ESCUELA POLITCNICA NACIONAL

FACULTAD DE INGENIERIA ELCTRICA Y

ELECTRNICA

CONTROL DE TRFICO VEHICULAR USANDO UN SISTEMA

NEURO-DIFUSO TIPO ANFIS

PROYECTO PREVIO A LA OBTENCIN DEL TTULO DE INGENIERO EN

ELECTRNICA Y CONTROL

NEYMAR FABIN ATIENCIA AUCANCELA

neymar.atiencia@epn.edu.ec
VCTOR EDUARDO RAMREZ ARVALO
vic.ramireza@gmail.com

DIRECTORA: Ing. Yadira Bravo MSc.

yadira.bravo@epn.edu.ec

Quito, Abril 2013

DECLARACIN

Nosotros, Neymar Fabin Atiencia Aucancela y Vctor Eduardo Ramrez Arvalo,

declaramos bajo juramento que el trabajo aqu descrito es de nuestra autora; que
no ha sido previamente presentado para ningn grado o calificacin profesional; y,
que hemos consultado las referencias bibliogrficas que se incluyen en este
documento.

A travs de la presente declaracin cedemos nuestros derechos de propiedad

intelectual correspondientes a este trabajo, a la Escuela Politcnica Nacional,
segn lo establecido por la Ley de Propiedad Intelectual, por su Reglamento y por
la normatividad institucional vigente.

______________________
Neymar F. Atiencia A.

______________________
Vctor Ramrez

ii

CERTIFICACIN

Certifico que el presente trabajo fue desarrollado por Neymar Fabin Atiencia
Aucancela y Vctor Eduardo Ramrez Arvalo, bajo mi supervisin.

________________________
Ing. Yadira Bravo MSc.
DIRECTORA DEL PROYECTO

iii

AGRADECIMIENTO

Agradezco a Dios por sus infinitas bendiciones, a ti madre ma por ser la luz que
ha guiado mi vida, gracias por amarme incondicionalmente, a mi padre, mi
hermana, mi abuelita, mis tos y toda mi familia por estar siempre conmigo
alentndome a creer en mis sueos y no rendirme jams. A los maestros que han
sido guas y consejeros, a los amigos con quienes he vivido esta etapa que llega
a su fin y a cada uno de los ngeles que han pasado por mi vida, gracias Sofa.

Neymar

iv

AGRADECIMIENTO

Agradezco a mi madre y a mi hermano por siempre estar a mi lado y a todos mis

amigos, profesores y compaeros de la universidad que han hecho de esta fase
de mi vida una experiencia nica.

Vctor

DEDICATORIA
A quienes amo.

Neymar

vi

DEDICATORIA
Dedico este trabajo a
Silvia, mi madre, y a
Mauro, mi hermano,
porque siempre me
han apoyado sin
importar qu.

Vctor

vii

CONTENIDO

DECLARACIN ............................................................................................................ ii
CERTIFICACIN ......................................................................................................... iii
AGRADECIMIENTO .................................................................................................... iv
AGRADECIMIENTO ..................................................................................................... v
DEDICATORIA ............................................................................................................ vi
DEDICATORIA ........................................................................................................... vii
CONTENIDO .............................................................................................................. viii
RESUMEN .................................................................................................................. xii
PRESENTACIN ....................................................................................................... xiii
CAPTULO 1 ................................................................................................................. 1

1. FUNDAMENTO TERICO................................................................................. 1
1.1. ANTECEDENTES .................................................................................................. 1
1.2. MODELOS DE TRFICO VEHICULAR [2] ........................................................... 2
1.2.1. INTERPRETACIN FSICA ____________________________________________ 3
1.2.2. DETERMINSTICOS VERSUS ESTOCSTICOS [2,3] _______________________ 4
1.2.3. DISCRETO VERSUS CONTINUO _______________________________________ 5
1.2.4. NIVEL DE DETALLE _________________________________________________ 5
1.2.4.1. Modelo Macroscpico [2,3] .................................................................................... 5
1.2.4.2. Modelo Mesoscpico [2,3] ..................................................................................... 6
1.2.4.3. Modelos Microscpicos .......................................................................................... 7
1.2.4.3.1. Car Following (Siga al Lder) ............................................................................ 8
1.2.4.3.2. Lane Change (Cambio de Carril) .................................................................... 11
1.2.4.3.3. Gap Acceptance (Aceptacin del Espacio)..................................................... 15
1.2.4.3.4. Modelos Microscpicos de Simulacin ........................................................... 16

1.3. DESCRIPCIN DEL PROBLEMA DE TRFICO ................................................ 17

1.3.1. GEOMETRA DE LA RED VIAL ________________________________________ 17
1.3.2. VEHCULOS _______________________________________________________ 18
1.3.3. FLUJO VEHICULAR ________________________________________________ 20
1.3.4. VARIABLES DE TRFICO VEHICULAR _________________________________ 21
1.3.5. ANLISIS ESTADSTICO ____________________________________________ 21

viii

1.3.6. SEMAFORIZACIN ________________________________________________ 23

1.3.7. ADMINISTRACIN DEL TRNSITO ___________________________________ 25

1.4. CONTROL NEURO-DIFUSO ...............................................................................26

1.4.1. INTRODUCCIN __________________________________________________ 26
1.4.2. LGICA DIFUSA___________________________________________________ 27
1.4.2.1. Conceptos bsicos ............................................................................................... 27
1.4.2.2. Tipos de funciones de membresa ....................................................................... 30
1.4.2.3. Introduccin a los sistemas de inferencia difusos ............................................... 33
1.4.2.4. Sistema de Inferencia Difuso ............................................................................... 35
1.4.2.4.1. Razonamiento difuso ...................................................................................... 36
1.4.2.4.2. Modelo tipo Sugeno ........................................................................................ 37
1.4.3. REDES NEURONALES _____________________________________________ 41
1.4.3.1. Sistema Neuro-difuso........................................................................................... 43
1.4.4. ARQUITECTURA ANFIS ____________________________________________ 46
1.4.4.1. ANFIS y la regla de aprendizaje hbrida .............................................................. 51
1.4.4.2. Agrupamiento difuso ............................................................................................ 52

CAPTULO 2 ...............................................................................................................57

2. RECOLECCIN DE DATOS ........................................................................... 57

2.1. MTODOS DE MEDICIN DE TRFICO VEHICULAR ......................................57
2.1.1. SENSORES INVASIVOS ____________________________________________ 57
2.1.1.1. Bucles Inductivos ................................................................................................. 58
2.1.1.2. Sensores Magnticos ........................................................................................... 58
2.1.1.3. Tubos Neumticos ............................................................................................... 59
2.1.1.4. Sensores Piezoelctricos ..................................................................................... 59
2.1.1.5. Sensores en Base a Cables de Fibra ptica ....................................................... 60
2.1.2. SENSORES NO INVASIVOS _________________________________________ 61
2.1.2.1. Sensor Infrarrojo .................................................................................................. 61
2.1.2.2. Ultrasonido ........................................................................................................... 62
2.1.2.3. Microondas ........................................................................................................... 62
2.1.2.4. Cmaras [2,3] ...................................................................................................... 63

2.2. MEDICIONES.......................................................................................................64
2.2.1. MEDICIONES PARA EL MODELO DESARROLLADO EN MATLAB __________ 65
2.2.1.1. Medicin de Longitud entre las Intersecciones Semaforizadas........................... 66
2.2.1.2. Medicin de los Ciclos de los Semforos ............................................................ 67
2.2.1.3. Medicin de los tiempos de aceleracin y frenado de un vehculo ..................... 68
2.2.2. MEDICIONES PARA EL SIMULADOR PROFESIONAL AIMSUN _____________ 69
2.2.2.1. Medicin del Tamao entre las Intersecciones No Semaforizadas ..................... 69

ix

2.2.2.2. Medicin del Comportamiento del Trfico............................................................ 70

CAPTULO 3 ............................................................................................................... 74

3. DISEO DE UN CONTROLADOR NEURO-DIFUSO USANDO ANFIS ......... 74

3.1. DESCRIPCIN DEL MODELO ........................................................................... 75
3.2. DESARROLLO DE LA ARQUITECTURA ANFIS ............................................... 80
3.2.1. INTRODUCCIN ___________________________________________________ 80
3.2.2. DISEO DE LA ESTRUCTURA ANFIS __________________________________ 82
3.2.2.1. Generacin de datos ............................................................................................ 82
3.2.2.2. Generacin del Sistema de Inferencia Difuso FIS ............................................... 86
3.2.2.3. Validacin del modelo ANFIS .............................................................................. 89

CAPTULO 4 ............................................................................................................... 92

4. SIMULACIN DEL SISTEMA CONTROLADO ............................................... 92

4.1. SIMULACIN DE TRFICO VEHICULAR USANDO MATLAB .......................... 92
4.1.1. CARACTERSTICAS DEL SIMULADOR _________________________________ 92
4.1.2. DATOS QUE REQUIERE EL SIMULADOR ______________________________ 93
4.1.3. RESULTADOS DISPONIBLES ________________________________________ 96

4.2. SIMULACIN DE TRFICO VEHICULAR USANDO AIMSUN ........................... 98

4.2.1. CARACTERSTICAS DEL SIMULADOR AIMSUN [2] _______________________ 99
4.2.2. DATOS QUE REQUIERE EL SIMULADOR AIMSUN ______________________ 100
4.2.2.1. Disposicin de la Red......................................................................................... 100
4.2.2.2. Datos de la demanda de Trfico ........................................................................ 101
4.2.2.3. Control de Trfico ............................................................................................... 101
4.2.2.4. Detectores .......................................................................................................... 102
4.2.2.5. Transporte Pblico ............................................................................................. 102
4.2.3. RESULTADOS DISPONIBLES _______________________________________ 102
4.2.4. IMPLEMENTACIN DEL MODELO DE SIMULACIN DE LA ZONA DE ESTUDIO
103
4.2.4.1. Edicin ................................................................................................................ 104
4.2.4.2. Plan de Control ................................................................................................... 106
4.2.4.3. Estado del Trfico y Demanda de Trfico .......................................................... 107
4.2.4.4. Plan de Control Maestro .................................................................................... 107
4.2.4.5. Simulacin .......................................................................................................... 107

4.3. CONTROL DE TRFICO VEHICULAR ............................................................. 108

4.3.1. SEMFOROS_____________________________________________________ 108
4.3.2. DIRECCIN DE LOS CARRILES _____________________________________ 111

4.3.3. VELOCIDAD LMITE _______________________________________________ 111

4.4. RESULTADOS DE SIMULACIN .....................................................................112

4.4.1. RESULTADOS DEL SIMULADOR DESARROLLADO EN MATLAB __________ 112
4.4.2. RESULTADOS DEL CONTROLADOR ANFIS ___________________________ 114
4.4.2.1. Modelo Original .................................................................................................. 115
4.4.2.2. Modelo Controlado ............................................................................................. 116
4.4.3. RESULTADOS DEL SIMULADOR PROFESIONAL AIMSUN _______________ 118
4.4.3.1. Modelo Original sin Intersecciones no Semaforizadas ...................................... 118
4.4.3.2. Plan de Control Original ..................................................................................... 120
4.4.3.3. Modelo Real ....................................................................................................... 126
4.4.3.4. Plan de Control Ajustado en AIMSUN ............................................................... 128

CAPTULO 5 .............................................................................................................132

5. CONCLUSIONES Y RECOMENDACIONES ................................................. 132

5.1. CONCLUSIONES ..............................................................................................132
5.2. RECOMENDACIONES ......................................................................................134
REFERENCIAS BIBLIOGRAFICAS ..........................................................................135
ANEXO 1
ANEXO 2
ANEXO 3

xi

RESUMEN
El presente trabajo consiste en el diseo de un controlador utilizando el Sistema
de Inferencia Difusa Basado en Redes Neuronales Adaptivas (ANFIS), para
controlar la temporizacin y sincronizacin de la secuencia de semforos, en este
caso, localizada en la Av. Coln, y as evitar el congestionamiento vehicular sobre
ella.

Luego de analizar los diferentes modelos de trfico vehicular y escoger el ms

adecuado para la aplicacin, se recogen los datos necesarios para alimentarlo y
se elabora un programa en MATLAB que permite simular el comportamiento del
modelo y donde se puede observar cmo circulan los vehculos a travs de las
diferentes intersecciones, cmo reaccionan ante los estados de los semforos y
cmo interactan entre ellos.

Con el modelo ya probado se desarrolla y entrena una estructura ANFIS para

optimizar la velocidad media del flujo vehicular que circula en las secciones
comprendidas entre cada par de semforos de la zona en estudio. La variable que
se controla y modifica en el modelo original es el desfasamiento de la fase de
verde. Los resultados de la arquitectura ANFIS se validan con los resultados del
modelo matemtico, reaccionando ambos ante las mismas entradas.

Finalmente, se evalan los resultados utilizando un programa dedicado de

manera especfica para simulaciones de trfico vehicular, AIMSUN.

Mediante AIMSUN se genera un escenario que representa el flujo vehicular que

viaja a travs de una secuencia de semforos, cuyas caractersticas son medidas
en la avenida Coln; y sobre ste se evala el plan de control generado en base a
los resultados de la estructura ANFIS, luego se aaden perturbaciones.

Adems, se generaron rplicas del modelo real de la Av. Coln, controladas por
un plan ajustado en base al obtenido anteriormente, considerando intersecciones
no semaforizadas, sus flujos y el transporte pblico que circula por el sector.
xii

PRESENTACIN
El presente trabajo consiste en escoger y analizar un modelo de trfico vehicular y
los resultados que se obtienen al controlarlo usando tcnicas neuro-adaptiva tipo
ANFIS, desarrollar una interfaz que permita simular el modelo de trfico vehicular
de una avenida, entrenar el sistema neuro-difuso para el control del mismo, y
validar dichos resultados mediante un simulador profesional.

El Captulo 1 analiza tanto el problema de trfico vehicular, como los aspectos

tericos de la lgica difusa y los conocimientos necesarios para entender el
funcionamiento del ANFIS.

En el Captulo 2 se enumeran los diferentes mtodos de medicin de trfico

vehicular y se describe el proceso para obtener los datos necesarios para
desarrollar el modelo en MATLAB y para realizar la simulacin en AIMSUN.

La descripcin del modelo de trfico desarrollado, enumerando las ecuaciones

utilizadas y las restricciones creadas en el modelo; el proceso realizado para
entrenar el controlador ANFIS y la explicacin en detalle de los comandos que se
utilizan; cmo se obtienen los datos de entrenamiento; y la operacin de la
interfaz grfica del controlador, se encuentra en el Captulo 3.

En el Captulo 4 se introduce el simulador desarrollado en MATLAB, se explica su

funcionamiento y los datos de entrada y de salida que posee, se realiza un
resumen de las caractersticas y de la forma en que se configura un proyecto en
AIMSUN. Luego, se explican algunos mtodos de control de trfico vehicular y por
ltimo se presentan los resultados obtenidos en la validacin del simulador en
MATLAB, del controlador ANFIS y los resultados que entreg AIMSUN.

Por ltimo, en el Captulo 5 estn las conclusiones obtenidas a lo largo del

desarrollo de este proyecto de titulacin, as como las recomendaciones para
realizar trabajos futuros.

xiii

CAPTULO 1
1. FUNDAMENTO TERICO
1.1. ANTECEDENTES
Un sistema de trfico vehicular es una mezcla de entes biolgicos
(conductores, peatones) y no biolgicos (vehculos, vas); la complejidad de
ste depender del tamao del mismo en esencia, mas esto no significa, que
una ciudad pequea o una simple carretera representen una situacin trivial.
De hecho un solo vehculo movindose a travs de una secuencia de
semforos genera un comportamiento catico.

El comportamiento de los peatones y conductores es parte primordial del

sistema, de ah que es necesario estudiarlo y analizarlo para poder controlarlos
y guiarlos adecuadamente dentro de ste.

En casi todas las ciudades del mundo, el parque automotor ha experimentado

una dilatacin significativa, por lo que se ha vuelto un elemento importante para
el problema de trfico vehicular, dentro de este crecimiento, el automvil es el
que ha presentado mayor incremento, ya que brinda cierta rapidez y
comodidad en la movilizacin de personas, desafortunadamente esto
contribuye a la congestin, contaminacin y accidentes que se tienen hoy en
da en el sistema vehicular.

El ltimo elemento primordial es la red vial, pues la geometra de sta

interviene directamente en la calidad del sistema de trfico vehicular, una red
vial est compuesta por autopistas, calles e intersecciones. Estas ltimas son
puntos crticos donde se genera la congestin vehicular.

Las estrategias de control que se realizan en este proyecto de titulacin se

implementan con la ayuda de un simulador diseado en MATLAB y un
simulador profesional de trfico vehicular, por lo que es necesario estudiar los
1

diferentes modelos que simulan el sistema de trfico vehicular, tanto como el

comportamiento de los conductores y las interacciones que tiene cada vehculo
en la carretera. Los modelos de trfico creados hasta el momento cumplen con
una serie de caractersticas que se han generalizado y son de uso comn.

Un modelo de trfico microscpico describe el comportamiento de conductores

y vehculos de forma individual. Un modelo submicroscpico describe el mismo
comportamiento de un modelo microscpico y aade al modelo mayor
especificacin,

especialmente

sobre

el

automvil.

En

los

modelos

mesoscpicos se estudian los autos por grupos, se clasifican de acuerdo a sus

velocidades y se obtienen tipos de autos que se pueden estudiar de manera
individual. Un modelo macroscpico asume que el comportamiento de los
conductores

depende

de

las

condiciones

del

trfico

estudia

el

comportamiento de los autos a gran escala. El conjunto ms grande es el

macroscpico, en l se encuentran contenidos los dems modelos. El
siguiente, es el modelo mesoscpico. Despus, est el modelo microscpico
donde se encuentra contenido el submicroscpico. En la Figura 1.1., se
observa esta descripcin planteada por Gonzlez J. et all [1].

Figura 1.1 Descripcin de los modelos [1].

1.2. MODELOS DE TRFICO VEHICULAR [2]

Actualmente existe gran variedad de modelos de trfico vehicular, de ah que
surgen cuantiosas maneras de clasificarlos en base a sus propiedades. A

continuacin se presenta una clasificacin de los modelos de trfico vehicular

desde el punto de vista de la ingeniera en control.

Interpretacin fsica;

Determinstico versus estocstico;

Discreto versus continuo;

Nivel de detalle.

1.2.1. INTERPRETACIN FSICA

De acuerdo con la teora de control, existen tres maneras para modelar los
sistemas: mediante caja blanca, caja negra y caja gris. Cada uno de los tipos
de modelado, orientados a trfico vehicular, se presenta a continuacin:

Modelo de Caja Blanca o Mtodo Deductivo. En el modelo de caja blanca o

mtodo deductivo, las ecuaciones fsicas describen las relaciones entre los
diferentes estados del sistema de trfico. Las relaciones entre los estados del
sistema son descritas por las propiedades que pueden ser medidas.

Modelo de Caja Negra o Mtodo Inductivo [2]. Para el modelo de caja negra,
los datos de entrada y de salida del sistema son registrados, y a travs de
stos se encuentra el modelo, ajustando parmetros para cumplir con los datos
de entrada y salida (identificacin de sistemas); por ejemplo, las redes
neuronales. Para un sistema de trfico, los datos de entrada y de salida son
tpicamente los flujos de trfico, la densidad de trfico y las velocidades. Con el
mtodo de caja negra no hay en general ninguna relacin fsica directa entre la
situacin de trfico y la estructura modelada. Un ejemplo de modelado de
trfico de caja negra es el uso de redes neuronales entrenadas para imitar el
comportamiento del sistema de trfico, por ejemplo, el modelo de la densidad
futura de trfico como una funcin de la densidad, velocidad y flujos medidos.

Modelo de Caja Gris. Finalmente, un mtodo intermedio entre el modelo de

caja negra y el modelo de caja blanca puede ser sealado. Este mtodo es
conocido como el modelo de caja gris, y es una combinacin de los mtodos
inductivo y deductivo. En la fase deductiva, las ecuaciones relacionan los
3

estados del sistema; estas ecuaciones tienen parmetros que necesitan ser
determinados en la siguiente fase. En la fase inductiva, los parmetros son
determinados por la relacin de entrada salida del modelo de trfico.

