelez, Prototipo de un Sistema de Semaforizacin Inteligente en
la ciudad de Bogot para mejorar los tiempos de recorrido del sistema
Transmilenio. Pg. 15
6
gentico asigna a cada semforo.
Estos dos escenarios de prueba son comparados para
visualizar en qu medida la implementacin de algoritmos
genticos en el sistema de semaforizacin mejora la movilidad
respecto al funcionamiento del sistema actual.
A. Informacin Base.
La informacin que fue recolectada sobre el trnsito de
articulados del sistema Transmilenio se describe a
continuacin, ver Tabla I.
TABLA I
PROMEDIO DE ARTICULADOS POR DIA Y POR MES

Promedio mensual de
vehculos vinculados
Promedio diario de
vehculos en servicio

2.010 2011 2012 2.010 2011 2012
Troncal 1.176 1.269 1.291 1.114 1.240 1.252
Adems se agregan la velocidad media de estos vehculos
ver Tabla II.
Flota troncal disponible vinculados 30 de abril de 2012: 1.291
Buses,
Velocidad promedio flota troncal abril de 2012 26,08
Km/hora.


Fig. 9. Grfica del promedio mensual de vehculos vinculados, 2010 al
2012.


Fig. 10. Grfica del promedio mensual de vehculos en servicio, 2010 al
2012.
B. Resultados del algoritmo creado GPAN
En 21 das de observacin en el tiempo del simulador se
realiza un promedio de la cantidad de vehculos generados por
el algoritmo creado GPAN (Generados de Nmeros
Pseudoaleatorios), estos datos generados son una parte ya que
el alcance del proyecto solo toma una parte de la troncal del
sistema Transmilenio, por ello los datos generados son un
porcentaje menor a los datos recolectados.


Fig. 11. Grfica de la densidad creada para la 39 a la 63.

C. Resultados de los escenarios de pruebas

La tabla II describe la comparacin entre las velocidades
mxima promedio alcanzada por los dos escenarios de
pruebas.
TABLA II
VELOCIDAD PROMEDIO DATOS SIMULADOS Y DATOS REALES
Velocidad V Medida
Velocidad promedio flota
troncal real
26,08 km/h
Velocidad mxima promedio flota
troncal simulada
63,09 km/h
Velocidad promedio flota troncal
de la Simulacin con AG
36,03 km/h
Velocidad mxima promedio flota
troncal Simulacin con AG
68,06 km/h


Fig. 12. Comparacin de la velocidad promedio real y la simulada.


La tabla III muestra la comparacin de la densidad
capturada por cada semforo en los de escenarios de prueba.
1.000
1.050
1.100
1.150
1.200
1.250
1.300
2.010 2011 2012
Promedio diario de vehculos en
servicio
Troncal
Troncal
7
Esta informacin que se muestra a continuacin es el
promedio de conjunto total de los datos recolectados en el
experimento.

TABLA III
DENSIDAD VEHICULAR PROMEDIO SIMULADA, RESPUESTA DE
LOS SEMAFOROS CON LOS TIEMPOS DE LOS CICLOS REALES Y
LOS CICLOS QUE GENERA EL ALGORITMO GENETICO.
ID
Semforo
Densidad
Simulacin
Densidad
Algoritmos
Genticos
1 10 6
2 15 16
3 31 31
4 15 10
5 13 12
6 15 10
7 13 12
8 10 6
9 9 5
10 6 3
11 5 3
12 10 6
13 15 16
14 13 15
15 10 8
16 40 32
17 13 10
18 12 8
19 6 6

Se puede ver la mejora de la implementacin de los
algoritmos genticos frente al actual funcionamiento del
sistema de semaforizacin de la ciudad de Bogot, en un 17%
de diminucin de la densidad vehicular aproximadamente, una
mejora en la velocidad promedio de un 38.1 % y en la
velocidad mxima promedio de un 7.8% aproximadamente.


Fig. 13. Comparacin del promedio de la densidad vehicular de los ciclos
de los semforos reales y los ciclos de los semforos que genera el
algoritmo gentico.