Ejemplos de este tipo de modelos son el modelo de flujo de trfico vehicular de

primer orden de Lighthill, Whitham y Richards y los modelos de flujo de trfico
de segundo orden propuestos por Payne y Papageorgiou que se mencionan en
Hoogendoorn y Bovy [2]. Las ecuaciones de estos modelos tienen una
interpretacin fsica, pero contienen parmetros que deben ser determinados
usando datos de entrada salida del sistema de trfico.
1.2.2. DETERMINSTICOS VERSUS ESTOCSTICOS [2,3]

En un modelo de trfico determinstico hay una relacin determinstica entre la

entrada, los estados de trfico y la salida del modelo. Si una situacin de trfico
es simulada dos veces usando un modelo determinstico, comenzando con las
mismas condiciones iniciales, con las mismas entradas, las salidas de ambas
simulaciones son las mismas.

Un modelo de trfico estocstico contiene al menos una variable estocstica.

Esto implica que dos simulaciones del mismo modelo que comienza con las
mismas condiciones iniciales y las mismas entradas, pueden entregar
resultados diferentes, dependiendo del valor de la variable estocstica durante
cada simulacin. Una variable estocstica puede ser caracterizada por su
funcin de distribucin o por su histograma. Por ejemplo, en la simulacin
microscpica, una distribucin del nivel de paciencia sobre conductores tiene
que ser definida. Durante la simulacin, esta distribucin es probada para
determinar un nivel individual de paciencia para cada conductor simulado en la
red. Una segunda simulacin, y as una nueva aplicacin de la distribucin
causarn en los conductores otros niveles de paciencia. Por lo tanto, los
modelos estocsticos tienen que ser simulados repetidamente y los resultados
deben analizarse de forma estadstica para poder llegar a una conclusin. Las
variables estocsticas son usadas para modelar situaciones de trfico
verdaderas.
4

1.2.3. DISCRETO VERSUS CONTINUO

Un modelo de trfico vehicular describe la evolucin del estado de la red de

trfico con el tiempo. Hay dos variables independientes en un modelo de trfico
vehicular, el espacio y el tiempo. Dependiendo del tipo de modelo, estas
variables independientes pueden ser continuas o discretas.

Los modelos de trfico vehicular continuos, en situaciones reales generalmente

presentan demasiada complejidad para encontrar una solucin analtica, sobre
todo si el tamao de la red de trfico vehicular es grande. En la prctica la
desratizacin en el tiempo y en el espacio se utiliza para simular el
comportamiento de trfico en un computador.
1.2.4. NIVEL DE DETALLE

Los modelos de trfico pueden ser clasificados segn el nivel de detalle con el
que representan a los sistemas de trfico vehicular. Esta clasificacin puede
considerarse operacional debido a las entidades de trfico y el nivel de
descripcin de estas entidades en los modelos de flujo respectivos. Se propone
la siguiente clasificacin:
1.2.4.1. Modelo Macroscpico [2,3]

Los modelos macroscpicos se enfocan en captar las relaciones globales del

flujo de trfico, tales como velocidad de los vehculos, flujo vehicular y densidad
de trfico. Por su naturaleza, son modelos continuos, que hacen uso extensivo
de ecuaciones diferenciales. Incluye a los modelos de gases cinticos y los
hidrodinmicos. Dentro de los modelos macroscpicos existen modelos
puramente empricos, denominados modelos de capacidad y nivel de servicio,
que renuncian al planteamiento preciso de ecuaciones diferenciales y se limitan
a establecer relaciones empricas entre las principales variables bajo control del
diseador. A estos modelos se los puede clasificar de acuerdo al orden del
modelo desarrollado.

Un modelo de flujo de trfico de primer orden propuesto por Lighthill y Whitham

en 1955 y por separado por Richards en 1956, como se menciona en
Hoogendoorn y Bovy [2], est basado en la analoga de flujos de trfico con
flujos de fluidos, la variable que se utiliza para describir este modelo es la
densidad de trfico.

El modelo descrito por Payne en 1971 [2,3] es un modelo de flujo vehicular de

segundo orden ya que ste usa dos variables de estado de trfico: densidad de
trfico y velocidad media.

Helbing [2,3] propuso un modelo de tercer orden; este modelo de trfico utiliza
densidad de trfico, velocidad media y variacin de la velocidad como variables
de estado.

Ya que los modelos de trfico macroscpico slo trabajan con variables que
describen el comportamiento de una seccin (calle, avenida) y no la situacin
de trfico a nivel de vehculos independientes o a nivel de un conjunto de
vehculos, resultan ms generales y computacionalmente menos intensivos que
los modelos microscpicos o mesoscpicos.
1.2.4.2. Modelo Mesoscpico [2,3]

Los modelos mesoscpicos de trfico vehicular describen al trfico en un nivel

medio de detalle. En vez de modelar cada vehculo individualmente, este
modelo describe a los vehculos sobre un nivel ms agregado usando
funciones de distribucin de probabilidad. Sin embargo, las reglas de
comportamiento son descritas en un nivel individual. Por ejemplo, un modelo de
gas cintico describe distribuciones de la velocidad en posiciones e instantes
de tiempo especficos.

La dinmica de estas distribuciones generalmente es gobernada por varios

procesos como la aceleracin, la interaccin entre vehculos o los cambios de
carril; describiendo el comportamiento del conductor individualmente.

Existen diferentes tipos de modelos mesoscpicos como los modelos de

distribucin de progreso (headway), modelos de tipo cluster y modelos de gas
cintico. Los modelos de distribucin de progreso describen la distribucin del
progreso de los vehculos individualmente. El progreso de tiempo de un
vehculo es definido como el tiempo entre el vehculo y su precursor. Los
modelos de distribucin de progreso han sido criticados por descuidar el papel
que juega la dinmica del trfico. Adems, estos modelos asumen que todos
los vehculos son esencialmente los mismos. Es decir las funciones de
distribucin de probabilidad son independientes del tipo de conductor, el tipo de
vehculo, el objetivo de viaje, el nivel de la direccin de los conductores, etc.

Los modelos de trfico vehicular tipo cluster describen grupos o clusters de

vehculos con propiedades similares (la agresividad del conductor, la velocidad
deseada, la velocidad media, el tamao del grupo, etc.). Por lo general, los
grupos de vehculos surgen debido a la prohibicin (posibilidad restringida) de
adelantamiento, o las interacciones de vehculos de distintas caractersticas, o
debido a las condiciones ambientales.
1.2.4.3. Modelos Microscpicos

En los modelos microscpicos cada vehculo es caracterizado usando un

modelo que describa las interacciones entre los vehculos y la red vial. Los
modelos

microscpicos

ms

importantes

para

representar

estos

comportamientos son: Car-Following (siga al lder), Lane Change (cambio de

carril), Gap Acceptance (aceptacin del espacio).

Otros modelos microscpicos tambin pueden ser puestos en prctica, es el

caso de los autmatas celulares. Un modelo de autmata celular describe a los
sistemas de trfico como una red de clulas interconectadas, de igual tamao,
tpicamente de 7.5 m, en ste se describe un juego de reglas que indican cmo
y cundo los vehculos saltan de una clula a otra. La velocidad del vehculo
slo puede asumir un nmero limitado de valores discretos en los lmites entre
cero y vmax. [2]

1.2.4.3.1. Car Following (Siga al Lder)

Car-following asume que existe una correlacin a travs de los vehculos en un

rango de distancia dentro de la que puede existir una interaccin entre ellos.
Normalmente el modelo de Car-following tiene una validez en un rango de 0 a
125 metros de distancia entre el lder y el vehculo que le sigue [4,5]

El modelado asume que cada conductor del vehculo siguiente es un elemento

de control activo y fiable en el sistema conductor-vehculo-camino. Estas tareas
son llamadas habilidades psicomotoras o habilidades motoras-perceptuales
porque se requiere una respuesta motora continua a una serie continua de
estmulos.

El hecho de conducir un vehculo en un solo carril puede ser categorizado en

los siguientes aspectos:

Percepcin:

El

conductor

adquiere

informacin

relevante

del

movimiento del vehculo que circula enfrente. Generalmente esta

informacin es la velocidad, aceleracin o desaceleracin y la distancia
entre los vehculos.

Toma de decisiones: El conductor interpreta la informacin recolectada

y la transforma en un conjunto de acciones que debe tomar basndose
adicionalmente en su vehculo y su experiencia como conductor.

Control: El conductor realiza las acciones de control de acuerdo a su

procesamiento de informacin y a su conocimiento de la dinmica del
vehculo.

Al momento, no est claro como el conductor realiza todas estas funciones.

Muchas de las preguntas ms importantes yacen en el factor humano, siendo
ste el ms difcil de describir adecuadamente. En muchos casos se ha tratado
de representar al conductor como una funcin de transferencia, sin embargo
aparece el problema de que en general el conductor tiene varias funciones de
transferencia dependiendo de las circunstancias.

Se ha llegado al consenso de que en el modelo de Car-following el conductor

trata de:

Mantenerse a una distancia prudente del vehculo enfrente.

Evitar colisiones.

Estas dos condiciones se pueden lograr si el conductor mantiene una pequea

velocidad relativa promedio en intervalos de tiempo cortos.

En general al conductor se lo representa de la manera ms sencilla posible,

una ganancia que relaciona su respuesta cuando recibe un estmulo. La forma
en que se representa al conductor ha sido motivo de muchos estudios; dentro
de los ms recientes constan aquellos donde se representa al conductor a
travs de agentes inteligentes, en los cuales se trata de incluir el factor
humano. Desde un punto de vista prctico, para fines de simulacin, lo ms
recomendable como se dijo anteriormente es representar al conductor como:

 
  1.1
Dadas las condiciones del vehculo, la respuesta del conductor ser su
comando en la aceleracin o desaceleracin del automotor; que depender del
estmulo, su percepcin de la velocidad relativa entre los dos vehculos, y la
sensibilidad, ste es un parmetro conductual que podra depender de la
diferencia de velocidades y de la distancia entre los dos vehculos, de manera
que un modelo muy simple y muy utilizado de Car-following se reduce a:
    
      1.2
Donde:

   y   son las velocidades relativas a un punto de referencia tanto del

vehculo lder y del que le sigue, respectivamente, T es el tiempo de respuesta

del conductor y     es la aceleracin del vehculo siguiente. Un diagrama

equivalente del modelo se presenta en la Figura 1.2.

Figura 1.2 Diagrama de bloque, del modelo de Car-following [4].

El modelo de Car-following

puesto en prctica en AIMSUN (Advanced

Interactive Microscopic Simulator for Urban and Non-Urban Networks) est

basado en el modelo de Gipps [5,6]. En realidad puede ser considerado como
un desarrollo ad hoc de este modelo emprico, en el que los parmetros del
modelo no son globales, pero si estn determinados por la influencia de
parmetros locales dependiendo del tipo de conductor, la aceptacin de lmite
de velocidad, la geometra de la seccin, la influencia de vehculos sobre los
carriles adyacentes, etc.

Bsicamente consiste de dos componentes: aceleracin y desaceleracin. El

primero representa la intencin de los vehculos de alcanzar cierta velocidad
deseada, mientras el segundo reproduce las limitaciones impuestas por el
vehculo precedente tratando de conducir a la velocidad deseada.

Este modelo declara que la velocidad mxima a la cual un vehculo puede

acelerar durante un perodo de tiempo (t, t+T) est dada por  !,    [5].
 !,     !,   2.5 $ %  $  $ &1 

!, 
!, 
(
'
$
0.025

1.3
 $ !
 $ !

Donde:

Vn, t  T = Velocidad del vehculo n en el instante t

V $ n = Velocidad deseada del vehculo n en la seccin actual

a0 t = Aceleracin mxima para el vehculo n

10

T = Tiempo de reaccin

Por otro lado, la velocidad mxima que el vehculo n puede alcanzar durante el
intervalo de tiempo (t, t+T), segn sus propias caractersticas y las limitaciones
impuestas por la presencia del vehculo lder n-1 es:
1 !,     2! $   (2!3 $  3  2! 425!  1,   !  1  !, 6  !,  $  

!  1, 3
8 1.4
2 7 !  1

Donde:

dn = mxima desaceleracin deseada por el vehculo n (<0)

xn, t = Posicin del vehculo n en el instante t

xn  1, t = Posicin del vehculo predecesor en el instante t

sn  1 = Longitud efectiva del vehculo predecesor

d=n  1 = Estimacin de la desaceleracin deseada por el vehculo n-1

En cualquier caso, la velocidad definitiva para el vehculo n durante el intervalo
de tiempo es el mnimo entre las velocidades antes definidas.
!,     min@ !,   , 1 !,   A 1.5
La posicin del vehculo n en el carril es calculada considerando la velocidad
resultante en la Ecuacin 1.6:
!,     !,   !,    $  1.6
1.2.4.3.2. Lane Change (Cambio de Carril)

Lane Change modela el proceso de decisin que existe para realizar el cambio
de carril, analizando la necesidad, la conveniencia y las condiciones de
viabilidad para realizar dicho cambio, dependiendo de la posicin o ubicacin
del vehculo en la red vial. Este modelo se desarroll para poder cubrir varias
situaciones de trfico que afectan a la decisin de un cambio de carril; cuando

11

existen seales de trnsito, obstrucciones, presencia de carros pesados, o si se

desea una velocidad mayor a la del vehculo lder.

El cambio de carril es considerado factible si hay un espacio de tamao

suficiente en el carril destino, de modo que el vehculo pueda moverse a ste
de manera segura, sin forzar a otros vehculos que circulan por ese carril a
reducir la velocidad considerablemente. Las maniobras para realizar el cambio
de carril tambin pueden ser realizadas en condiciones de congestin vehicular
(por ejemplo en un accidente) siendo este un cambio de carril forzado.

Modelar el comportamiento de cambio de carril es complejo ya que en realidad

incluye tres partes: la necesidad de cambio de carril, la posibilidad para cambio,
y la trayectoria para el cambio de carril. Cada parte es importante para
conseguir un modelo realista. Adems, este modelo tiene que considerar no
slo el vehculo que tiene en frente, sino tambin los vehculos que se
encuentren cerca de ste, como tambin la informacin del flujo de trfico. Hay
una posibilidad de causar incidentes cuando el vehculo realiza el cambio de
carril ya que varios vehculos estn implicados en este movimiento. Por lo que,
el modelado del comportamiento del conductor en el cambio de carril se hace
difcil y son muchas las consideraciones que se deben realizar para construir
un modelo realista y confiable.

El cambio de carril en la micro simulacin de trfico puede ser clasificado en

dos categoras: obligatorio y discrecional. La Figura 1.3 muestra el modelo
tpico para el cambio de carril.

Figura 1.3 Modelo del Cambio de Carril o Lane Change [4].

12

En el micro simulador de AIMSUN [7] para alcanzar una representacin ms

exacta del comportamiento del conductor en el proceso de decisin de cambio
de carril, se definen tres zonas dentro de las secciones (calles, avenidas) que
pueden observarse en la Figura 1.4.

Figura 1.4 Zonas para el Cambio de Carril.

Zona 1: Est definida por la distancia ms alejada del siguiente punto de giro.
La decisin del realizar el cambio de carril est determinada por las
condiciones de trfico en el carril de destino. La viabilidad del realizar el cambio
de carril no se considera an en esta zona. Para medir la posibilidad de realizar
el cambio de carril se considera varios parmetros: la velocidad deseada, la
velocidad y la distancia actual del vehculo precedente, la velocidad y la
distancia futura del vehculo precedente en el carril de destino.

Zona 2: Es la zona intermedia, en esta zona se considera el carril que afecta a

la decisin de realizar el giro. Los vehculos que no conducen en carriles
vlidos (carriles donde el cambio de carril puede ser realizado) tienden a estar
ms cercanos al lado correcto del camino que permite realizar el cambio de
carril. Los vehculos buscan un espacio y tratan de adaptarse a l, pero no
afectan en el comportamiento de los vehculos en los carriles adyacentes.

Zona 3: En esta zona la distancia es la ms corta al punto de giro. Los

vehculos son forzados a alcanzar sus carriles deseados, reduciendo la
velocidad si fuera necesario e incluso realizando una parada completa para
hacer posible el cambio.

13

Tambin, los vehculos en el carril adyacente pueden modificar su

comportamiento para proporcionar un espacio bastante grande para que el
vehculo pueda tener xito en el cambio de carril.

El cambio de carril de zonas est definido por dos parmetros, la distancia

zona 1 y la distancia zona 2. Estos parmetros son definidos en el tiempo
(segundos) y luego son convertidos en distancia siempre que lo requiera un
vehculo i en cada seccin s usando la Ecuacin 1.7:
FGDGE 
CD  CE $ FGDGE  $ 4
8 1.7
HD I J, 
Donde:
Dm = Distancia en metros
Dt = Distancia en segundos
Slimit = Lmite de velocidad de la seccin s
Vmax (i,s) = Velocidad mxima deseada por el vehculo i en la seccin de giro s
Esta funcin asegura que vehculos ms rpidos (que circulan en lmite de
velocidad) tengan zonas ms pequeas en comparacin con los vehculos ms
lentos. Este procedimiento tambin genera que no todos los vehculos tengan
exactamente las mismas longitudes de zona, dando as ms variabilidad al
comportamiento del vehculo, lo que proporciona un modelo ms realista.

En la Figura 1.5 se muestra una descripcin del modelo. El sistema identifica el

tipo de entidad (carril central, salida de una autopista o va por medio de una
rampa, entrada a una rampa) donde la maniobra debe ser realizada, y luego
determina cmo el modelo de la zona debe ser aplicado. Las condiciones de
trfico en ese instante son analizadas, y el nivel para que el cambio de carril
pueda ser realizado tambin se determina, as el modelo correspondiente es
aplicado [7].

14

Figura 1.5 Lgica del Modelo de Cambio de Carril en AIMSUN.

1.2.4.3.3. Gap Acceptance (Aceptacin del Espacio)

La aceptacin del espacio (Gap Acceptance) es un elemento importante en la

mayora de los modelos de cambio de carril. Para realizar un cambio de carril,
el conductor evala las posiciones y las velocidades del lder y despus de los
vehculos en el carril de destino y decide si el espacio entre ellos es suficiente
para ejecutar el cambio de carril. Los modelos de Gap Acceptance son
formulados como problemas binarios de seleccin, en los cuales los
conductores deciden si hay que aceptar o rechazar el espacio disponible
comparndolo al espacio crtico (el espacio mnimo aceptable). Los espacios
crticos son modelados como variables aleatorias para capturar la variacin en
el comportamiento de los conductores.

La Figura 1.6 muestra que existen dos espacios: el espacio de retardo (espacio
entre el vehculo siguiente y el que realiza el cambio de carril) y el espacio del
lder (espacio entre el vehculo y el lder).

15

El vehculo tiende a moverse de su carril actual al carril de destino, en el

espacio entre los dos vehculos que viajan en el carril de destino: estos sern el
lder y el vehculo siguiente del vehculo que realiza el cambio de carril cuando
la maniobra es terminada. Cuando un conductor quiere hacer el cambio de
carril, requiere que el espacio crtico del lder y el espacio de retardo sean
aceptables para el conductor del vehculo que realiza el cambio de carril. De
otra manera, no es seguro realizar el cambio de carril.

Figura 1.6 Modelo de aceptacin de espacio.

1.2.4.3.4. Modelos Microscpicos de Simulacin

En la actualidad la velocidad de procesamiento de las computadoras se ha

incrementado provocando un desarrollo de modelos microscpicos de
simulacin. En estos modelos se describe la conducta de los conductores
mediante reglas if then, como tambin las caractersticas de los vehculos,
posicin, velocidad y aceleracin que son parmetros calculados para cada
vehculo en cada instante de tiempo. Algunos de estos modelos de micro
simulacin son el AIMSUN, FOSIM (Freeway Operations SIMulation),
PARAMICS, etc.

Ya que los modelos microscpicos describen cada vehculo individualmente,

las simulaciones de trfico microscpicas son a menudo computacionalmente
intensivas.

16

1.3. DESCRIPCIN DEL PROBLEMA DE TRFICO

La congestin vehicular dentro y fuera de las reas urbanas en el mundo es un
gran problema. Durante las horas pico se extiende por periodos cada vez ms
largos y esto tiene efectos en la movilidad, seguridad y en la calidad del aire,
generando costos directos debido a retrasos, accidentes y costos indirectos en
el impacto ambiental. En la mayora de los casos la capacidad existente no
puede ser incrementada con la adicin de carriles debido al espacio, recursos y
a las implicaciones ambientales que conlleva esto.

Para solucionar en parte el problema de la congestin vehicular, se deben

mejorar tanto las estrategias y la operacin del trfico; como tambin el diseo
geomtrico

de

la

red

vial,

eliminando

elementos

que

provocan

congestionamiento como los redondeles.

1.3.1. GEOMETRA DE LA RED VIAL

La infraestructura de la red vial est dentro de los patrimonios ms valiosos que

tiene un pas, la calidad y la magnitud de sta representa el grado de desarrollo
de dicho pas.

La red vial tanto urbana como rural, se debe clasificar de manera que se
puedan fijar funciones especficas a las diferentes carreteras y calles para
poder atender las necesidades de movilidad de personas y mercancas, de
manera rpida, confortable y segura; adems de cumplir con las necesidades
de accesibilidad a distintas propiedades o al uso de reas colindantes.

Los siguientes trminos se definen en el reglamento general para la aplicacin

de la ley orgnica de transporte terrestre, trnsito y seguridad vial [8]:

Red vial: Toda superficie terrestre, pblica o privada, por donde circulan
peatones, animales y vehculos, que est sealizada y bajo jurisdiccin de las
autoridades nacionales y/o provinciales, responsables de la aplicacin de las
leyes y dems normas de trnsito.
17

Autopista: Va de varios carriles separados con parterre central sin cruces a

nivel, con acceso regulado y estacionamiento prohibido.
Avenida: Va pblica urbana, generalmente dividida por islas de seguridad y
compuesta de dos o ms calzadas, en las que existen uno o ms carriles de
circulacin.
Calle: Va pblica ubicada en los centros poblacionales conformada de aceras
y calzada, destinada al trnsito peatonal y/o vehicular.
Callejn: Sendero estrecho y largo a modo de calle, entre edificaciones. Va
secundaria generalmente angosta para uso de vehculos y peatones.
Carretera: Va pblica destinada al trnsito vehicular y peatonal, ubicada fuera
de los centros poblacionales.
Corredor vial: Conjunto de dos o ms rutas continuas que se conforman para
una finalidad especfica.
Va principal: Calle o carretera en que por dispositivos de control de trnsito
instalados, los vehculos tienen preferencia respecto de otros.
Va secundaria: Calle o carretera no principal.
1.3.2. VEHCULOS

En la Figura 1.7 se muestran dos corrientes vehiculares que circulan por una
carretera de dos carriles; ah se presentan los cuatro estados en que un
vehculo puede circular en una corriente vehicular continua: libre, restringido
inicialmente, siguiendo a otro vehculo y adelantando. Existe adems otro
estado privado de circulacin cuando el vehculo est detenido. A continuacin,
se describe brevemente cada uno de estos estados.

Vehculo libre (L): Es el estado que caracteriza al vehculo que no est

afectado por la presencia de otros vehculos y se mueve a velocidad
libre o a flujo libre. En vas de circulacin continua se considera que un
vehculo circula libremente cuando el tiempo entre los vehculos, segn
su espaciamiento, es mayor a cierto valor, o va creciendo. En vas de
circulacin discontinua, si no hay interaccin vehicular, el vehculo puede
circular libremente hasta que la regulacin del trnsito lo obligue a parar
o a aminorar su marcha.
18

Vehculo restringido inicialmente (R): Es el estado que define al

vehculo que ha reducido su velocidad al acercarse a otro que va a
menor velocidad, pero an circula a mayor velocidad que el vehculo
precedente.

Vehculo siguiendo a otro vehculo (S): Es el estado que sucede al

anterior; cuando un vehculo que va detrs de otro ms lento y no lo
adelanta debe seguirlo ms o menos a su misma velocidad para no
chocar con l ni quedarse atrs.

Vehculo adelantando (A): Es el estado en el que un vehculo est

realizando una maniobra de adelantamiento, mediante la cual se coloca
delante del vehculo que iba siguiendo. Para ello debe aprovechar un
claro en la fila de vehculos que circula por un carril adyacente, en su
mismo sentido o en sentido contrario [1].

Los vehculos en grupos pueden circular formando un pelotn, caravana o

columna, este ltimo es un conjunto de vehculos que se siguen unos a otros y
que avanzan juntos por un carril. En la Figura 1.7 se pueden identificar cuatro
pelotones. El vehculo que encabeza el pelotn, que se conoce como cabeza
de pelotn, suele ser un vehculo libre, pero la velocidad deseada por su
conductor es generalmente menor a la media de las velocidades deseadas por
todos los conductores. A los espacios entre pelotones se les denomina claros.

Se entiende por cola, una hilera de vehculos detenidos o casi detenidos,

mientras que el pelotn es una hilera de vehculos en movimiento.

Un pelotn puede convertirse en cola y viceversa. Por ejemplo, los vehculos

que estn detenidos en un carril de acceso a una interseccin semaforizada,
esperando la indicacin del semforo constituyen una cola y cuando se ponen
en movimiento, uno detrs de otro, forman un pelotn. Luego, si se separan
mucho se dispersa el pelotn.

Se llama simplemente fila a una hilera de vehculos que puede estar en

movimiento, detenida o parcialmente detenida [1].

19

Figura 1.7 Corrientes vehiculares en una va de dos carriles.

En el desarrollo de las teoras del trfico a un nivel microscpico, se describe a

los vehculos de manera individual, cada vehculo es modelado describiendo
las interacciones entre vehculos. Los modelos microscpicos que describen
estas interacciones son Car Following (Siga al Lder) que describe como siguen
los vehculos a sus predecesores y Lane Change (Cambio de Carril), el cual
describe cmo el conductor decide si acepta o no la apertura para realizar un
cambio de carril [1].
1.3.3. FLUJO VEHICULAR

Para entender las caractersticas y el comportamiento del trnsito se debe

realizar un anlisis del flujo vehicular, el flujo vehicular describe la forma como
circulan los vehculos en cualquier red vial permitiendo determinar el nivel de
eficiencia.

El flujo vehicular se ha utilizado para desarrollar los modelos macroscpicos, la

corriente de trnsito est representada con la tasa de flujo, densidad y
velocidad; mediante la deduccin de las relaciones que existen entre estas
variables se puede determinar las caractersticas de la corriente de trnsito.

Las posibles unidades para estas variables son: vehculos/km, vehculos/hr,

km/hr, respectivamente.

Las herramientas que se usan para encontrar relaciones temporales y

espaciales con la velocidad, la densidad y el flujo, son las ecuaciones
diferenciales parciales.

20

1.3.4. VARIABLES DE TRFICO VEHICULAR

Las variables de trfico que pueden ser medidas, observadas y que describen
el estado del trfico son:

Tasa de flujo vehicular: Esta variable se define como el nmero de

vehculos que pasan por un punto o seccin transversal fijo durante
cierto periodo de tiempo.

Velocidad: Esta variable se ha convertido en un indicador para medir

la calidad de operacin de una va, para un vehculo la velocidad
representa la relacin de movimiento.

Densidad: Esta variable indica el nmero de vehculos por unidad de

longitud en cierto instante de tiempo, la densidad puede variar de
carril a carril, la densidad total en una va es la suma de las
densidades que existe en cada carril.

Nivel de Ocupacin: Es el porcentaje de tiempo que un vehculo

tarda en pasar por un sensor, la ocupacin depende del tamao de la
zona de deteccin para la medida de ste, puede diferir a pesar que
se tenga las mismas condiciones de trfico.

Tiempo de adelanto entre dos vehculos: Es el tiempo que pasa

entre el arribo del primer vehculo y el arribo del siguiente a un punto
de referencia.

Distancia de adelanto entre dos vehculos: Es la distancia medida

desde el inicio del primer vehculo al inicio del siguiente vehculo.

1.3.5. ANLISIS ESTADSTICO

En situaciones reales la circulacin vehicular es muy dispersa y da como

resultado un flujo vehicular correspondiente a un proceso aleatorio de llegadas,
de manera que al conservar algunas caractersticas discretas, el anlisis de su
comportamiento cae en el campo probabilstico.

Para seleccionar la descripcin probabilstica que ms fielmente represente un

flujo vehicular especfico, es necesario que ste cumpla tres condiciones:
21

 Cada conductor sita su vehculo independiente de los dems, excepto

cuando su espaciamiento es muy pequeo.
Para cualquier flujo, el nmero de vehculos que pasan por un punto,
en un intervalo de tiempo dado, es independiente del nmero de
vehculos que pasan por otro punto, durante el mismo intervalo.
El nmero de vehculos que pasan por un punto dado, en un intervalo
de tiempo, es independiente del nmero de vehculos que pasan por el
mismo punto durante otro intervalo de tiempo.

Los supuestos anteriores son los que utiliza la distribucin de Poisson, sta
tiene aplicacin para flujos vehiculares bajos y medios [9].

Suponiendo que la distribucin de llegadas de los vehculos a un punto es de

tipo Poisson, entonces la probabilidad de n llegadas en cualquier intervalo de
tiempo t, viene dada por:
%  ND
!  LM  ! 
P !  0,1,2, , 1.8
!!
Donde:
X es la variable aleatoria y representa el nmero de llegadas de vehculos a un
punto.
p(n) es la probabilidad que lleguen exactamente n vehculos al punto durante
un intervalo de tiempo t.
m es el nmero medio de vehculos que se espera lleguen durante el intervalo
de tiempo t (vehculos/intervalo).

El valor de m en funcin de la tasa de flujo de llegadas es: m = *t.

La probabilidad de que no lleguen vehculos durante el intervalo de tiempo t,

est dada por:
0  LM  0 


. T  NU.E
1.9
0!
22

Si no llegan vehculos durante el intervalo de tiempo t, entonces existe un

intervalo de tiempo h, entre vehculos, de al menos t. Esto quiere decir que el
intervalo h es igual o mayor que t. Esta caracterstica define la distribucin de
intervalos de tiempo entre vehculos, la cual se expresa con:
LM  0 


. T  NU.E
  NU.E P  W 0 1.10
0!

Entonces la probabilidad de que un intervalo h sea menor que t es:

LX Y   1   U.E P  W 0 1.11
En estas condiciones, el valor medio del intervalo entre llegadas es:
ZX[ 

1
1.12

Una manera de calcular estas probabilidades, de acuerdo a la distribucin de

Poisson, es mediante un proceso recursivo dado por:
!  1 

!  ]J! !  !  1 1.13
1
!

1.3.6. SEMAFORIZACIN

Los semforos son dispositivos elctrico-electrnicos que sirven para ordenar,

regular y dirigir el trnsito de vehculos y peatones en calles y carreteras por
medio de luces de color rojo, mbar y verde, operados por una unidad de
control. Se consideran intersecciones semaforizadas a las que estn reguladas
permanente o mayoritariamente mediante semforos.

La semaforizacin de intersecciones puede ser un instrumento eficaz para la

reduccin de la congestin, la mejora de la seguridad o para apoyar diversas
estrategias de transporte (promocin del transporte pblico, reforzamiento de
la jerarqua vial, prioridad de peatones y ciclistas, etc.).
23

Prcticamente, cualquier tipo de interseccin es susceptible de semaforizacin.

No obstante, un buen aprovechamiento de los sistemas modernos de
semaforizacin puede requerir modificaciones en la localizacin de las
intersecciones y en el diseo de sus elementos (isletas, etc.). Se pueden
distinguir los siguientes tipos de sistemas de semaforizacin:

Sistemas de ciclo y fases de duracin prefijada: En stos, se mantienen

constantes el ciclo y las fases con independencia de las variaciones de trfico
en las vas. No obstante, sus fases pueden variarse desde el centro de control,
y coordinarse con las de otras intersecciones.

Sistemas coordinados en "ondas verdes": Es un conjunto de intersecciones

con fases prefijadas, pero sincronizadas entre s, para permitir el movimiento
de vehculos sin paradas, a lo largo de un itinerario, con una velocidad
determinada.

Sistemas adaptables automticamente a la demanda (Actuated Control):

En stos, las fases del ciclo varan en funcin de los datos de la longitud de
colas existentes en cada carril, que son recibidos y procesados por un
computador. Una forma particular de estos sistemas son los semforos que
mantienen la fase verde en la va principal hasta que se presenta un vehculo
en la secundaria.

Sistemas que conceden prioridad de paso al transporte pblico: Realizan

esta accin mediante detectores que activan la fase verde del semforo al
aproximarse a la interseccin, tornando a fase roja todos los movimientos que
puedan resultar incompatibles.

Semforos dosificadores ("ramp metering"): Se trata de semforos cuyas

fases verdes slo permiten el paso de un vehculo. El nmero de fases verdes
por ciclo puede dosificar la intensidad de trfico que pasa por ellos y suele
regularse automticamente en funcin de la mayor o menor congestin en los
carriles de arriba de los mismos. Pueden instalarse en vas de un solo carril

24

(rampas de acceso a autopistas o autovas), en el tronco principal de una

autopista, sincronizados para que no coincidan sus fases verdes.

Semforos accionables manualmente por peatones o ciclistas: En ellos se

activa la fase verde al presionar un mecanismo.
1.3.7. ADMINISTRACIN DEL TRNSITO

La administracin del trnsito puede realizarse usando polticas y estrategias.

Una estrategia viable es la coleccin de polticas que se pueden aplicar para
resolver un problema, por ejemplo, aliviar la congestin vehicular en las horas
pico.

Una poltica consiste en el conjunto de acciones que pueden ser aplicadas al

mismo tiempo. Una accin es una codificacin de las condiciones de trfico o
de la conducta de los conductores, entre las acciones que pueden tomarse se
tienen:

Cierre de un carril

Cambio de velocidad

Giros forzados

Reorientar el trfico

Las acciones ms notorias se toman en la ciudad de Quito son:

Contraflujos: La aplicacin de la unidireccionalidad del trnsito vehicular en

horas pico. Al momento los lugares en los que se aplican son: los tneles de la
Av. Mariscal Sucre, la Av. 5 de Junio, el tnel Guayasamn, la calle Venezuela
y la autopista Rumiahui.

Pico y Placa: Es la restriccin de la circulacin, de vehculos livianos

particulares y estatales; identificados segn el ltimo dgito de la placa entre las
07h00 y 9h30; y entre las 16h00 y 19h30. Se aplica en la zona urbana de la

25

ciudad de Quito, comprendida dentro de los lmites viales de referencia que son
las vas de acceso a Quito.

1.4. CONTROL NEURO-DIFUSO

1.4.1. INTRODUCCIN

Desde el principio de la humanidad se so con el desarrollo de mquinas que

puedan imitar las capacidades humanas. La capacidad del hombre de
aprender, es una de las cualidades que se ha tratado de imitar, la capacidad de
aprendizaje es una de las diferencias bsicas que existen entre los
computadores y los seres humanos, como se sabe, una computadora
almacena informacin que puede ser llamada nicamente de manera explcita
por un programa, en cambio el ser humano "aprende". En el hombre, la
adquisicin de nueva informacin modifica su comportamiento (o su manera de
pensar), en la medida en que sta aporta nuevos criterios para tomar
decisiones, tanto a escala consciente, como inconsciente.

Para poder construir mquinas que tengan la capacidad de imitar el

aprendizaje del hombre es necesario el diseo de arquitecturas radicales y
conceptualmente diferentes a las que utilizan mtodos de clculo tradicionales.
Esta es la filosofa presupuesta en el estudio de las llamadas redes neuronales
artificiales, los sistemas difusos y, ms recientemente, los denominados
sistemas neuro-difusos. Estas metodologas se basan en un modelo
simplificado de la manera en que las neuronas se organizan en redes dentro
del cerebro.

Las

redes

neuronales

artificiales

tienen

capacidades

autnomas

de

aprendizaje; tambin se ha observado que estos sistemas pueden "reconocer"

un patrn dado a partir de informacin incompleta o con mucho ruido. Por otra
parte, mucho del razonamiento humano involucra el uso de variables cuyos
valores son conjuntos difusos. Esta observacin es la base para el concepto de
variable lingstica, esto es, una variable cuyos valores son definidos por
palabras, en vez de nmeros. El uso de estas variables representa un cambio

26

significativo en el anlisis de sistemas. Tanto las redes neuronales como los

sistemas difusos, rompen con la tradicin histrica del pensamiento que
establece que el mundo puede ser caracterizado en forma rigurosa y sin
ambigedades.
1.4.2. LGICA DIFUSA
1.4.2.1. Conceptos bsicos

Uno de los primeros conceptos que se debe saber para entender la lgica
difusa es el de conjunto difuso. Bsicamente, un conjunto difuso es un conjunto
que puede tener elementos con un grado parcial de pertenencia. Este grado de
pertenencia est caracterizado por funciones de membresa, las cuales dan a
los conjuntos difusos flexibilidad para modelar expresiones lingsticas
empleadas cotidianamente [10].

Un conjunto difuso es una extensin de un conjunto clsico. As un conjunto

difuso A en X se define como el siguiente conjunto de pares ordenados:
_  5, `a | c M6 1.14
Donde a  se conoce como la funcin de membresa (abreviado FM) de A.
La FM transforma cada elemento de X hacia un grado de membresa (o valor

de membresa) entre 0 y 1. Generalmente, X es llamado el universo de

discurso o, simplemente, el universo, que puede consistir de objetos discretos
(ordenados o no ordenados) o ser un espacio continuo.

A continuacin se describen dos conjuntos difusos definidos dentro de un

universo de discurso discreto o continuo, y adems del grado de pertenencia
de cada elemento. Por ejemplo, el universo ordenado discreto definido por el
nmero de hijos que una pareja puede desear tener, se expresa como: X = {0,
1, 2, 3, 4, 5, 6}. De esta forma, el conjunto difuso A = "nmero ideal de hijos en
una familia" se puede describir como:

27

A=
= {(0, 0.1), (1, 0.3), (2, 0.7), (3, 1), (4, 0.6), (5, 0.2), (6, 0.1)}

Donde los grados de membresa asignados, son medidas subjetivas. La grfica

de la Funcin de Membresa de este conjunto se presenta en la Figura
F
1.8.

Figura 1.8
8 Conjunto difuso A en un universo discreto.

Un ejemplo de universo continuo es el de los nmeros reales, el cual se

expresa como X =

. El conjunto difuso B = "nmeros cercanos a 5" se puede

expresar de la siguiente manera:

En B el grado de pertenencia de sus elementos,

elementos, tiende a uno (1) cuando los
elementos
mentos se acercan a cinco (5) y tiende a cero (0) cuando
uando se alejan de cinco
(5). Esto se muestra en la grfica de la Funcin de Membresa del conjunto
conjun B,
que se indica en la Figura
igura 1.9.
1.9

Figura 1.9
9 Conjunto difuso B en un universo continuo.

28

Matemticamente esta Funcin de Membresa `d  se podra definir como:

`d  

1
1.16
1    53

En la prctica, cuando el universo de discurso X es un espacio continuo,

generalmente se divide en varios conjuntos difusos cuyas FM cubren a X de
una manera ms o menos uniforme.

Estos conjuntos se denominan valores lingsticos o etiquetas lingsticas y,

normalmente, se les asignan nombres de adjetivos utilizados en el lenguaje
comn, tales como "grande", "fro", "alto", etc.

Una etiqueta lingstica se define mediante el quinteto de elementos siguiente:

(e, T(e), X, G, M), donde e es el nombre de la etiqueta lingstica; T(e), es el
conjunto de trminos de e, esto es, el conjunto de sus valores lingsticos o
trminos lingsticos; X es el universo de discurso; G, una regla sintctica que
genera los trminos en T(e); y, M, una regla semntica, la cual le asocia a cada
valor lingstico D un valor correspondiente M(D), que denota un conjunto
difuso en X.