D. Funcionamiento del sistema de semaforizacin la ciudad
Actual en los cambios de los tiempos de ciclo de los semforos
El Sistema de Semaforizacin vial de la ciudad de Bogot,
cuenta actualmente con 1183 intersecciones que estn
manejadas por 973 equipos de control marca Siemens, de los
cuales el 49.3% corresponde a tecnologa antigua y el 50.7%
con tecnologa de punta. Dependiendo de la interseccin tiene
un aumento o disminucin en el ciclo rojo, amarillo o verde.
En general el sistema actual cambia los ciclos de la siguiente
manera: los ciclos varan los tiempos del Semforo en Rojo y
Verde en 2 periodos diarios (Maana-Tarde) y 3 periodos
semanales (Lunes-Jueves), (Viernes), (Sbado-Domingo) y de
esta manera todo el ao, aun-que eventualmente a travs de
estudios del trfico, se realizan cambios cada 3, 6 o 12 meses,
en el tiempo de Rojo y tiempo de Verde en las
programaciones.
V. PROBLEMAS DE IMPLEMENTACIN

Al tratar de solucionar los problemas de trfico de una
ciudad, en general hablamos de implementar un modelo de
optimizacin con un conjunto de parmetros y variables, como
la densidad vehicular, la distancia entre semforos, los
tiempos de duracin de los ciclos de los semforos y un
objetivo especfico, como la cantidad de paradas de los
vehculos, la cantidad de gasolina gastada, el tiempo total de
espera en el semforo, en este caso y por el alcance dado
inicialmente en el proyecto se intenta mejorar el tiempo de
recorrido de los articulados del sistema Transmilenio y
minimizar el tiempo de espera en el semforo. El problema en
si es bastante complejo ya que interfieren bastantes variables
en el sistema y una son dependientes de las otras, por ejemplo
si solo se da tiempo de ciclo (Rojo y Verde) a los semforos
por demanda de vehculos, a mayor demanda en un semforo
ms tiempo en el ciclo verde tendra y eso causara congestin
en las vas contiguas con lo cual podra ocurrir un colapso, ya
que se sobrecargo un punto en el sistema de trfico y en el
sistema de semaforizacin. Aunque la implementacin del
algoritmo gentico determina entonces cuales tiempos de ciclo
(Rojo y Verde) son los ms indicados para ser asignados a
cada semforo as eliminando esta situacin.
Otro ejemplo el tiempo de ciclo y la desfase son variables
dependientes y esto hace que al modificar una se tenga que
modificar la otra, por ejemplo el sistema tiene que tener en
cuenta que el tiempo rojo en un semforo, debe contar como el
verde en el contiguo, es decir que adems de los vehculos en
cola en el propio semforo debe estar atento de los semforos
contiguos en la interseccin, eso en el sistema real es dado por
una caja de control que no permite que en una interseccin
todos los semforos estn en el ciclo verde o en el ciclo rojo al
mismo tiempo.
Por otro lado en la simulacin se estiman variables optimas,
por ejemplo el modelo inteligente de conduccin elimina los
accidentes ya que respeta la distancia mnima de seguridad
entre un vehculo y otro y mantiene un velocidad mesurada al
alcanzar un vehculo lento, para evitar acciones de choque, en
8
la vida real esta situacin no se da todas las veces, la mayora
de los accidentes de trfico ocurren por estas circunstancias.
VI. TRABAJO FUTURO
Este trabajo puede ser evaluado para ser implementado en la
ciudad de Bogot, segn los experimentos realizados la
implementacin mejorara la movilidad en un porcentaje
ptimo aunque estos datos pueden cambiar a favor al aumentar
las horas de prueba.
Si se desea implementar se tienen que tener en cuenta
aspectos mencionados en el punto (V) problemas en la
implementacin.
En la implementacin real, pueden ser creadas futuras
investigaciones de como el sensor captura la informacin y
como hacer esta informacin an ms valiosa, capturando
mayor cantidad de detalles, por el alcance del proyecto el
sensor solo devuelve la cantidad de vehculos, pero sin duda