Por ejemplo, si temperatura se interpreta como una variable lingstica,

entonces su conjunto de trminos T (temperatura) podra ser:

T (temperatura) =

{fro, no fro, muy fro, no muy fro, ...,

tibio, medio tibio, algo tibio,...,
caliente, no caliente, muy caliente, no muy caliente,
..e. 6

Donde cada trmino en T(temperatura) se caracteriza por un conjunto difuso de

un universo de discurso que puede ser por ejemplo: X = [0, 100] C.
Normalmente utilizando la regla sintctica se puede decir "la temperatura es
fra" para denotar la asignacin del valor lingstico "fro" a la variable
lingstica temperatura.
29

Por otro lado, cuando la variable temperatura se interpreta como

como una variable
numrica, se emplea la expresin "temperatura = 30 C" para asignarle el valor
numrico "30" a la variable numrica temperatura. La regla semntica define la
funcin de membresa de cada valor lingstico del conjunto de trminos,
t
como
se ilustra en la Figura 1.10,
1.10 donde se muestra una distribucin de algunas de
las funciones de membresa propuestas para la variable temperatura.

Figura 1.10 Conjunto Difuso Temperatura.

1.4.2.2. Tipos de funciones de membresa

La caracterstica
aracterstica comn de un conjunto difuso es su FM. Una forma concisa y
conveniente de definir una FM es expresndola como una frmula matemtica,
que relaciona los elementos del universo de discurso con sus correspondientes
valores de pertenencia. A continuacin se describirn algunas clases de
funciones comnmente empleadas para definir FM en una dimensin, esto es,
que tienen una sola entrada. Para FM de un orden mayor se puede
pue
usar un
razonamiento anlogo.

Funcin de membresa triangular:

trian
Una FM triangular se especifica mediante
tres parmetros {a, b, c},
}, de la siguiente forma (Figura
(
1.11):

30

Figura 1.11 Funcin de membresa triangular.

Utilizando operadores min y max, la expresin anterior se puede representar

como sigue:

an las coordenadas en x de los

Los parmetros {a, b, c}} (con a< b< c) determinan
vrtices de la FM triangular en cuestin.

Funcin de
e membresa trapezoidal: Una FM trapezoidal
apezoidal se determina con
cuatro parmetros {a,
a, b, c, d},
d como sigue (Figura 1.12):

Figura 1.12 Funcin de membresa trapezoidal.

Se puede definir esta FM en una forma

forma ms concisa, empleando los
operadores min y max,, como sigue:

31

Los parmetros {a, b,, c, d}

d (con a < b < c < d)) determinan las coordenadas en x
de vrtices de la FM trapezoidal definida.

Funcin de membresa gaussiana:: Una FM gaussiana (Figura 1.13)

1.
se
especifica con dos parmetros {c,
{ },
}, como se muestra a continuacin:

Figura 1.13 Funcin de membresa gaussiana.

Una FM gaussiana se determina completamente con c y ; c representa el

centro de la FM y determina su anchura.

Funcin de membresa tipo campana generalizada:

generalizad
Una FM del tipo
campana generalizada (o FM tipo campana) se caracteriza mediante tres
parmetros {a, b, c},
}, como sigue:

Figura 1.14 Funcin de membresa Campana Generalizada.

Generalizada

32

Donde c y a definen el centro y el ancho de la FM, respectivamente, mientras

que el parmetro b controla las pendientes en los puntos de cruce. Este
parmetro b normalmente es positivo; b negativo generara una FM con forma
de campana invertida. Esta FM es una generalizacin directa de la funcin de
distribucin de Cauchy definida en la teora de probabilidad, por ello tambin es
referida como FM de Cauchy.

Debido a su continuidad y notacin concisa, las FM gaussiana y tipo campana,

han llegado a ser cada vez ms empleadas para especificar conjuntos difusos.
Las funciones gaussianas son bien conocidas en probabilidad y estadstica, y
tienen propiedades tiles como aquella en la que no cambia su forma al
multiplicarse por otra (el producto de dos gaussianas es una gaussiana con un
factor de escalamiento) ni con una transformada de Fourier (la transformada
de Fourier de una gaussiana es una gaussiana). La FM tipo campana tiene un
parmetro ms que la gaussiana, por lo cual tiene un grado ms de libertad
para ajustar a sus pendientes en los puntos de cruce.

Aunque las FM gaussiana y de tipo campana logran una mayor continuidad, no

permiten especificar FM asimtricas, las cuales se emplean en ciertas
aplicaciones. En estos casos se usan por ejemplo FM sigmoidales.
1.4.2.3. Introduccin a los sistemas de inferencia difusos

Un sistema de inferencia difuso es una entidad de cmputo, basada en los

conceptos de la teora de conjuntos difusos, reglas difusas del tipo si...entonces
y el razonamiento difuso. Para entender esta idea, se definirn inicialmente
algunos conceptos:

Reglas difusas sientonces. Una regla difusa del tipo si... entonces
(tambin llamada simplemente regla difusa o declaracin condicional difusa)
asume la siguiente forma:
J   _ !!f g  h 1.23

33

Donde A y B son valores lingsticos, definidos por conjuntos difusos en los

universos de discurso X e Y, respectivamente. Generalmente a "x es A" se le
llama el antecedente o premisa, mientras que a "y es B" se le llama el
consecuente o conclusin.

Figura 1.15 Interpretacin de las reglas si..entonces [10].

En el lenguaje comn se tienen muchos ejemplos de reglas difusas de este

tipo. Si la presin es alta, entonces el volumen es pequeo, si la velocidad es
alta entonces se aplican los frenos ligeramente, si la manzana es roja,
entonces est madura etc. La interpretacin de las reglas si...entonces es un
proceso que consta de tres partes las cuales se explicarn a continuacin.

1. Fusificacin de entradas. Se resuelven todas las declaraciones difusas en el

antecedente a un grado de membresa entre 0 y 1. Si existe solamente una
premisa en el antecedente, ste es el grado de soporte de la regla.

2. Aplicacin del operador difuso a las mltiples premisas del antecedente. Si

existe mltiples premisas en el antecedente, se aplica un operador lgico y se

34

resuelve el antecedente a un nico nmero.

nmero. Este es el grado de soporte de la
l
regla.

3. Aplicacin
plicacin del mtodo de implicacin. Usa el grado de soporte de la regla
para obtener la forma del conjunto difuso de salida. El consecuente de una
regla difusa asigna un conjunto difuso a la salida. Este conjunto difuso est
representado por una funcin de membresa que se escogi para indicar las
cualidades del consecuente. Si el antecedente es no totalmente verdad (se
encuentra asignado un valor menor a uno), entonces el
el conjunto difuso de
salida se trunca de acuerdo al mtodo de implicacin.
1.4.2.4. Sistema de Inferencia
ferencia Difuso

Este sistema ha recibido diferentes nombres como: Sistema basado en reglas

difusas, sistema experto difuso, modelo difuso,
difuso, controlador lgico difuso o
simplemente, sistema difuso.

Su estructura bsica consiste de cinco componentes (ver la Figura 1.16),

1.16 las
cuales se indican a continuacin:

Figura 1.16 Estructura de un sistema de inferencia

in
difuso [10].
[10]

Una base de reglas, que contiene cierto nmero de reglas difusas si ...
entonces.

Una base de datos, la cual define las funciones de membresa de los

conjuntos difusos usados en las reglas difusas.

35

Una unidad de toma de decisiones, la cual realiza la operacin de

inferencia sobre las reglas.

Una interfaz de fusificacin, la cual trasforma la entrada clara a un grado

de equivalencia con un valor lingstico.

Una interfaz de defusificacin, la cual transforma el resultado difuso de

la inferencia a una salida clara.

Usualmente la base de reglas y la base de datos se conocen conjuntamente

como base de conocimientos.
1.4.2.4.1. Razonamiento difuso

El razonamiento difuso es la operacin de inferir sobre las reglas difusas si...

entonces. Los pasos del razonamiento difuso realizados por un sistema de
inferencia difuso son:

Compara las variables de entrada con las funciones de membresa en la

parte del antecedente para obtener un valor de membresa (un valor de
compatibilidad) de cada etiqueta lingstica (este paso a menudo es
llamado fusificacin).

Combina a travs de un operador especifico (como la norma-T, ver el

ANEXO 1) los valores de membresa de la parte del antecedente para
obtener el soporte de cada regla.

Genera una salida del consecuente en cada regla dependiendo del

soporte.

Agrega todas las salidas de los consecuentes para obtener una salida
numrica. Este paso es llamado defusificacin.

Existen diferentes tipos de sistemas de inferencia difusos, los cuales se han

utilizado en diversas aplicaciones. Las diferencias bsicas pueden estar en los
consecuentes de sus reglas difusas, as como en los mtodos de defusificacin
que emplean.

36

Los nombres que se les han dado normalmente se toman de las personas que
primero los propusieron; as, por ejemplo, se tiene el sistema de inferencia
difuso tipo Mamdani, el de tipo Takagi-Sugeno-Kang (TSK).

El caso particular del que se ocupa el presente trabajo, se basa en un sistema

de inferencia difuso tipo TSK (tambin llamado simplemente de tipo Sugeno).
Por ello a continuacin se describe brevemente en qu consiste este sistema
difuso, que ser retomado nuevamente ms adelante, al hacer la descripcin
de la arquitectura ANFIS.
1.4.2.4.2. Modelo tipo Sugeno

Este modelo fue propuesto inicialmente por Takagi, Sugeno y Kang [11], en un
esfuerzo por desarrollar un mtodo sistemtico para generar reglas difusas a
partir de un conjunto dado de datos de entrada / salida.

Una regla difusa tpica en un modelo difuso tipo Sugeno tiene la forma: Si x es
A e y es S, entonces z = f(x,y), donde A y B son conjuntos difusos en la parte
de antecedentes y z = f(x, y) es una funcin clara en la parte de consecuente.
Normalmente f(x, y) es un polinomio dependiente de las variables de entrada x
e y, pero, en general, puede ser cualquier funcin que pueda describir
apropiadamente la salida del modelo dentro de la regin difusa especificada
por el antecedente de la regla.

Cuando f(x, y) es un polinomio de primer orden, el sistema de inferencia difuso

resultante es llamado un modelo difuso tipo Sugeno de primer orden; si f es
una constante, se tiene un modelo difuso tipo Sugeno de orden cero. Cabe
mencionar que tambin se ha desarrollado un modelo difuso tipo Sugeno de
segundo orden, esto es, f(x, y) es un polinomio de segundo grado.

En la Figura 1.17 se muestra el procedimiento de razonamiento difuso para un

modelo difuso tipo Sugeno de 1er orden.

37

Figura 1.17 Sistema difuso tipo Sugeno de primer orden [11].

Puesto que cada regla tiene una salida clara, la salida global se obtiene
mediante un promedio ponderado. En la prctica, la operacin de promedio
ponderado se sustituye con una suma ponderada (esto es, i  j
lllli
lllli
k kj
3 3 en

la Figura 1.17), a fin de reducir los clculos, especialmente durante el

entrenamiento de un sistema de inferencia difuso. Sin embargo, esta
simplificacin puede llevar a la prdida de significado lingstico de las FM, a

menos que la suma de las intensidades de disparo (esto es, G jG ) sea cercana
a la unidad.

Para aclarar estos conceptos, supngase un ejemplo arbitrario de un modelo

difuso tipo Sugeno de primer orden con dos entradas, una salida y cuatro
reglas, ste se expresa como:

1. Si X es pequeo e Y es pequeo, entonces z=-x+y+1.

2. Si X es pequeo e Y es grande, entonces z=-y+3.
3. Si X es grande e Y es pequeo, entonces z=-x-3.
4. Si X es grande e Y es grande, entonces z=x+y+2.

En la Figura 1.18 se indica el razonamiento difuso aplicado al ejemplo

mencionado anteriormente.

El espacio difuso de entrada se puede particionar con diferentes mtodos para

formar los antecedentes de las reglas difusas (Figura 1.19). Los tres mtodos
csicos son: particin de rejilla, particin de rbol y particin dispersa.

38

Figura 1.18 Ejemplo de un modelo difuso tipo Sugeno de primer orden.

La particin de rejilla slo requiere un pequeo nmero de FM para cada

entrada; sin embargo, tiene algunos problemas cuando se tiene un nmero
moderadamente grande de entradas. Por ejemplo, un modelo difuso con 10
entradas y 2 FM por cada una de ellas, podra resultar en 2kT  1024 reglas
difusas lo que es prohibitivamente grande.

En la particin de rbol cada regin se puede especificar en forma nica a

travs de un rbol de decisiones correspondiente. Esta particin resuelve el
problema de un incremento exponencial del nmero de reglas, pero se
requieren ms FM en cada entrada para definir tales regiones difusas, y esas
FM generalmente no tienen un significado lingstico claro tal como "pequeo",
"grande", etc.

Con la particin dispersa se puede limitar el nmero de reglas a una cantidad

razonable; sin embargo, esta particin normalmente se define por los pares de
datos de entrada / salida deseados, debido a ello no se mantiene ortogonalidad
en X, Y o en el producto cartesiano X * Y. Esto hace difcil estimar la funcin de
transformacin global directamente de los consecuentes de cada salida de las
reglas.
39

Figura 1.19 Diferentes mtodos de particionar el espacio de entrada: a) Particin de

Rejilla, b) Particin de rbol, c) Particin Dispersa.

Con todos los elementos hasta aqu establecidos, se puede definir el proceso
mediante el cual se construye un sistema de inferencia difuso para una
aplicacin especfica. A este proceso normalmente se le llama modelado difuso
y los pasos que para su realizacin se muestran a continuacin:

Seleccionar las variables de entrada y salida relevantes.

Elegir un tipo especfico de sistema de inferencia difuso.

Determinar el nmero de etiquetas asociadas con cada variable de

entrada y salida. (En un modelo tipo Sugeno, se debe determinar el
orden de las ecuaciones del consecuente).

Definir un conjunto de reglas difusas del tipo si... entonces.

Elegir una familia adecuada de FM parametrizadas.

Consultar humanos expertos del sistema que se desea reproducir, para

determinar los parmetros de las FM usadas en la base de reglas.

Refinar los parmetros de las FM usando regresin y tcnicas de

optimizacin.

Esta ltima tarea asume la disponibilidad de un conjunto de datos de entrada /

salida deseado, mientras que los pasos anteriores a sta, parten de la
disponibilidad de un humano experto. Las tcnicas de optimizacin y
adaptacin expanden las aplicaciones de los sistemas de inferencia difusos a
campos tales como el control adaptivo, procesamiento de seal adaptivo,
regresin no lineal y el reconocimiento de patrones.
40

Esta caracterstica de adaptacin de los sistemas de inferencia difusos a un

conjunto de datos entrada / salida deseado, es el trabajo principal de ANFIS
dentro de MATLAB.
1.4.3. REDES NEURONALES

El propsito general de este trabajo no es el conocimiento profundo de las

redes neuronales, sin embargo interesa tratar el comportamiento de las redes
adaptivas, ya que en este comportamiento, se basan los algoritmos de
aprendizaje de ANFIS.

Las redes neuronales estn compuestas de elementos simples que se hallan

operando en paralelo, para el procesamiento de la informacin. Estos
elementos estn inspirados en el modo en que las redes neuronales biolgicas
procesan la informacin. Es decir que se ha intentado plasmar los aspectos
esenciales de una neurona real a la hora de disear una neurona "artificial".

Como su nombre lo indica, una red adaptiva es una estructura cuyo

comportamiento global de entrada / salida queda determinado por una
coleccin de los parmetros modificables. Especficamente, la configuracin de
una red adaptiva se compone de un conjunto de nodos conectados por enlaces
direccionados, donde cada nodo realiza una funcin particular en las seales
que entran a l, para generar una sola salida de nodo, y cada enlace especifica
la direccin del flujo de seales de un nodo a otro.

Generalmente, una funcin de nodo es una funcin parametrizada con

parmetros modificables; cambiando dichos parmetros, se modifica la funcin
de nodo y, en consecuencia, el comportamiento global de la red adaptiva. La
regla de aprendizaje especifica la forma en que estos parmetros deben
ajustarse para minimizar una medida de error dada, la cual es una expresin
matemtica que mide la desviacin entre la salida real de la red y una salida
deseada.

41

Aqu se debe mencionar que si la regla de aprendizaje se aplica empleando

pares de datos de entrada / salida, esto es, que para cada dato de entrada se
le especifica a la red la respuesta que debe tener en su salida, se habla de una
regla de aprendizaje supervisado, y se le denomina una red de aprendizaje
supervisado (o, simplemente, red supervisada); por otro lado, si nicamente se
utilizan vectores de entrada, se tendr un mtodo de aprendizaje sin
supervisin, se hablar de una red de aprendizaje no supervisado, la cual
"evoluciona" para extraer caractersticas de regularidades en los patrones que
se le presentan, sin que se le especifique qu salidas o clases asociadas con
los patrones de entrada se desean, esto es, el sistema detecta o asigna
categoras a caractersticas persistentes sin ninguna retroalimentacin del
medio.

La regla bsica de aprendizaje de una red adaptiva es el mtodo del gradiente

descendiente, en el cual el vector gradiente se obtiene mediante invocaciones
sucesivas de la regla de la cadena en el clculo de derivadas de una funcin
continua. Este es el mtodo que se us originalmente para hallar el gradiente
en una red neuronal multicapa, bajo el nombre de regla de aprendizaje de
retropropagacin (backpropagation learning rule), nombre que actualmente
resulta muy conocido en los tpicos de redes neuronales.

Si el conjunto de parmetros de un nodo tiene elementos ajustables, entonces

su funcin de nodo depende de los valores de los parmetros; en este trabajo
se usar un cuadrado para representar este tipo de nodo adaptivo. Por otra
parte, si un nodo tiene un conjunto de parmetros sin elementos ajustables,
entonces su funcin es fija y se representa con un crculo (nodo fijo).

Los enlaces de una red adaptativa se utilizan para sealar la direccin de

propagacin de las salidas de los nodos; generalmente no hay pesos o
parmetros asociados con ellos.

La Figura 1.20 ilustra lo dicho arriba para una arquitectura de tres entradas,
tres nodos en capa oculta y dos nodos en la capa de salida (abreviadamente:
3-3-2).
42

Figura 1.20 Red Adaptativa [12].

Las redes adaptivas generalmente se clasifican en dos categoras de acuerdo

al tipo de enlaces que tienen: redes hacia adelante (feedforward) y redes
recurrentes (recurrent). La Figura 1.20 es un ejemplo de red de avance, puesto
que la salida de cada nodo se propaga del lado de entrada (izquierda) hacia el
lado de salida (derecha). Si existe algn enlace de retroalimentacin que forme
una trayectoria circular en una red, entonces la red es recurrente.
1.4.3.1. Sistema Neuro-difuso

Hasta este punto ya se han descrito todos los elementos necesarios para
construir un sistema neuro-difuso propiamente dicho.

La unin de los sistemas difusos con la redes neuronales trata de compensar

las debilidades del uno con las bondades del otro. En los sistemas puramente
difusos, el problema de encontrar las FM apropiadas as como las reglas
difusas para un problema especfico, frecuentemente es un proceso tedioso de
prueba y error.

Por lo tanto, la idea de aplicar algoritmos de aprendizaje a estos sistemas

surgi inicialmente con los llamados controladores difusos auto-organizativos.
Sin embargo, otra posibilidad ms aceptada actualmente para el ajuste de los
parmetros de los sistemas difusos surge de los mtodos de aprendizaje
empleados en redes neuronales.

43

Los sistemas neuro-difusos modernos normalmente se representan como una

red neuronal multicapa de avance. Esto se hace simplemente para facilitar el
anlisis en el momento de aplicar el proceso de optimizacin e ilustrar el flujo
de datos dentro del sistema, as como su naturaleza en paralelo. Los nodos en
estas redes difieren de los utilizados en las redes neuronales en cuanto al tipo
de funcin que realizan y la interpretacin que se les da [13].

Aunque existen muchos mtodos diferentes, el trmino de sistemas neurodifusos se puede restringir a aquellos sistemas que presentan las siguientes
propiedades:

Un sistema neuro-difuso es un sistema difuso que se entrena por medio

de un algoritmo de aprendizaje (comnmente) derivado de la teora de
las redes neuronales. El procedimiento de aprendizaje opera en
informacin local, y origina solo modificaciones locales en el sistema
difuso de base. El proceso de aprendizaje no se basa en conocimiento,
sino en un conjunto de datos dado.

Un sistema neuro-difuso puede verse como una red neuronal multicapa

de avance. Las unidades en sus nodos emplean operaciones norma-T o
conorma-T, explicadas en el ANEXO 1, en lugar de las funciones de
activacin que normalmente usan las redes neuronales. La primera capa
representa las variables de entrada; las FM y las reglas difusas se
representan mediante enlaces y capas ocultas; y, la ltima capa,
representa las variables de salida. Sin embargo, esta representacin en
forma de red neuronal no es un requisito indispensable para aplicar un
procedimiento de aprendizaje, simplemente se hace por conveniencia.

Un sistema neuro-difuso siempre puede interpretarse como un sistema

de reglas difusas, esto es, antes, durante y despus del entrenamiento.
Es posible crear el sistema a partir de datos de entrenamiento
nicamente, o se pueden inicializar sus parmetros mediante un
conocimiento previo en forma de reglas difusas.

El procedimiento de entrenamiento de un sistema neuro-difuso toma en

consideracin las propiedades semnticas del sistema difuso base. Esto
44

resulta en restricciones en las posibles modificaciones de los parmetros

del sistema.

Un sistema neuro-difuso aproxima una funcin de n dimensiones

(desconocida) que se define parcialmente mediante los datos de
entrenamiento. Las reglas difusas codificadas dentro del sistema
representan muestras vagas, y se pueden interpretar como prototipos
vagos de los datos de entrenamiento. Un sistema neuro-difuso no debe
entenderse como un tipo de sistema (difuso) experto, y no se relaciona
con la lgica difusa en un sentido estrecho.

Por lo tanto, un sistema neuro-difuso se considera como una tcnica para

ajustar a un sistema difuso a partir de datos, o para enriquecerlo mediante
aprendizaje, a partir de ejemplos.

La divisin de los sistemas neuro-difusos que se indica aqu, fue propuesta por
Nauck en su artculo "Beyond Neurofuzzy: Perspectives and Directions" [14].
Las razones para usar tal divisin es que muchas de las aproximaciones a los
sistemas neuro-difusos implementadas hasta hoy, pueden ser enmarcadas
dentro de estas divisiones propuestas que se basan en las diferentes
combinaciones de las redes neuronales y los sistemas difusos:

1. Modelos Concurrentes: Cuando la red neuronal y el sistema difuso trabajan

juntos pero sin interactuar el uno en el otro, es decir, ninguno determina las
caractersticas del otro.
2. Modelos Cooperativos: Cuando la red neuronal se usa para determinar los
parmetros de funcionamiento del sistema difuso. En estos modelos, se
distinguen dos fases: la de entrenamiento y la de funcionamiento. En la
primera, la red neuronal interacta con el sistema difuso determinando los
parmetros del mismo, mientras en la segunda, la red neuronal desaparece
dejando slo el sistema difuso.
3. Modelos Hbridos: En esta aproximacin, los sistemas difusos y de red
neuronales, trabajan juntos en una arquitectura homognea que puede ser
interpretada como una red neuronal con parmetros difusos o como un sistema

45

difuso con parmetros o funcionamiento distribuidos, ejemplos de estos

modelos son las ANFIS.
1.4.4. ARQUITECTURA ANFIS

Desde que Zadeh public en 1965 el primer artculo sobre una forma novedosa
de caracterizar incertidumbres no probabilsticas, mediante los llamados
conjuntos difusos [15]; la lgica difusa y la teora de conjuntos difusos ha
evolucionado hacia un rea que involucra varias disciplinas, tales como clculo
de reglas difusas si...entonces, grficos difusos, interpolacin difusa, topologa
difusa, razonamiento difuso, sistemas de inferencia difusos y modelacin
difusa. Las aplicaciones que, por naturaleza son multidisciplinarias, incluyen
control automtico, electrnica de consumo, procesamiento de seales,
prediccin de series de tiempo, recuperacin de informacin, manejo de bases
de datos, visin por computadora, clasificacin de datos, toma de decisiones,
etc.

Recientemente, el resurgimiento del inters en el campo de las redes

neuronales artificiales ha dado una nueva perspectiva encaminada hacia la
literatura difusa. La regla de aprendizaje de retropropagacin, la cual tuvo poca
atencin hasta que se descubri su aplicacin en redes neuronales, es en
realidad un paradigma universal de aprendizaje para cualquier modelo
parametrizado "suave", incluyendo los sistemas de inferencia difusos.

Como resultado, los sistemas difusos no solo pueden tomar informacin

lingstica (reglas lingsticas) de humanos expertos, sino que tambin se
pueden adaptar empleando datos numricos (pares de datos de entrada /
salida) para lograr un mejor desempeo.

La modelacin de sistemas basada en herramientas de matemtica

convencional (ecuaciones diferenciales) no es muy adecuada para tratar con
sistemas inciertos y mal definidos, ms an cuando se desea plasmar la
experiencia humana de dicho proceso.

46

Los sistemas neuro-difusos surgen debido a la falta de mtodos estndar para

transformar el conocimiento humano o su experiencia hacia la base de reglas y
datos de un sistema de inferencia difuso. Para lograr tal objetivo, se requiere de
mtodos efectivos para ajustar sus funciones de membresa, as como
minimizar la medida del error de salida o maximizar su ndice de desempeo o
eficiencia.

Con esta idea en mente, surgi la arquitectura llamada ANFIS (AdaptiveNetwork-based Fuzzy Inference System) Sistema de Inferencia Difuso basado
en Redes Adaptivas, la cual sirve como base para construir un conjunto de
reglas difusas si ... entonces con funciones de membresa apropiadas para
generar los pares de datos de entrada / salida ptimos. Esto se logra usando
una regla de aprendizaje

hibrida, basada en los mtodos de optimizacin

comunes en las redes adaptivas (el gradiente descendiente y el estimador de

mnimos cuadrados).

La arquitectura que se propone para el desarrollo del presente trabajo, es un

tipo de red adaptiva, que, funcionalmente, es equivalente a un sistema de
inferencia difuso. Esta arquitectura puede representar modelos difusos tipo
Sugeno (Sugeno de orden 1 y 0). Bsicamente, ANFIS modela un sistema de
inferencia difuso en el cual sus parmetros se ajustan mediante un algoritmo de
retropropagacin basndose en un conjunto de datos de entrada / salida (datos
de entrenamiento), lo que le permite al sistema aprender. Debido a la mayor
rapidez en el entrenamiento y a las mejores caractersticas que presentan los
sistemas de primer orden sobre los de orden cero, son stos con los que se
desarrolla el presente trabajo. La siguiente descripcin se centrar en ello,
teniendo en cuenta que fcilmente se puede hacer una generalizacin hacia los
otros tipos de sistemas, como el de orden cero.

Para explicar el funcionamiento de la arquitectura, se considera un sistema de

inferencia con dos entradas (x, y) y una salida (f). Para un modelo difuso tipo
Sugeno de primer orden, un conjunto con dos reglas difusas si... entonces, se
define como:

47

Regla 1: Si x es A1 y y es B1, entonces f1= p1x + q1y + r1,

Regla 2: Si x es A2 y y es B2, entonces f2= p2x + q2y + r2.
La Figura 1.21 ilustra el mecanismo de razonamiento para un Sistema de
Inferencia Difuso tipo Sugeno; la arquitectura ANFIS correspondiente se
muestra en la Figura 1.22, en la cual, los nodos en una misma capa realizan
funciones similares. A continuacin se da una descripcin de la funcin que
realiza cada capa en la arquitectura mostrada (en donde la salida del i-simo

nodo en la capa k se denota como nGo ). Se hace notar que los dos sistemas son
equivalentes.

Figura 1.21 Sistema de Inferencia Difuso tipo Sugeno de primer orden con dos
entradas y dos reglas difusas [11].

Figura 1.22 Arquitectura ANFIS equivalente [11].

Capa 1. Cada nodo i en esta capa es un nodo adaptable con una funcin de
nodo definida por:
nko  `aG  1.24
48

Donde x (o y) es la entrada al nodo i, y Ai (o Bi) es una etiqueta lingstica (tal

como "pequeo" o "alto") asociada con este nodo. En otras palabras, nGo es el
grado de membresa a un conjunto difuso A (A = A1, A2, o B = B1, B2), el cual

especifica el grado en que una entrada (x o y) satisface al cuantificador Ai. La

funcin de membresa de A, debe ser una funcin parametrizada que sea
continua y derivable a tramos, se utiliza la funcin campana generalizada como
FM, cuya expresin matemtica est dada por:
`a  

1
1.25
  fG 31q
1p
p
G

Donde (ai, bi, ci) es el conjunto de parmetros que definen la posicin y forma
de la campana: ai especifica el ancho de la campana; bi, el valor de las
pendientes; y ci, la posicin en el eje x de su eje de simetra. Esto se ilustra en
la Figura 1.23. Una funcin de membresa trapezoidal o una triangular, tambin
son candidatas calificadas para funciones de nodo en esta capa. Los
parmetros en esta capa son referidos como parmetros de premisa.

Figura 1.23 Parmetros de la Funcin de Membresa Campana Generalizada.

Capa 2. Los nodos de esta capa son nodos fijos, y se etiquetan con el smbolo
; la salida aqu es la operacin norma-T de todas las seales que entran a l:
n3o  jG  @`aG , `dG gA,

J  1,2. 1.26

49

Cada salida de estos nodos representa la intensidad de disparo de una regla.

En general, se puede emplear cualquier operador norma-T como funcin de
nodo en esta capa.

Capa 3. Esta capa se compone de nodos fijos etiquetados con N. El i-simo

nodo calcula la relacin de la intensidad de disparo de la i-sima regla con
respecto a la suma de las intensidades de disparo de todas las reglas:
nro  j
llls 

jG
,
jk  j3

J  1,2. 1.27

A cada salida de esta capa se le llama intensidad de disparo normalizada.

Capa 4. Cada nodo i en esta capa es un nodo adaptable con una funcin
definida por:
nto  j
llli
lll
s G j
s G   uG g  PG  1.28
Donde lll
js es una salida de intensidad normalizada de la capa 3, y {pi, qi, ri} es el

conjunto de parmetros que define a los polinomios zi en este nodo. Los

parmetros en esta capa son referidos como parmetros del consecuente.

Capa 5. El nico nodo presente en esta capa, es un nodo fijo denotado por ,
el cual calcula la salida global como la suma de todas las seales que entran a
l:
FJ2 v]  i  w lll
js iG 
G

G jG iG
1.29
G jG

De esta forma, lo que se obtiene es una red adaptiva (Figura 1.22), la cual es,
como se puede apreciar en la Figura 1.21, funcionalmente equivalente a un
Sistema de Inferencia Difuso tipo Sugeno.

50

La estructura mostrada no es nica, ya que se pueden hacer otras

construcciones equivalentes, por ejemplo combinando las capas 3 y 4, con lo
que la red tendra solo cuatro capas.
1.4.4.1. ANFIS y la regla de aprendizaje hbrida

De la arquitectura ANFIS mostrada en la Figura 1.22 se observa que, si los

valores de los parmetros de la premisa son fijos, la salida global puede
expresarse como una combinacin lineal de los parmetros del consecuente.
Esto es, la salida f en la Figura 1.22 se puede rescribir como:
jk
j3
ik 
i j
lllli
lllli
k kj
3 3
jk  j3
jk  j3 3
1.30
ij
llll
llll
k k   uk g  Pk   j
3 3   u3 g  P3 
llll
llllgu
llllP
llll
llllgu
llllll
ij
k
kj
k
kj
k kj
3
3j
3
3j
3 P3
i

Como resultado de esto, se tiene lo siguiente, de la regla de aprendizaje

hbrida, presentada en el ANEXO 1:

S = Conjunto total de parmetros

S1 = Conjunto de parmetros de la premisa (no lineales)
S2 = Conjunto de parmetros del consecuente (lineales)
De la regla de aprendizaje hbrida se tiene tambin que, H() y F(,) son la
funcin identidad y la funcin del sistema de inferencia difusa, respectivamente.
Por consiguiente, el algoritmo de aprendizaje hbrido se puede aplicar
directamente. En el paso en avance del algoritmo de aprendizaje hbrido, las
salidas de los nodos van hacia adelante hasta la capa 4, y los parmetros del
consecuente se identifican por el mtodo de mnimos cuadrados. En el paso en
retroceso, las seales de error se propagan hacia atrs y los parmetros de la
premisa se actualizan mediante el descendiente del gradiente.

Sin embargo, debe notarse que la complejidad en el clculo del mtodo LSE
(Estimador de Mnimos Cuadrados) es mayor que en el del descendiente del
gradiente. De hecho, hay cuatro mtodos para actualizar los parmetros, tal
51

como se enumeran a continuacin de acuerdo con la complejidad de cmputo

asociada:

1. Solamente el gradiente descendente: Todos los parmetros se

actualizan con el mtodo del gradiente descendente (en el paso en
avance y en el de retroceso).
2. Gradiente Descendiente y un paso de LSE: El mtodo de LSE se aplica
slo una vez al comienzo, para obtener los valores iniciales de los
parmetros del consecuente y, entonces, el gradiente descendente se
aplica para obtener todos los parmetros.
3. Gradiente descendente y LSE: Esta es la regla de aprendizaje hbrida
propuesta.
4. Solamente LSE secuencial (aproximado): ANFIS se hace lineal con
respecto a los parmetros de la premisa y se utiliza el algoritmo de
Kalman extendido para actualizar a todos los parmetros. Esto se ha
propuesto en la literatura de redes neuronales [15].

Como ya se ha mencionado, los parmetros del consecuente encontrados de

esta forma son ptimos, bajo la condicin de que los parmetros de la premisa
sean fijos.

As, el mtodo hbrido converge mucho ms rpido, puesto que reduce las
dimensiones del espacio de bsqueda del mtodo original de retropropagacin.

La eleccin de alguno de los 4 mtodos anteriores, depender de los recursos

de cmputo disponibles y del nivel de desempeo requerido.
1.4.4.2. Agrupamiento difuso

El agrupamiento numrico es la base de muchas clasificaciones y de

algoritmos para el modelaje de sistemas. El propsito del agrupamiento es
identificar conjuntos de datos de un conjunto mayor para obtener una concisa
representacin del comportamiento del sistema.

52

Un problema con el agrupamiento es la particin del conjunto dado, en grupos

de tal manera que los datos en un grupo sean lo ms similares entre ellos, que
con datos de otros tipos.

De esta manera, el objeto principal en el proceso de agrupamiento es encontrar

la organizacin de datos dentro de grupos "sensibles", los cuales permitan
descubrir similitudes y diferencias, as como deducir conclusiones acerca de
estos.

Figura 1.24 Pasos en el agrupamiento de datos [16].

MATLAB posee algunas herramientas que permiten encontrar grupos en los

datos de entrada / salida para el entrenamiento.

Para el entrenamiento de ANFIS, MATLAB permite escoger entre particin por

rejilla y agrupamiento substractivo (sub-clustering). A continuacin se indica
una breve descripcin de estos dos mtodos. Se debe mencionar que el
objetivo de este trabajo no es profundizar sobre los diferentes tipos de mtodos
para el agrupamiento de datos, lo que se trata es de dar una idea, de cmo son
utilizadas estas herramientas en el entrenamiento de ANFIS.

Particin por Rejilla: En esta aproximacin se utiliza las funciones de

membresa previamente definidas para las variables de entrada del
antecedente, las mismas que son utilizadas para el agrupamiento de los datos

53

en el espacio de entrada. El agrupamiento se realiza utilizando una

combinacin lgica de las funciones de membresa del antecedente.

El principal problema de este mtodo es que el nmero de reglas crece

rpidamente. El nmero de reglas N que son necesarias para cubrir
completamente el dominio del antecedente est dado por la expresin:
xy

G 1.31

G{k

Donde r es la dimensin del espacio de entrada y Ri es el nmero de etiquetas

lingsticas de la i-sima variable del antecedente. La dimensin del espacio r
es una funcin del nmero de entradas y del orden del sistema difuso.

La aplicacin prctica de la particin por rejilla est restringida a pequeos

sistemas (dos o tres entradas) ya que el nmero de reglas es muy grande para
sistemas con mayor nmero de entradas. A continuacin se muestra un
ejemplo de la particin por rejilla para una ANFIS con dos entradas y con nueve
reglas difusas.

Figura 1.25 Particin por rejilla.

La particin por rejilla se modifica con el entrenamiento del modelo ANFIS, ya

que los parmetros de las funciones de membresa son modificados en este.

Agrupamiento Substractivo (Sub-Clustering): Este mtodo considera a cada

punto de dato como un potencial centro del grupo. Una medida del potencial de
54

cada punto de dato es definido como una funcin de las distancias euclidianas
a todos los otros puntos de datos de entrada.

CJ  w exp~uJ  u3  J  1, , C 1.32

{k

Donde P representa el nmero de pares de datos de entrenamiento, q(i) es el

vector de entrada y es el parmetro de diseo. Obviamente el potencial de un
punto de dato es mayor cuando ste se encuentra rodeado por una vecindad
de datos. A continuacin se indican los pasos que se siguen en este algoritmo
[14]:

1. Para i = 1, ..., P se calcula los valores de potencial D(i)

2. Se define J = 1 y se selecciona el punto de dato con el mayor valor de

potencial como el primer centro del grupo. Siendo r*(1) la localizacin del
punto y D*(1) su potencial.

3. Se revisa el potencial de cada punto de datos i = 1,...,P por la frmula:

CJ  CJ  C$ 1uJ  u $ 13  1.33
4. Se define J = J+1 y se selecciona el punto de dato con el mayor
potencial como el siguiente centro. Siendo r*(J) la localizacin del nuevo
centro y D*(J) su potencial.

5. Se revisa el potencial para cada punto de dato, i = 1,..., D por la frmula:

CJ  CJ  C$ uJ  u $ 3  1.34
6. Si la inecuacin D*(J) < D*(1) es verdadera se detiene el algoritmo y se
regresa al paso 4.

55

Los parmetros y pueden ser considerados como radios, usando las

siguientes igualdades:
~

4
4
3 ,  3 1.35
2
2

Cada uno de los radios anteriores define una vecindad en el espacio de

entrada, se debe mencionar que el valor de debe ser menor que el de .

La seleccin de es muy importante para producir la estructura del sistema. Si

es seleccionado muy pequeo, un gran nmero de centros de grupo sern
generados. De lo contrario, un valor grande de generar una estructura
pequea para el sistema.

De los dos mtodos anteriormente detallados, el segundo mtodo requiere una

mayor capacidad computacional, lo que no ocurre con el primero. Sin embargo
si se tiene un sistema con muchas entradas y varias funciones de membresa
por entrada, trabajar con el primer mtodo sera imposible por el excesivo
nmero de grupos (reglas difusas), lo que no ocurre con el segundo, que es
independiente del nmero de entradas y de sus funciones de membresa,
nicamente toma en cuenta el vector de entrada y los parmetros , y .

Por lo anteriormente descrito y considerando el nmero de entradas de nuestro

sistema de trfico vehicular se utiliza en el entrenamiento de los modelos
ANFIS la particin por rejilla.

56

CAPTULO 2
2. RECOLECCIN DE DATOS
2.1. MTODOS DE MEDICIN DE TRFICO VEHICULAR
Los sistemas de control de trfico se basan en el conteo de los vehculos, en
mediciones de velocidad y de tiempo entre vehculos. Si se basa en el conteo
de vehculos, es posible medir las siguientes caractersticas del trfico
vehicular:

Flujo de vehculos en cada carril y en cada sentido de una va.

Densidad de vehculos en cada carril y en cada sentido de una va.

Conteo de vehculos cambiando de direccin en los cruces.

Velocidad de los vehculos circulando en la va.

Tipos de vehculos circulando en la va.

Los sistemas de control de trfico vehicular han permitido el desarrollo de

tecnologas para detectar vehculos, las cuales pueden ser clasificadas en dos
categoras: sensores invasivos y no-invasivos.
2.1.1. SENSORES INVASIVOS

Este grupo son sensores instalados directamente sobre el asfalto, dentro del
mismo, los principales sensores invasivos son los bucles inductivos, sensores
magnticos, tubos neumticos, cables piezoelctricos. Las tecnologas
invasivas han sido usadas extensivamente en muchas aplicaciones, lo que ha
permitido bajar sus costos y mejorar su precisin. Actualmente, representan los
sensores ms comnmente usados en mediciones permanentes relacionadas
con el trfico vehicular.