un sensor real podr capturar la velocidad de los vehculos y
utilizar esta informacin para alimentar el algoritmo gentico.
Se podra con la informacin captada realizar unas
proyecciones de la densidad del trfico, el modelo quedara
completo si se toman los procesos estocsticos para realizar
esta tarea, pero el slo comprender el tema tomara entre uno o
dos semestres ms, as que es bueno tener en cuenta este tem
como la continuacin de un proyecto, o como una opcin de
trabajo para la maestra y porque no para un doctorado.
Tambin puede ser mejorado el algoritmo gentico por
ejemplo en la investigacin se pudo observar que el uso de un
operador de cruce uniforme ha demostrado ser ms eficiente
en otros contextos que el cruce en un punto, si se probara de
esta manera podra determinar en qu medida mejora cambiar
el punto de cruce.
Aunque en esta investigacin se utiliza algoritmos genticos
por ser un mtodo de optimizacin y por ser un mtodo
evolutivo que se adapta particularmente a la idea de
mejoramiento continuo al sistema de semaforizacin, no
quiere decir que sea el nico mtodo inteligente a utilizar para
la optimizacin de un sistema de semaforizacin, por ello esta
investigacin puede ser tomada como punto de partida para
implementar otros mtodos inteligentes.
VII. CONCLUSIONES
Este prototipo presenta una alternativa para la mejora de la
movilidad, aunque para ello se requiere de una cantidad de
informacin real importante para que los datos simulados se
aproximen ms a la realidad.
Es importante destacar que gracias al simulador de trafico
movsim [10], fue posible realizar el experimento, el cual se
utiliz para probar el algoritmo gentico con un trfico
simulado, en el marco cientfico el software libre contribuye a
la expansin del conocimiento y esto ayudo para poder
comprobar las teoras y objetivos planteados en el inicio de
este proyecto.
Los resultados del algoritmo gentico aunque en un
principio no parecieron prometedores el experimento
demostr que mejorara continuamente el trfico.
Los resultados de en un 17% de diminucin de la densidad
vehicular, una mejora en la velocidad promedio de un 38.1 %
y en la velocidad mxima promedio de un 7.8%
aproximadamente, que conllevara a mejorar la movilidad
tanto para los articulados del sistema Transmilenio y para los
automviles particulares, tambin es importante destacar que
estos porcentajes podran ser mucho mayores por la cantidad
de iteraciones del algoritmo gentico, entre ms veces sea
iterado el proceso de negocio el resultado ser mucho ms
cercano a un resultado ptimo.
El equipo utilizado en las pruebas del experimento tuvo
problemas de rendimiento, por ello es necesario contar con un
buen equipo para realizar mejores pruebas que exigen ms
recursos de hardware.
Las pruebas realizadas requieren de mucho ms tiempo para
tomar buenos resultados respecto a algoritmo gentico.
Aunque la cantidad de vehculos del sistema Transmilenio
en las horas de pico parece baja, es importante destacara que
se tienen que tener factores en cuenta para cumplir la
demanda, ya que tiene que mantener una distancia de
seguridad entre articulados para evitar acciones de choque, por
eso la cantidad de articulados no puede superar un tope aun en
las horas pico.
Los conocimientos adquiridos durante la carrera
proporciona la manera adecuada de abordar los problemas a
los que es enfrentado un ingeniero de sistemas.
Las etapas de anlisis y diseo son importantes mucho ms
que la implementacin ya que proporcionan las bases
adecuadas para realizar un buen proyecto de software y al
momento de llegar a la implementacin son mucho menos
preguntas las que el desarrollador tiene que hacer sobre cmo
abordar el problema.
Las buenas prcticas de desarrollo facilitan la
implementacin del cdigo y lo hacen mucho ms rpido de
igual manera al momento de llegar al mantenimiento del