La desventaja principal de ese tipo de sensores reside en la necesidad de parar

el trfico en la va para poder instalarlos sobre, dentro o debajo del asfalto. Otra
desventaja se debe a que es necesario combinar varios sensores del mismo
57

tipo cuando se trata de medir varios parmetros en la misma va, lo cual

obviamente representa inversin econmica y problemas de congestin
cong
vehicular debido al cierre de la va para la instalacin como para su
mantenimiento. Por ejemplo, en una va en doble sentido de 6 carriles, se
requieren al menos 6 bucles inductivos para contar vehculos en cada carril. Si
se necesita clasificar loss vehculos, bucles de tamaos diferentes deben ser
instalados. Medir velocidades requiere combinar varias zonas y medir tiempos
de recorrido de una zona a la otra.
2.1.1.1. Bucles
ucles Inductivos

Se pueden utilizar en forma temporal

temporal o permanente, siendo esta ltima

la ms
normal. Detectan el paso del vehculo por variacin de la masa magntica
sobre el lazo. No detectan con detalle el eje, de modo que no pueden
diferenciar el eje doble o el eje triple de un eje sencillo. Permiten clasificar
vehculos, pero sin precisar exactamente el nmero de ejes. Son econmicos,
son los ms comunes en todo tipo de mediciones de trfico, la instalacin
permanente requiere cierre
cier de la va y daa la misma, son necesarios
necesario varios
bucles para obtener la informacin pertinente
per
y son
n sensibles a la temperatura
[1].

Figura 2.1 Bucle inductivo en utilizacin temporal y permanente.

permanente

2.1.1.2. Sensores
ensores Magnticos

Detectan el vehculo por el cambio de flujo magntico natural de la tierra o

producido artificialmente. Pueden ser usados cuando los bucles inductivos no
58

son los adecuados, y requieren el cierre de la va para instalacin, adems de

daar est cuando se instalan.
2.1.1.3. Tubos Neumticos

Son sensores de ejes que detectan el paso del vehculo en base al impulso de
presin que se genera. Pueden contar y clasificar, pero solo para utilizacin
temporal y en trnsitos fluidos. Cuando la manguera atraviesa varios carriles
debe estar protegida en los carriles en los que no est efectuando la medida.
Hay que cuidar tambin la fijacin de la manguera a la calzada para evitar que
los vehculos la arrastren o la rompan [1].

Figura 2.2 Tubos Neumticos.

2.1.1.4. Sensores Piezoelctricos

Estos sensores detectan el paso del vehculo en base a la carga elctrica que
se genera en el material piezoelctrico cuando es presionado por una rueda.
Su campo de aplicacin va desde 1 km/h hasta 180 km/h. Un par de sensores
piezoelctricos colocados a una distancia conocida permiten calcular la
velocidad del vehculo y clasificarlo con precisin. Se utilizan normalmente con
un lazo inductivo situado entre ellos para poder separar unos vehculos de
otros, en configuracin piezo-lazo-piezo. Se puede utilizar dos lazos inductivos
con un sensor piezoelctrico, pero la primera configuracin es la que
proporciona mayor precisin. Los sensores piezoelctricos presentan las
siguientes desventajas: sensibilidad al trfico de carriles adyacentes, baja
sensibilidad al trnsito lento, son susceptibles a la corrosin y al ruido elctrico,

59

transmisin de la energa de descarga del rayo al dispositivo electrnico de

clasificacin [1].

Figura 2.3 Sensores piezoelctricos en ubicacin temporal y fija.

2.1.1.5. Sensores en Base a Cables de Fibra ptica

Son sensores de ejes que detectan el paso del vehculo por la variacin de la
conductividad ptica de un cable de fibra ptica presionado por la rueda del
vehculo. Su utilizacin es anloga a la de los sensores piezoelctricos, pero
cubriendo velocidades desde 0 km/h, por lo que son los nicos sensores que
permiten clasificar en base al nmero de ejes en situaciones de circulacin a
vuelta de rueda, arranque-parada, etc.

Figura 2.4 Esquema del sistema de clasificacin desde 0 km/h en funcin del nmero
de ejes.

Los sistemas de conteo y de clasificacin vehicular en base a sensores pticos

ofrecen numerosas ventajas: el sensor no tiene partes metlicas, es solamente
60

sensible a las cargas verticales, y detecta el paso de los ejes a cualquier

velocidad, incluyendo el trnsito a paso de rueda y el trnsito con paradas
frecuentes. Es insensible a las vibraciones en los carriles adyacentes, son
robustos, fciles de manejar, y presentan una larga duracin de vida. Como no
estn hechos a base de conductores elctricos no pueden conducir descargas
de rayos ni ruidos elctricos [1].
2.1.2. SENSORES NO INVASIVOS

Estos sensores permiten una medicin similar a los anteriores sin tener que
interrumpir el trfico y sin afectar la calidad y la seguridad de la va. La
ubicacin de dispositivos en altura predomina en muchos de los sensores no
invasivos. Los sensores no invasivos, basados en la propagacin de ondas,
son ms sensibles a condiciones climticas. Sin embargo, los desarrollos
tecnolgicos han permitido obtener una precisin similar a los equipos
invasivos.

La ventaja principal de los sensores no-invasivos es la flexibilidad y la facilidad

con la cual pueden ser instalados. Adems se puede medir directamente la
velocidad de los vehculos y existe la posibilidad de cubrir varios carriles con el
mismo sensor. El costo sigue siendo una desventaja importante para
dispositivos no-invasivos. Son rentables solamente en caso de tener muchas
zonas de deteccin.
2.1.2.1. Sensor Infrarrojo

El sensor infrarrojo es sensible a la luz infrarroja ya sea producida por la

reflexin de un haz viniendo de una fuente (sensores activos) o producida por
el vehculo mismo (sensores pasivos).

El sensor proporciona la siguiente informacin: longitud, alto y ancho del

vehculo, posicin respecto al acotamiento, velocidad. La desventaja de estos
sensores es que son sensibles a la luz ambiente y, por lo tanto, a condiciones
climticas [1].

61

Figura 2.5 Funcionamiento del sensor infrarrojo.

2.1.2.2. Ultrasonido

Consiste en la emisin de una onda de ultrasonido y la medicin de la

recepcin. Para la medicin de velocidad por efecto Doppler, se compara la
frecuencia de la onda emitida con la frecuencia de la onda reflejada. Este tipo
de sensores son sensibles a condiciones climticas [2].

Figura 2.6 Sensor de ultrasonido y posibles ubicaciones del sensor en la va.

2.1.2.3. Microondas

El sensor basado en tecnologa de microondas convencional determina la

distancia a la que se encuentra un objeto, en movimiento o parado, en funcin
del tiempo entre la emisin y la recepcin de la onda reflejada. Este tipo de
sensores son sensibles al ruido ambiental, a la velocidad de los vehculos y a
condiciones climticas.

Los sensores de microondas brindan la posibilidad de medicin en varios

carriles. La medicin de velocidad es directa a travs del efecto Doppler [2].
62

Figura 2.7 Sensor de microondas.

2.1.2.4. Cmaras [2,3]

Este tipo de sensores tiene un costo unitario alto, pero por otro lado, la cantidad
de informacin disponible, la flexibilidad, la facilidad de uso, y la posibilidad de
medir en muchas zonas de la va son caractersticas que han hecho que este
tipo de sensores sean utilizados en la actualidad. Al final, el uso de cmaras
representa la solucin econmicamente ms eficiente.

Por otra parte, cabe mencionar otras ventajas importantes a nivel prctico:

Ausencia de instalaciones en la va.

Distincin directa de vehculos por el tamao.

Posibilidad de medicin en varios puntos al mismo tiempo.

Conectividad directa a una computadora para el tratamiento y

almacenamiento de los datos.

Figura 2.8 Cmara para la deteccin de vehculos.

Las desventajas principales de los sistemas de visin son:

63

Dificultad de calibracin para situaciones exteriores con luz ambiente

muy variable.

Manejo de sombras presentes en la imagen. La seleccin de la

ubicacin del sensor y la definicin de las zonas de deteccin son muy
importantes y permiten evitar dichos problemas.
p

Posibilidad de obturacin de la vista

vista por vehculos grandes, lo que se
evita con una buena ubicacin de la cmara.

Nitidez de la imagen, especialmente en caso de movimientos de la

cmara. La definicin de zonas de deteccin suficientemente grandes
gran
soluciona este problema. Sin embargo, es importante tratar de ubicar la
cmara en sitios fijos.

2.2. MEDICIONES
El sistema mencionado en el alcance del presente proyecto de titulacin para la
toma de datos de trfico vehicular es TrafiCam,
TrafiCam el cual consta de una cmara
digital con sensor y detector CMOS y una tarjeta de interfaz en la que se
obtienen pulsos de salida cuando una de sus ocho zonas configurables ha sido
activada. Sin embargo, por la zona escogida para la adquisicin de datos y
desarrollo
esarrollo del proyecto (Av. Coln) surgieron varias razones que obligaron a
optar por otros mtodos de medicin.
medicin. A continuacin se listan dichas razones.

La falta de un espacio fsico conveniente (paso peatonal) para colocar

las cmaras de forma que se tenga
nga una adecuada definicin
defin
de las
zonas de deteccin para el conteo de vehculos.

Figura 2.9 Avenida Coln E-O.

64

Los datos obtenidos mediante estos sensores no son adecuados para

alimentar el modelo matemtico implementado en MATLAB, pues no me
dan informacin sobre la temporizacin de las fases de los semforos.

Los datos obtenidos mediante estos sensores no son suficientes para

alimentar el modelo de simulacin hecho en AIMSUN,
AIMSUN ya que no
permiten obtener
tener informacin sobre el porcentaje
porcentaje de vehculos que giran
en cada interseccin.
interseccin

El plan de soterramiento de cables areos que lleva a cabo la

Municipalidad del Distrito Metropolitano de Quito en la avenida Coln.

Figura 2.10
10 Plan de soterramiento de cables areos.

Debido a lo expuesto se realizaron diferentes tipos de mediciones manuales

para obtener los datos necesarios que permitan alimentar el modelo
matemtico implementado en MATLAB y el simulador profesional AIMSUN.
AIMSUN
2.2.1. MEDICIONES
EDICIONES PARA EL MODELO DESARROLLADO EN MATLAB

Para alimentar completamente

ompletamente a este modelo se necesitan las dimensiones
fsicas de la red vial a modelarse y el tiempo de los ciclos y las fases presentes
en los semforos de las intersecciones involucradas,
involucrada con sus respectivas
sincronizaciones.

65

Se requiere solo de los datos mencionados debido al carcter determinstico

del modelo que no toma en cuenta el comportamiento
comportamiento de los conductores, y
tampoco considera la interaccin
interacci de la avenida en estudio con las calles
secundarias.
2.2.1.1. Medicin de Longitud entre las Intersecciones Semaforizadas

El programa computacional Google Earth facilit la medicin de las longitudes

entre las intersecciones semaforizadas, ya que ste posee una herramienta
para medir la distancia entre dos puntos mediante el uso de imgenes
satelitales. En el modelo seleccionado se debe omitir la existencia de
intersecciones no semaforizadas y considerar que cada seccin se extiende
entre un par de semforos sin ninguna interferencia.

Figura 2.11 Captura de una medicin realizada con Google Earth.

Earth

Tabla 2.1 Longitud entre las Intersecciones Semaforizadas de la Avenida Coln entre
las Avenidas 6 de Diciembre y 10 de Agosto.
Agosto
Desde

Hasta

Longitud [m]

Av. 6 de Diciembre

Av. Diego de Almagro

205.48

Av. Diego de Almagro

Av. Reina Victoria

86.51

Av. Reina Victoria

Av. Juan Len Mera

170.95

Av. Juan Len Mera

Av. Amazonas

92.16

Av. Amazonas

Av. 9 de Octubre

362.22

Av. 9 de Octubre

Av. 10 de Agosto

237.73

66

2.2.1.2. Medicin de los Ciclos de los Semforos

En primera instancia se observ cual es el comportamiento de cada uno de los

semforos, esto es, que fases posee cada uno de ellos y en que secuencia
aparecen. As se concluy que todos los semforos involucrados poseen
solamente tres fases: Verde, Amarillo y Rojo; y suceden en ese orden.

Se utilizaron cronmetros para medir los tiempos de cada fase en los

semforos y los tiempos de sincronizacin (desfase) entre el inicio de ciclo,
para cada par de semforos consecutivos, considerando como inicio de ciclo al
inicio de la fase verde. Y a partir de estas mediciones se obtuvieron los valores
mostrados en las Tablas 2.2 y 2.3.
Tabla 2.2 Tiempos de verde, amarillo y rojo para los semforos.
Semforo en la

Tiempo de

Tiempo de

Tiempo de

Interseccin Av. Coln y

Verde [seg]

Amarillo [seg]

Rojo [seg]

Av. 6 de Diciembre

37

70

Av. Diego de Almagro

52

55

Av. Reina Victoria

52

55

Av. Juan Len Mera

50

57

Av. Amazonas

44

63

Av. 9 de Octubre

49

58

Av. 10 de Agosto

39

68

Tabla 2.3 Tiempos de desfase entre semforos.

Semforos entre las Intersecciones de la Av.

Tiempo de

Coln y

desfase [seg]

Av. 6 de Diciembre

Av. Diego de Almagro

-35

Av. Diego de Almagro

Av. Reina Victoria

33.2

Av. Reina Victoria

Av. Juan Len Mera

-2.5

Av. Juan Len Mera

Av. Amazonas

-1.8

Av. Amazonas

Av. 9 de Octubre

6.2

Av. 9 de Octubre

Av. 10 de Agosto

2.8

67

En la Tabla 2.3 el signo del tiempo de desfase es positivo si el verde del nsimo semforo enciende luego de que haya encendido el verde del (n-1)simo semforo y negativo en caso contrario.
2.2.1.3. Medicin de los tiempos de aceleracin y frenado de un vehculo

Se realiz una prueba repetitiva con tres vehculos diferentes, dos automviles
y un jeep para obtener sus respectivos tiempos de aceleracin y frenado; estos
datos sern usados para calcular un promedio del tiempo de aceleracin y
establecer un tiempo mnimo y un tiempo mximo de frenado, la informacin
recolectada ser de utilidad en el Captulo 3.

La prueba consista en cronometrar el tiempo transcurrido para que un vehculo

alcance la velocidad mxima permitida en el permetro urbano (50 km/h)
partiendo del reposo. Manteniendo una aceleracin moderada.
Tabla 2.4 Tiempos de aceleracin.
Vehculo

Tiempos de aceleracin [seg]

Automvil CHEVROLET 1.4

9.8

8.6

10.3

Automvil TOYOTA 1.8

9.2

10.5

10.6

Jeep CHEVROLET 2.0

10.5

10.1

10.4

De los datos recogidos en la Tabla 2.4 se calcula el tiempo promedio de

aceleracin, igual a 10 segundos.
Tabla 2.5 Tiempos de frenado.
Vehculo

Tiempos de aceleracin [seg]

Automvil CHEVROLET 1.4

2.9

3.2

Automvil TOYOTA 1.8

2.8

3.1

3.3

Jeep CHEVROLET 2.0

3.4

3.6

3.1

Se establece un tiempo de frenado mnimo de 3 segundos y un tiempo de

frenado mximo de 3.6 segundos.

68

2.2.2. MEDICIONES PARA EL SIMULADOR PROFESIONAL AIMSUN

Considerando que AIMSUN es un simulador profesional, se necesitan datos

ms especficos de la red vial a simularse y del comportamiento real del trfico
vehicular, para garantizar su correcto funcionamiento y as obtener resultados
ms objetivos.
2.2.2.1. Medicin del Tamao entre las Intersecciones No Semaforizadas

Para alimentar el simulador profesional se consideran las intersecciones no

semaforizadas, adems de la direccin y el porcentaje del flujo vehicular en
cada interseccin.

Se recurri nuevamente al programa Google Earth para obtener las longitudes

entre las intersecciones no semaforizadas, y a observaciones manuales para
registrar en qu sentido se puede mover el flujo vehicular en cada interseccin.

Las medidas tomadas se muestran en la Tabla 2.6.

Tabla 2.6 Longitud entre las Intersecciones No Semaforizadas de la Avenida Coln
entre las Avenidas 6 de Diciembre y 10 de Agosto.
Desde

Hasta

Longitud [m]

Av. 6 de Diciembre

Ynez Pinzn

76.49

Ynez Pinzn

Jos Urbina

43.85

Jos Urbina

Av. Diego de Almagro

85.14

Av. Diego de Almagro

Av. Reina Victoria

86.51

Av. Reina Victoria

La Rbida

85.61

La Rbida

Av. Juan Len Mera

85.34

Av. Juan Len Mera

Av. Amazonas

92.16

Av. Amazonas

Mariscal Foch

186.38

Mariscal Foch

Av. 9 de Octubre

175.84

Av. 9 de Octubre

Av. 10 de Agosto

237.73

69

2.2.2.2. Medicin del Comportamiento del Trfico

Para obtener los datos de los porcentajes de giro del flujo vehicular en las
intersecciones se realizaron mediciones manuales mediante el registro de la
cantidad de vehculos que circulaban en las diferentes direcciones.

Estos datos son necesarios para alimentar el simulador AIMSUN de manera

que sea lo ms real posible y as introducir una variable estocstica al modelo.
Hay que indicar que las mediciones se realizaron el da 10 de enero de 2013 a
las 11 de la maana con clima despejado.
Tabla 2.7 Interseccin: Av. Coln y Av. 6 de Diciembre.
Total
Sentido

Carros

SN

Giros
Buses

Sentido

Carros

995

SE

113

NS

1865

NO

378

EO

1021

52

EN

260

OE

1109

59

OS

93

Tabla 2.8 Interseccin: Av. Coln y Ynez Pinzn.

Total

Giros

Sentido

Carros

Buses

Sentido

Carros

EO

1193

53

EN

246

OE

1394

57

ON

192

SN

469

Tabla 2.9 Interseccin: Av. Coln y Jos Urbina.

Total

Giros

Sentido

Carros

Buses

Sentido

Carros

EO

1193

53

ES

77

OE

1394

57

OS

47

NS

134

70

Tabla 2.10 Interseccin: Av. Coln y Av. Diego de Almagro.

Total
Sentido

Carros

SN

776

OE

1121

EO

718

Giros
Buses

Sentido

Carros

SO

192

57

SE

132

54

EN

152

Tabla 2.11 Interseccin: Av. Coln y Av. Reina Victoria.

Total
Sentido

Carros

NS

1140

EO

1172

OE

1046

Giros
Buses

Sentido

Carros

NO

132

54

NE

192

56

OS

306

Tabla 2.12 Interseccin: Av. Coln y La Rbida.

Total

Giros

Sentido

Carros

Buses

Sentido

Carros

EO

1243

55

EN

142

OE

1193

56

ON

141

SN

319

Tabla 2.13 Interseccin: Av. Coln y Av. Juan Len Mera.

Total

Giros

Sentido

Carros

Buses

Sentido

Carros

SN

1511

102

SO

131

OE

1273

55

SE

95

EO

680

57

EN

241

Tabla 2.14 Interseccin: Av. Coln y Av. Amazonas.

Total

Giros

Sentido

Carros

Buses

Sentido

Carros

NS

1098

102

NO

166

71

SN

995

EO

895

OE

995

NE

207

58

EN

370

54

OS

472

Tabla 2.15 Interseccin: Av. Coln y Mariscal Foch.

Total

Giros

Sentido

Carros

Buses

SN

159

EO

441

59

OE

467

53

Sentido

Carros

SE

78

SO

81

Tabla 2.16 Interseccin: Av. Coln y Av. 9 de Octubre.

Total
Sentido

Carros

SN

970

OE

1121

EO

1310

Giros
Buses

Sentido

Carros

SO

164

52

SE

113

61

EN

325

Tabla 2.17 Interseccin: Av. Coln y Av. 10 de Agosto.

Total
Sentido

Carros

SN

Giros
Buses

Sentido

Carros

2356

SE

214

NS

2381

NO

202

EO

945

63

EN

194

OE

1033

49

OS

154

De los datos obtenidos se trazaron los flujos observados y se calcularon los

porcentajes para alimentar el simulador profesional AIMSUN, stos se
muestran en la Figura 2.12.

72

Figura 2.12 Porcentaje de giro y flujos en la avenida Coln.

73

CAPTULO 3
3. DISEO DE UN CONTROLADOR NEURO-DIFUSO
USANDO ANFIS
La idea bsica que se propone en MATLAB para las tcnicas de aprendizaje
neuro-adaptivas es muy simple. Esta tcnica provee un mtodo para que el
modelamiento difuso aprenda de la informacin del conjunto de datos, y de
acuerdo a esto, computar los parmetros de las funciones de membresa que
mejor permitan, al asociado sistema de inferencia difuso, seguir los datos de
entrada / salida.

El Toolbox de Lgica Difusa provee los medios necesarios para generar la

estructura de un Sistema de Inferencia Difuso y posteriormente ajustar los
parmetros de las funciones de membresa de dicha estructura FIS, para ello
se puede acceder a las funciones adecuadas desde la lnea de comandos o
desde el "ANFIS Editor GUI".

En MATLAB, se toma un conjunto de datos de entrada / salida y mediante la

utilizacin de la sintaxis correcta se construye un Sistema de Inferencia Difuso
(FIS) cuyos parmetros son ajustados por el mtodo de propagacin hacia
atrs o por una combinacin de este con un mtodo de optimizacin. As se
consigue que el sistema difuso aprenda del conjunto de datos a ser modelados
generando la estructura ANFIS.

Los parmetros asociados con las funciones de membresa de entrada / salida

cambiarn a travs del proceso de aprendizaje. El clculo de estos parmetros
se logra por medio de un vector de gradientes, el cual provee una medida de
cuan bien el sistema de inferencia difuso est modelando los datos de entrada /
salida para un conjunto de parmetros dado. Luego de que un gradiente es
obtenido, se aplica usualmente el mtodo de optimizacin de los mnimos
cuadrados definido por la suma de los cuadrados de la diferencia entre la salida
actual y el valor deseado.
74

Este tipo de modelacin trabaja bien si los datos presentados a "ANFIS" para el
entrenamiento (estimacin) de los parmetros de las funciones de membresa
son completamente representativos del comportamiento del sistema que se
est tratando de modelar.

MATLAB posee la posibilidad de validar el sistema. La validacin del modelo es

el proceso por el cual un vector de entrada del conjunto de datos de entrada /
salida para el cual el Sistema de Inferencia Difuso no fue entrenado, es
presentado al modelo ya entrenado para ver que tan bien predice el
correspondiente conjunto de datos de salida.

Un problema con la validacin para modelos construidos usando tcnicas

adaptivas es seleccionar un conjunto de datos que por una parte representen el
modelo entrenado que se est tratando de emular y por otra que sean lo
suficientemente distintos de los datos de entrenamiento, de tal manera que la
validacin no sea un proceso trivial.

3.1. DESCRIPCIN DEL MODELO

Inicialmente se presenta un modelo de trfico mesoscpico, el cual es el punto
de partida para disear el control de los tiempos de desfase de verde entre los
semforos de cada interseccin utilizando ANFIS.

En Modeling traffic through a sequence of traffic lights [1] se introduce un

modelo microscpico de trfico vehicular; prcticamente es un modelo ideal
basado en el comportamiento cinemtico de un solo vehculo que viaja a travs
de una secuencia de semforos que encienden y apagan con una frecuencia
especfica y que presentan distancias fijas (para este caso 100 m).

Partiendo de esta investigacin, el primer objetivo es analizar una corriente

vehicular (varios vehculos) a travs de una secuencia de semforos que
puedan presentar distancias variables entre ellos y luego controlar estos
semforos para pretender mantener la velocidad mxima del flujo vehicular

75

permitida en la va. A continuacin se describen los parmetros que componen

la funcin:

La separacin entre el n-simo y el (n+1)-simo semforo es Ln. La n-sima luz

es verde si sen (nt + n) > 0 y roja en caso contrario, donde n es la
frecuencia del semforo y n es el desfase entre semforos, positivo si el verde
del n-simo semforo enciende luego de que haya encendido el verde del (n1)-simo semforo y negativo en caso contrario. Un automvil en esta
secuencia de semforos puede tener:

Una aceleracin positiva a+ hasta que su velocidad alcanza la velocidad

mxima de la va vmx.

Una velocidad constante vmx con aceleracin nula.

Una aceleracin negativa a_ hasta que se detiene.

 H   H, fP
N H
iP!

3.1e

En la Ecuacin 3.1, (v) es la funcin escaln unitario, la cual impide que el

modelo arroje velocidades superiores a la mxima e inferiores a cero.

Como el auto se acerca al n-simo semforo con velocidad v el conductor debe

tomar una decisin, frenar o no en la distancia Xc:
3
3.2
M 
2N
La diferencia entre Ln y Xc (Ln - Xc), es la distancia a la cual el vehculo puede
acelerar hasta alcanzar la vmx.
Para el modelo mesoscpico en el que se maneja un flujo vehicular, cada
vehculo acelera con una aceleracin  , se supone que el primer vehculo en
la fila posee una   1.39  3 , este dato se obtiene de la velocidad mxima

76

de circulacin en el permetro urbano y de las medidas experimentales

tomadas en el Captulo 2, (Tabla 2.4).

 

HDI

zDG_

z G%

1000
3600   1.39  3
10

50

Se estima que cada vehculo que precede al primero disminuye su aceleracin

 en un 2% [2], y se evala cada 0.1 segundos  la diferencia entre X y Xc (X

es la distancia recorrida por el vehculo), cuando sta sea menor a 1m se

analiza el estado del semforo, es decir, sen (nt + n), si el resultado es

positivo y H Y HDI se contina con  , se mantiene H si H  HDI ; si el

resultado es negativo se actualiza el valor de aceleracin a N , que se calcula

para que el n-simo vehculo frene dentro de la distancia correspondiente. Para

limitar la aceleracin mnima y mxima de frenado se hace referencia a los
datos de la Tabla 2.5, de donde se obtienen las siguientes condiciones:

ND% 
NDI 

HDI

DIGD_z%
HDI

D%GD_z%




1000
50 3600 
3.6

1000
50 3600 
3

 3.9  3
 4.63  3

En base a estos parmetros se calculan los datos de velocidad instantnea con

los cuales se obtienen los datos de la velocidad promedio para los m autos del
flujo vehicular.

La velocidad v de la ecuacin del modelo inicial se reemplaza por el promedio

de la velocidad promedio de los m vehculos (E ), es decir:

E 

D
G{k G
3.3

En la Ecuacin 3.3 J es la velocidad promedio del m-simo vehculo. Esta

velocidad promedio se obtiene a partir de la velocidad instantnea del vehculo

77

(G% ), la cual se calcula cada 0.1 segundos (), mientras el vehculo se

desplaza en el flujo vehicular del n-simo hasta el (n+1)-simo semforo.

Donde:
G%      3.4
oG{k G%
3.5
G 

En la Ecuacin 3.4,  es la velocidad que lleva el vehculo en el intervalo de

tiempo y en la Ecuacin 3.5, representa el nmero de intervalos () en los

que se pueda dividir la seccin. Luego de describir el modelo a utilizarse para

caracterizar el flujo de vehculos a travs de una va, se utiliza la Ecuacin 3.6
para sincronizar los tiempos de verde (tv) y de desfase (td) de los semforos:
sin

2
  % % 0 3.6
%  a%  %

Donde:

% es el tiempo de verde del n-simo semforo.

a% es el tiempo de amarillo del n-simo semforo.

% es el tiempo de rojo del n-simo semforo.

% es el tiempo de desfase de la luz verde entre el n-simo semforo y el (n-1)simo semforo.

Se debe considerar que la longitud promedio de un vehculo es de 4 metros y la

separacin entre vehculos as como la reduccin de la velocidad promedio de
circulacin por presencia de transporte pblico se encuentran a partir del
modelo lineal planteado en Ingeniera de Trnsito: Fundamentos y
aplicaciones [3].

Partiendo de la informacin recolectada en el Captulo 2, el volumen mximo

vehicular (uD ) que se presenta sobre la avenida Coln es de alrededor de 2956
78

vehculos/hora, la velocidad mxima (HDI ) permitida en la va es de 50 km/h

(13,89 m/s) y debido a la presencia de transporte pblico en dos de los 4

carriles de la avenida en estudio esta se reduce en un 30%, se tiene entonces
que la densidad de congestionamiento vehicular (kc) es:


$
 . /
.

El espaciamiento promedio a flujo mximo ( ) es:




 /

Y la separacin entre vehculos a flujo mximo ( ) es:

     /
Adicionalmente se deben incluir las restricciones consideradas en este modelo,
para el posterior desarrollo del simulador, las cuales consisten en:

Tener un nmero mximo de 10 vehculos en un carril partiendo del

reposo, esta restriccin aparece debido a la geometra de la red vial
(longitud entre intersecciones) que presenta la zona en estudio.

Cada auto calcula si se encuentra en la zona en que puede frenar de

forma normal para detenerse en la interseccin y acomodarse uno a
continuacin de otro, manteniendo una separacin (entre vehculos)
igual a la inicial.

Si el pelotn de vehculos se separa en ms pelotones, cada vehculo

debe redefinir la posicin que ocupa dentro de su pelotn actual para
mantener una separacin adecuada entre vehculos al detenerse en una
interseccin.

79

De acuerdo a la distancia de frenado y la velocidad que lleva el vehculo

se calcula la aceleracin de frenado, misma que no puede ser menor en
modulo a ND% .

Los autos se detendrn un metro despus del semforo de la ltima

interseccin en estudio.

El modelo matemtico descrito en esta seccin y las ecuaciones que lo

caracterizan; se encuentra plenamente desarrollado en el ANEXO 2, donde se
muestra

el

cdigo

implementado

en

MATLAB

para

representar

el

comportamiento cinemtico del modelo y las restricciones sealadas

anteriormente.

3.2. DESARROLLO DE LA ARQUITECTURA ANFIS

3.2.1. INTRODUCCIN

Ahora se procede a disear el controlador neuro-difuso usando ANFIS para

asignar el tiempo de desfase (de verde) entre los semforos de la zona en
estudio, buscando obtener la velocidad mxima permitida en la va. Este diseo
se realiza para controlar el modelo descrito en el numeral 3.1.

Para el entrenamiento del modelo neuro-difuso, que se implementar, las

reglas difusas del tipo Takagi-Sugeno se representan de la siguiente forma:

Regla n: Si X es An y Y es Bn, entonces fn = pnX + qnY + rn, la arquitectura de

las reglas implementadas es una combinacin lineal entre los parmetros del
antecedente de cada regla:

Regla n: Si X es An e Y es Bn, entonces fn = pnX + qnY + rn,

Donde An y Bn son los conjuntos difusos de entrada y pn, qn y rn son constantes,
obteniendo un modelo Takagi-Sugeno de primer orden, para una salida lineal.

80

MATLAB 8.0 permite generar un modelo ANFIS utilizando la Lnea de

Comando o mediante el editor ANFIS que es un GUI ya incorporado en el
programa.

El GUI del editor ANFIS se puede invocar desde la lnea de comando

escribiendo la palabra anfisedit y presenta la siguiente interfaz.

Figura 3.1 Interfaz del editor ANFIS [4].

A partir de esta interfaz grfica de usuario se puede:

Cargar datos (entrenamiento, pruebas y comprobaciones) mediante la

seleccin de la opcin adecuada. Los datos cargados se trazan en la
zona de dibujo.

Generar un modelo FIS inicial o cargar un modelo FIS inicial utilizando

las opciones de Generar FIS.

81

Ver la estructura del modelo FIS inicial una vez que se ha generado o se
ha cargado haciendo clic en el botn estructura.

Elegir el modelo FIS, los parmetros del mtodo de optimizacin:

backpropagation o una mezcla de backpropagation y mnimos
cuadrados (mtodo hbrido).

Seleccionar el nmero de pocas de entrenamiento y la tolerancia del

error en el entrenamiento.

Entrenar al modelo FIS haciendo clic en el botn de entrenar. Este

entrenamiento ajusta los parmetros de la funcin de pertenencia y
grafica los datos del entrenamiento (y/o pruebas, comprobaciones) y del
error.

Se puede utilizar la barra de men para cargar un archivo de inicializacin FIS,

guardar los FIS entrenados, abrir un nuevo sistema Sugeno, o abrir cualquiera
de las otras interfaces grficas para interpretar el modelo FIS entrenado.

Sin embargo, como la intencin que lleva este proyecto es evaluar el modelo
ANFIS generado ante una entrada de datos representativos de la zona en
estudio y la integracin del modelo matemtico implementado en el simulador
con el desarrollo de la arquitectura ANFIS, se opta por utilizar la lnea de
comando, con las funciones adecuadas.
3.2.2. DISEO DE LA ESTRUCTURA ANFIS

El diseo de la estructura ANFIS se divide en las etapas que se muestran a

continuacin, dentro de cada una se detalla su objetivo y se indica cmo
utilizarla en la interfaz grfica de usuario desarrollada para el controlador.
3.2.2.1. Generacin de datos

En esta etapa se deben generar los datos utilizados para construir la estructura
de inferencia difusa (FIS), es decir una matriz de datos entrada / salida que sea
lo suficientemente representativa del comportamiento del modelo.

82

Para construir la matriz mencionada se utiliz una matriz de 560x3 para los
datos de entrada y una matriz de 560x1 para los datos de salida. Se llamar a
la matriz que contiene los datos de entrada entrada y a la matriz que contiene
los datos de salida salida.

En la matriz entrada existirn 80 sub-matrices de 7x3, cada una de estas

matrices representa una combinacin del nmero de vehculos que sern
analizados, los tiempos de desfase (de verde) y los tiempos de desfase
anteriores de los semforos de las intersecciones, (Figura 3.2).
Zx
Donde:

!
!
!

x  !
!
!
!

0

G,k

G,3
 G,r
G,t
G,
G,

G [Ir

G,k

G,3

G,r
G  G,t
G,
G,
G,

!   2
1 8 e
1 J 10

La primera columna de la matriz entrada cuya estructura se muestra en la

Figura 3.2 est formada por el nmero de vehculos !  que sern analizados

en el modelo matemtico desarrollado, la segunda columna de la matriz

entrada est formada por los tiempos de desfase (de verde) de los semforos
de las intersecciones anteriores 

Gk  G ,

y la tercera columna de la matriz

entrada est formada por los tiempos de desfase (de verde) de los semforos
de las intersecciones analizadas Gk E . Para cada una de las 80 matrices

de 7x3 el valor del tiempo de desfase (de verde) del semforo de la

interseccin anterior a la primera se supone igual 0, indicando as el inicio de la
zona en estudio.
Estas 80 matrices se pueden dividir en 8 grupos @v A formados por 10 sub-

matrices de 7x3, cada grupo poseer un nmero de vehculos fijo !   2;

83

as con los 8 grupos se cubre el rango de vehculos en estudio (3 a 10

automviles).
En cada grupo @v A existirn 10 posibles combinaciones de tiempos de desfase

(de verde) para las 7 intersecciones Gk E  con sus respectivos tiempos

de desfase (de verde) anteriores 

Gk  G ,

las primeras 3 combinaciones

muestran caractersticas representativas del sistema de trfico y las 7 restantes

se generan aleatoriamente. La matriz de entrada presentar estructuralmente
la siguiente forma:

Figura 3.2 Estructura de la matriz entrada.

Para cada una de las 80 matrices de 7x3 antes mencionadas el modelo

matemtico del sistema de trfico vehicular calcula la salida correspondiente,
para generar la matriz salida de 560x1. De esta forma se obtienen las matrices
necesarias para generar la estructura FIS.
Z!P2[TIr
ZJ2[TIk

En el GUI mostrado en la Figura 3.3, el botn que permite generar los datos
como se describi anteriormente se llama Generar Datos de Entrenamiento, y
84

se encuentra en la parte superior izquierda de la interfaz. Una vez que los

datos han sido generados exitosamente se despliega un mensaje indicando
esto, Figura 3.4.

Figura 3.3 Interfaz del controlador.

Figura 3.4
4 Interfaz del mesaje de generacin exitosa.

Se incluy tambin la opcin de observar los datos generados, el botn que

permite ingresar a esta nueva interfaz se llama Mostrar Datos Generados y se
encuentra debajo del botn
bot Generar Datos de Entrenamiento,, Figura 3.5.
3.5

En la interfaz que se despliega se puede visualizar una tabla con los datos que
servirn para crear la estructura FIS y el posterior entrenamiento ANFIS. A ms
de poder ser observados los datos generados se pueden exportar a un
documento de Excel (.xlsx) presionando el botn Generar archivo xlsx o a un
85

documento de archivo de texto (.txt) presionando el botn Generar archivo txt,

para su posterior uso o archivamiento. Se escogi
escogi ambos formatos tomando en
cuenta
nta la compatibilidad con Windows y MacOsX.

Figura 3.5 Interfaz de visualizacin de los datos generados.

generados

Pulsando el botn Regresar, localizado debajo del botn Generar archivo

txt, se vuelve a la interfaz del Controlador y se cierra la interfaz de
visualizacin de datos generados.

En la siguiente etapa se proceder a crear la estructura del Sistema de

Inferencia Difuso en base a los datos generados en esta etapa.
3.2.2.2. Generacin del Sistema de Inferencia Difuso FIS

Para generar la estructura ANFIS se utilizaron los comandos que permiten

escoger los parmetros adecuados para primero construir el Sistema de
Inferencia Difuso FIS y luego entrenarlo.

86

genfis1 genera una estructura FIS de tipo Sugeno con particin por rejilla de
datos, que se utiliza como condicin inicial (inicializacin de los parmetros de
la funcin de pertenencia) para el entrenamiento ANFIS.

En esta funcin se coloca una matriz formada por los datos de entrada y salida
del sistema (data), un nmero o un vector que define la cantidad de funciones
de membresa asociadas a cada entrada (numMFs), una cadena de caracteres
que define el tipo de funcin de membresa asociada con cada entrada
(inmftype) y la funcin de membresa asociada con la salida (outmftype).

fisCti = genfis1(data, numMFs, inmftype, outmftype)

Esta funcin utilizar como matriz (data) los datos generados en el numeral
anterior; se escogi 6 funciones de membresa para cada entrada de tipo
campana de Gauss y una funcin lineal para la salida.

La matriz de entrada para la estructura FIS est compuesta de la siguiente

forma:

data = [ entrada

salida ]

Una vez generada la estructura FIS se utilizar el comando anfis para el

entrenamiento de la misma.

anfis es la sintaxis de la rutina de entrenamiento para sistemas de inferencia

difusos de tipo Sugeno. ANFIS utiliza un algoritmo de aprendizaje hbrido para
identificar los parmetros de los sistemas de inferencia difusos tipo Sugeno. Se
aplica una combinacin del mtodo de mnimos cuadrados y el mtodo del
gradiente descendiente de retropropagacin para entrenar los parmetros de
las funciones de membresa de la estructura FIS y as emular la conducta de
los datos de entrenamiento. ANFIS tambin puede invocarse mediante un
argumento opcional para la validacin del modelo.

87

En esta funcin se coloca una matriz formada por los datos de entrada y salida
del sistema (trnData),
a), el nombre del sistema
siste
de inferencia
ferencia difuso FIS utilizado
para proveer a la estructura ANFIS una configuracin inicial de las funciones de
membresa para el entrenamiento (fisCti) y un vector donde se definen el
nmero de pocas de entrenamiento, el error de entrenamiento alcanzado,
alc
el
tamao de paso inicial y la razn del decrecimiento y crecimiento del tamao
del paso (trnOpt).

anfisCti = anfis(trnData,
anfis(trnData fisCti, trnOpt)

Esta funcin al igual que la utilizada para generar la estructura FIS utilizar
como matriz (trnData) los datos generados en 3.2.2.1,, la estructura FIS
generada
a previamente, se configura el vector (trnOpt) para 100
1
pocas de
entrenamiento, un error de entrenamiento de 0, un tamao de paso de 0.01,
una razn de decrecimiento del tamao del paso de 0.9 y una razn
ra
de
crecimiento del tamao del paso de 1.1. Como resultado de lo antes expuesto
se obtiene la siguiente estructura ANFIS.

Figura 3.6 Estructura ANFIS entrenada.

Ahora la estructura ANFIS generada tendr la informacin suficiente en sus 5

capas para poder ser evaluada ante un conjunto de datos representativos del

88

sistema en estudio y as poder alcanzar la meta de lograr la velocidad mxima

permitida en la avenida Coln.
C

El proceso de generar la estructura inicial del Sistema de Inferencia Difuso y el

posterior entrenamiento de la misma da comienzo cuando el botn Generar
FIS que se encuentra en la interfaz del controlador, por debajo del botn
Mostrar Datos Generados
rados, se presiona.