software se hace ms sencillo de abordar.
La implementacin estadstica en un proyecto de este
alcance facilita la muestra de resultados y da la confianza que
estos resultados estn cercanos a la realidad.
AGRADECIMIENTOS
Los autores agradecen a Klaus Banse, Sebastian Thrun,
Peter Norvig, Ralph Germ, Arne Kesting, Martin Budden,
Martin Treiber, Dagoberto Saboy, Erik Schwartz, Ignacio
Hernndez, Gilberto Pedraza, Fredy Prez, Giovanny Fajardo,
Ibo Cerra, Fidel Barbosa y Andrs Marn por sus
contribuciones al proyecto.
REFERENCIAS
[1] Ignacio Hernndez Molina, LA INVESTIGACION CIENTIFICA Un
camino a la imaginacin, Bogot D.C., 2002
[2] Jong K.A., Spears W.M., y Gordon D.F.. Using genetic algorithms for
concept learning, 1993.
[3] Azarang, R. y Garca, E. Simulacin y anlisis de modelos estocsticos,
Ed. McGraw Hill 1a ed. (1996).
[4] Laurence A., Adapting Operator Probabilities in Genetic Algorithms,
1995.
[5] Spears W. y Anand V. A Study Of Crossover Operators In Genetic
Programming ,1991
9
[6] lba E., Anlisis y Diseo de Algoritmos Genticos Paralelos
Distribuidos, 1999.
[7] Treiber M., Hennecke A. and Helbing D. Congested Traffic States in
Empirical Observations and Microscopic Simulations, 2000.
[8] IDM Informacin: http://www.vwi.tu-dresden.de/~treiber/MicroApple-
t/IDM.html. 2011.
[9] Thrun S. y Norvig P., Artificial Intelligence, Stanford Engineering,
https://www.ai-class.com/ 2011.
[10] Germ R., Kesting A., BuddenM. y Treiber M. Informacin sobre el
simulador, http://www.h1451310.stratoserver.net/movsimwebpage/-
index.shtml 2012.
[11] J.H. Holland. Adaptation in natural and articial systems. University
ofMichigan Press, 1975. Reimpreso por MIT Press en 1992.
[12] Guerra Hernandez A. Aprendizaje Automtico: Algoritmos genticos.
2004.
[13] IBM, The Globalization of Traffic Congestion, PDF. (2010)
[14] Baeck, T., Hoffineister, F., & Schwefel, H. A survey of evolution
strategies. Proceedings of the Fourth International Conference on
Genetic Algorithms (pp. 2-9). La Jolla, CA: Morgan Kaufmann. 1991.
[15] DiCyt, Informacin sobre el trfico y el sistema de semaforizacin de la
ciudad de Bogot, http://www.dicyt.com/noticias/bogota-estudia-la-
implantacion-de-sistemas-inteligentes-de-regulacion-del-trafico. 2008.
[16] Banse K., Protocolos Its Para Sistemas De Semaforizacin,
http://www.sit-colombia.com/download/presentaciones/201109%2029-
%20co%20pso%20avante%20protocolos.pdf 2011.
[17] Garca R., Utilizacin de Algoritmos Genticos en Sistemas Inteligentes
Autnomos, http://iidia.com.ar/rgm/tesistas/steinhilber-tesis-de-grado-
en-sistemas-de-informacion.pdf 2009.
[18] IBM, Trfico inteligente, http://www.ibm.com/smarterplanet/es/es/traff-
ic_congestion/visions/index.html. 2010.
[19] IBM, Congestin en el trfico encuestas,
http://www.ibm.com/smarterplanet/co/es/traffic_congestion/ideas/index.
html. 2010.
[20] IBM, Sensores de Densidad, http://www.ibm.com/podcasts/howitworks-
/040207/index.shtml.
[21] Samuel J. Palmisano, Intelligent Transportation Society of America,
2010 Annual Meeting & Conference, Houston, Texas, May 5,
http://www.ibm.com/smarterplanet/us/en/transportation_systems/article/
palmisano_itsa_speech.html 2010.
[22] Ignacio Hernndez Molina, LA FORMULACION DE PROYECTOS En
Ciencias e Ingenerias, Bogot D.C., 2012
[23] DANE Departamento Administrativo Nacional de Estadstica,
Estadstica Movimiento Transmilenio, http://www.dane.gov.co/files
/investigaciones/boletines/transporte/anexos_transp_IItrim11.xls 2011.
[24] DANE Departamento Administrativo Nacional de Estadstica,
Distribucin Transmilenio, http://www.dane.gov.co/files/investi
gaciones/boletines/transporte/ bolet_transp_IItrim11.pdf 2011.
[25] Transmilenio, Estadsticas Generales Transmilenio, http://www.transmi
lenio.gov.co/WebSite/Contenido.aspx?ID=TransmilenioSA_Transmileni
oEnCifras_EstadisticasGenerales