Una vez que la estructura ANFIS se ha generado exitosamente se despliega

des
un
mensaje indicndolo,, Figura 3.7.
3.

Figura 3.7 Interfaz del mesaje de estructura FIS generada.

generada

3.2.2.3. Validacin del modelo ANFIS

Para esta etapa se utiliza la funcin que permite evaluar un sistema ANFIS
previamente generado ante una entrada arbitraria, dicha funcin se describe a
continuacin.

evalfis calcula el conjunto de datos de salida de una estructura FIS ante un

conjunto de datos de entrada dado.

En esta funcin se colocan una matriz formada por los datos de entrada para
los cuales la estructura FIS
F calcular la respuesta (entrada_val),
), y el nombre de
la estructura
ctura FIS a ser evaluada (anfisCti).
(anfisCti Esta instruccin devuelve un vector
formado por los datos correspondientes a la respuesta de la estructura FIS.

La matriz entrada_val tendr una dimensin de 7x3 y estar formada en su

primera columna por el nmero de vehculos
vehculos a analizarse, este valor se
selecciona en el control Numero
Nu
de Vehiculos que aparece
e en el GUI del
89

Controlador, la segunda columna estar formada por los tiempos de desfase

del semforo de la interseccin anterior, considerando igual que en el
entrenamiento de la estructura ANFIS,
ANFIS, el tiempo de desfase anterior del
semforo de la primera interseccin igual a 0. Y su tercera columna estar
compuesta por los tiempos de desfase (de verde) de los semforos de cada
interseccin,, que deben ser ingresados en el espacio Tiempos de Desfase
Desfa
(interfaz del Controlador)).

Figura 3.8 Tiempos de desfase.

Para que la validacin se lleve a cabo se debe presionar el botn Validar, el

cual ejecutar
tar las instrucciones necesarias, para que en el espacio llamado
Velocidad Promedio por Seccin ANFIS del GUI del Controlador,
Controlador aparezca la
respuesta del modelo ANFIS ante la entrada de validacin [ entrada_val ].

salida_val = evalfis(entrada_val,
evalfis(entrada_val anfisCti)

Al presionar Validar el modelo

modelo matemtico tambin computa su respuesta
ante los mismos tiempos de desfase que recibe la estructura ANFIS, esta se
muestra en el espacio de la interfaz del Controlador llamado Velocidad
Promedio por Seccin
eccin Modelo Matemtico,
Matemtico, as se pueden comparar ambas
respuestas.

90

Figura 3.9 Validacin.

Una vezz que se obtenga la salida de velocidad deseada, el vector Tiempos de

Desfase ser guardado oprimiendo el botn Guardar Datos que se encuentra
en la parte inferior de la interfaz para luego realizar la simulacin tanto en el
Simulador implementado en MATLAB en base al modelo matemtico descrito
en 3.1. como en el software profesional AIMSUN.
AIMSUN

En la parte superior derecha del GUI del Controlador al lado izquierdo del bho
se muestra un botn con el signo de interrogacin ?, al oprimir este se
despliega una ayuda sobre la funcin que cumple cada botn de la interfaz,
igualmente este botn aparece en el GUI donde se pueden visualizar
visualiz los datos
generados, con la respectiva ayuda de esa interfaz.

Por ltimo, se coloc el botn Regresar, ubicado en la parte inferior derecha

de la interfaz del Controlador, para cerrar la interfaz actual e ir a la interfaz que
direccion a la actual.

Hay que sealar que estas no son las nicas funciones que MATLAB posee
para desarrollar estructuras ANFIS, sin embargo son
son las que se ajustan a los
requerimientos del proyecto.
proyecto En el Captulo 4 se muestran las simulaciones
correspondientes al sistema de trfico,
trfico, utilizando el Simulador desarrollado en
MATLAB y AIMSUN.

91

CAPTULO 4
4. SIMULACIN DEL SISTEMA CONTROLADO
La simulacin
n es necesaria en este proyecto de titulacin porque no se puede
trabajar directamente en el escenario (Av. Coln),
Coln adems permite analizar
estadsticamente los resultados,
resultados por ltimo se requiere la simulacin pues
brinda la posibilidad de probar que pasara en la zona de estudio si existe un
incidente u otro tipo
ipo de perturbacin, esto posibilita plantear estrategias para la
toma de decisiones
ecisiones y control de dicha zona.

4.1. SIMULACIN DE TRFICO VEHICULAR USANDO MATLAB

4.1.1. CARACTERSTICAS
ARACTERSTICAS DEL SIMULADOR

Para acceder al Simulador se elabor una interfaz de Inicio, (Figura

igura 4.1).
4.1

Figura 4.1 Interfaz de Inicio.

Desde esta interfaz se puede acceder al GUI del Controlador, mencionado en

el Captulo 3,, y al GUI del Simulador, mediante botones con esos nombres. El
92

diagrama de flujo del programa implementado en MATLAB (Simulador +

Controlador) se presenta en el ANEXO 3.

El Simulador fue desarrollado como una interfaz grfica

grfica de usuario (GUI) en
MATLAB. ste
ste posee varias caractersticas configurables que se detallan en
las siguientes lneas. A continuacin se muestra la interfaz grfica del
Simulador.

Figura 4.2 Interfaz del Simulador.

4.1.2. DATOS
ATOS QUE REQUIERE EL SIMULADOR

Los datos que requiere el Simulador para calcular las velocidades promedio del
flujo vehicular en cada seccin de la zona en estudio son: los tiempos de
desfase entre el n-simo
simo y el (n+1)-simo semforo y el nmero de vehculos a
simularse.

El tiempo del ciclo de los semforos est precargado en el cdigo del

Simulador, as como los tiempos de verde de cada uno de los semforos. Los
tiempos de desfase entre el n-simo y el (n+1)-simo semforo se pueden
ingresar de dos maneras diferentes:
93

Se pueden escribir individualmente cada uno de los valores en el

espacio Tiempos de Desfase, que se encuentra en la esquina inferior
izquierda de la interfaz grfica del Simulador, cuando el men
desplegable Datos del Sistema que se encuentra en la parte superior
izquierda del GUI del Simulador
Simulador indica la opcin Arbitrario, (Figura 4.3).

Figura 4.3 Tiempos de Desfase.

Tambin se pueden ingresar valores precargados al espacio Tiempos

de Desfase a travs del men desplegable Datos del Sistema, en el
cual se puede elegir entre cargar los tiempos de desfase obtenidos en
base a las mediciones manuales,
manuales, mencionadas en el Captulo 2,
seleccionando la opcin Original, o cargar los valores de los tiempos
de desfase del GUI del Controlador con los que se obtuvo la velocidad
del flujo vehicular deseada, mediante la opcin Compensado.

Figura 4.4
4 Men Desplegable Datos del Sistema.

No es necesario que se hayan obtenido los tiempos de desfase en el

controlador para poder realizar la simulacin del modelo, pero aparece un
mensaje de error al intentar seleccionar la opcin Compensado del men
desplegable
splegable Datos del Sistema, Figura
F
4.4, el cual da la opcin de acceder al
94

GUI del Controlador y realizar todo el proceso para obtener dicha matriz 7x1 de
tiempos de desfase, mencionada en el Captulo 3, o de
e continuar en la pantalla
del Simulador con el men desplegable Datos del Sistema seleccionando la
opcin Arbitrario.

Figura 4.5 Interfaz del mensaje de error.

Para ingresar el dato del nmero de vehculos que se desea simular se recurre
al slider Nmero de Vehculos que se encuentra junto al men desplegable
Datos del Sistema, este puede variar entre 3 y 10 vehculos.

Figura 4.6 Slider Nmero de Vehculos.

Los datos que requiere el programa para realizar la simulacin grfica del
modelo son: la velocidad de simulacin y el nmero del vehculo que se desea
seguir en el video. El slider Velocidad de Simulacin, localizado debajo del
men desplegable
plegable Datos del Sistema, permite elegir la velocidad de
simulacin de entre 3 opciones preconfiguradas, dichas opciones son: baja,
media y alta velocidad.

Figura 4.7 Slider Velocidad de Simulacin.

95

El nmero del vehculo que se desea seguir en el video toma valores entre 1 y
el valor del nmero de vehculos que se haya escogido con el slider Nmero
de Vehculos y es posible ingresarlo mediante el slider Vehculo a seguir que
se encuentra junto al slider Velocidad de Simulacin.

Figura 4.8 Slider Vehculo a seguir.

4.1.3. RESULTADOS
ESULTADOS DISPONIBLES

Para obtener los resultados del simulador se debe presionar el botn Iniciar,
localizado en del GUI del Simulador.
S

El simulador entrega como resultados las velocidades promedio por seccin

para los tiempos de desfase y el nmero de vehculos ingresados, dichos
valores se muestran en el espacio
espac Velocidad Promedio por Seccin.
eccin.

Figura 4.9 Velocidades Promedio por Seccin.

Adems, se muestra una grfica de las velocidades en funcin del tiempo para
cada vehculo
lo a lo largo de todas las intersecciones;
inter
diferenciando
erenciando cada una de
las secciones mediante un color:
co
verde para la primera seccin, azul para la
segunda, rojo para la tercera, cian para la siguiente, magenta para la quinta,
amarillo para la penltima y negro para la ltima.
96

Figura 4.10 Grfica de Velocidad vs Tiempo.

espliega un video en el que se muestran los vehculos

Por ltimo, se despliega
movindose a travs de las intersecciones e interactuando con los semforos y
entre ellos;; para lo cual se simula a los semforos tomando en cuenta la
funcin seno, detallada en el Captulo 3, de la siguiente manera:

Los valores positivos de la onda representan la fase verde.

Los 3 primeros segundos del semiciclo

semiciclo negativo de la onda se
consideran
ran como fase mbar.

Lo que resta de la onda es la fase de rojo.

Figura 4.11 Diferentes fases del semforo.

97

Para representar los vehculos en el video que se despliega se cre la funcin

robz para que grafique un vehculo de 4mx4m a partir de figuras geomtricas
bsicas, las entradas que necesita esta funcin son la posicin de la punta del
automvil y una variable tipo string que defina el color del mismo.

El color de cada automvil es generado de manera aleatoria para dar una

impresin de que la simulacin vara y no es tan esttica.

Figura 4.12 Grfico de la funcin robz.

La posicin de cada vehculo, que requiere la funcin robz, se obtiene

chequeando los valores de las posiciones que fueron generadas en el vector x
del modelo matemtico.

Junto al botn Iniciar se encuentra el botn Regresar que permite volver a la

interfaz de Inicio. Adems como se dijo en el Captulo 3 junto al bho, en el
botn con forma de interrogacin ?, se encuentra la ayuda de cmo configurar
el Simulador correctamente.

4.2. SIMULACIN DE TRFICO VEHICULAR USANDO AIMSUN

El simulador escogido para este proyecto de titulacin, con el propsito de
poder realizar el Anlisis del Trfico Vehicular, es AIMSUN. Este fue
desarrollado en el Departamento de Estadstica e Investigacin Operacional de
la Universidad Politcnica de Catalua, Barcelona, Espaa.

AIMSUN es un simulador microscpico que puede reproducir condiciones

reales de trfico vehicular de diferentes redes viales.

98

Este software es la combinacin de un simulador continuo y discreto, debido a

que existen elementos del sistema (vehculos y detectores) cuyos cambios de
estados son continuos y cambian cada periodo de simulacin y hay otros
elementos (seales de trfico) cuyos estados cambian discretamente en un
punto especfico de la simulacin.

El sistema simulado posee un alto detalle de modelacin, distingue entre

diversos tipos de vehculos y conductores; permite una amplia gama de
geometra de la red vial y puede tambin modelar incidentes, maniobras
conflictivas, etc. La mayora del equipo de trfico vehicular como semforos,
detectores de trfico, sealizacin, etc. presente en una red vial verdadera
puede ser tambin modelados en AIMSUN [1].
4.2.1. CARACTERSTICAS DEL SIMULADOR AIMSUN [2]

Entre las caractersticas principales del AIMSUN se tiene:

AIMSUN realiza una aproximacin microscpica al problema, el

comportamiento de cada vehculo es continuamente modelado durante
el perodo de simulacin, mediante diferentes tcnicas (car-following,
cambios de carril, etc.).

En AIMSUN las simulaciones pueden realizarse basndose en flujos de

trfico, proporciones de giro, o en matrices de viaje origen / destino
basadas en una zonificacin previamente establecida. Para el primer
caso, los vehculos son distribuidos estocsticamente a lo largo de la
red. En el segundo caso, los vehculos son asignados a rutas
especficas desde su origen a su destino.

El comportamiento de los vehculos responde a funciones de varios

parmetros que permiten modelar diferentes tipos de vehculos: autos,
buses, pesados, etc. Los vehculos pueden agruparse en clases y por
carriles reservados.

AIMSUN puede simular sistemas de control de transporte pblico con

horarios, as como tambin aplicaciones para estimar las consecuencias

99

para el medio ambiente debido a la contaminacin que genera el parque

automotor y el consumo de energa de ste.

Los elementos de control de trfico pueden ser modelados mediante:

semforos, seales de ceda el paso, pare, etc. Los planes de control de
los semforos estn basados en la duracin de las fases y son muy
flexibles tanto en su definicin como en su control.

4.2.2. DATOS QUE REQUIERE EL SIMULADOR AIMSUN

La simulacin microscpica es caracterizada por el alto nivel de detalle con el

que se modela el sistema. La calidad del modelo depende altamente de la
disponibilidad y la exactitud de los datos de entrada.

Los datos que requiere el programa son: un panorama de la simulacin que se

compone de cuatro tipos de datos, descripcin de la red, datos de la demanda
de trfico, planes de control de trfico y planes de transporte pblico; y un
sistema de parmetros de la simulacin que definen el experimento, estos
pueden ser valores fijos como; tiempo de simulacin, periodo transitorio, etc.; y
otros parmetros que son variables como el tiempo de reaccin, tiempo para el
cambio de carril, etc. A continuacin se detallan los datos que son requeridos
para definir el panorama de la simulacin.
4.2.2.1. Disposicin de la Red

El modelo de la red vial en AIMSUN est compuesto por diferentes secciones

(calles, avenidas, redondeles), las cuales se conectan unas con otras a travs
de nodos (intersecciones), que tienen diferentes caractersticas de trfico. Para
editar el modelo de geometra de la red se necesitan los siguientes datos:

Mapa del rea, preferiblemente un mapa convertido a formato digital

DXF o DWG.

Detalles del nmero de carriles para cada seccin, carriles

reservados y carriles laterales.

Posibles giros en cada interseccin, incluyendo los detalles sobre los

carriles en los cuales se puede realizar los giros.
100

Lmites de velocidad para cada seccin.

4.2.2.2. Datos de la demanda de Trfico

La demanda de trfico puede definirse de dos maneras diferentes. Flujos de

trfico en las secciones y Matrices Origen / Destino. Dependiendo del tipo de
modelo de demanda seleccionado los datos que se requieren son:

1.- Flujos de Trfico

Tipos de vehculos y sus atributos.

Clase de vehculos para los carriles reservados.

Flujos en las entradas de las secciones para cada tipo de

vehculos.

Porcentajes de giro en todas las secciones y por cada tipo de

vehculo.

2.- Matrices Origen/Destino

Definicin de los centroides: fuentes de trfico y salidas

Tipos de vehculos y atributos

Clase de vehculos para las lneas reservadas

Nmero de viajes desde cada origen a cada destino.

4.2.2.3. Control de Trfico

Existen diferentes maneras de controlar el trfico en AIMSUN: semforos,

seales de ceda el paso y rampas de medicin. Los primeros y los segundos
se utilizan en las intersecciones y el tercero se utiliza en las secciones y al
finalizar el nodo. Los datos que se requieren son:

Intersecciones sealizadas: localizacin de las seales de control,

grupos de las seales en los cuales se agrupan los movimientos de
giro, la secuencia de fases.

Intersecciones no sealizadas: definicin de las reglas de la prioridad

y localizacin de las seales de pare.
101

Medicin de la rampa: localizacin, tipo de medicin, parmetros del

control (tiempo de verde, tiempo de flujo o tiempo de retardo).

4.2.2.4. Detectores

Como se mencion en el Captulo 2 existen una variedad de sensores, que en

el simulador son conocidos como detectores, cuyas caractersticas y
diferencias estn basadas en la capacidad de las medidas de las variables de
trfico que pueden realizar.

Las mediciones que presenta son: aforo, presencia, velocidad, ocupacin,

densidad, la capacidad de distinguir la diferencia entre tipos de vehculos. La
ubicacin de estos detectores en el modelo puede estar en cualquier lugar de
la va y puede ocupar un carril o todo el ancho de la va [3]. Para la recoleccin
de datos de aforo se utilizan los detectores para simular a los sensores reales o
las mediciones manuales.
4.2.2.5. Transporte Pblico

Para definir el transporte pblico se necesitan los siguientes datos:

Lneas de transporte pblico: el conjunto de secciones que

componen la ruta de los buses.

Carriles reservados

Paradas de buses: localizacin, longitud y tipos de paradas de bus en

la red.

Localizacin de las parada de buses de transporte pblico.

Horarios: salidas programadas, tipo de vehculos y tiempo de parada

para cada parada.

4.2.3. RESULTADOS DISPONIBLES

AIMSUN tiene como salidas de la simulacin: la animacin en 2D y 3D, la

informacin del vehculo y del control durante la simulacin, genera resultados

102

estadsticos y brinda datos generados en los detectores que se colocan en la

simulacin mediante series de tiempo. As tambin brinda un conjunto de
salidas grficas mediante tablas, tras la ejecucin de la simulacin entre las
que se puede mencionar:

Flujos

Flujos por carril

Velocidades

Velocidades mximas

Tiempo de viaje

Paradas

Mxima longitud de Cola

Longitud media de colas

Flujo / capacidad

Densidad por carril

Las grficas y tablas mencionadas se pueden obtener dependiendo si es una

seccin, un detector, un nodo o si son valores estadsticos.

Seccin, tiempo de retardo, densidad flujo, consumo de combustible,

mxima longitud de la cola, longitud promedio, velocidad, tiempo de
parada o de viaje.

Detectores: contador, densidad, ocupacin y velocidad.

Nodos: nivel de servicio (LOS Level Of Service).

Datos Estadsticos: tiempo de retraso, flujos, velocidad, tiempo de viaje o

de parada.

4.2.4. IMPLEMENTACIN DEL MODELO DE SIMULACIN DE LA ZONA

DE ESTUDIO

En esta seccin se proceder a crear, en el Simulador Profesional AIMSUN, un

modelo de simulacin que replique el comportamiento del flujo vehicular que
viaja a travs de la secuencia de semforos existente en la zona de estudio, los

103

resultados de inters en est simulacin sern la velocidades desarrolladas por

el flujo vehicular mencionado en cada seccin de la zona en estudio.

El modelo de simulacin descrito en el prrafo anterior ser modificado con los

resultados obtenidos en el controlador neuro-difuso
neuro difuso tipo ANFIS generado y
entrenado en base al modelo cinemtico
cin
implementado en MATLAB. As si los
resultados que se observan en el Simulador Profesional muestran incrementos
en las velocidades de las secciones, el Simulador desarrollado y el controlador
generado quedarn plenamente validados.
4.2.4.1. Edicin

Una vez que AIMSUN haya iniciado exitosamente, se debe crear un nuevo
modelo de Simulacin en Archivo/Nuevo, luego determinar las preferencia que
tendr el modelo como son: las unidades de medida, el sentido de circulacin,
etc.

Despus de definir las preferencias que tendr el modelo, se importa el mapa

sobre el cual se dibujar la zona a simular. Esto se realiza en Archivo/
Importar/Archivo de dibujo de Autocad; se escoge las unidades y el mapa se
carga en AIMSUN, (Figura
igura 4.13).
4.13

Figura 4.13 Mapa de Quito importado.

104

A continuacin se procede a dibujar la zona en estudio con la ayuda de la barra

de dibujo de AIMSUN
MSUN y se crean las secciones, (Figura 4.14).. Una vez creadas
las secciones, se crea el nodo (interseccin) con todas las posibilidades de
movimiento que existen, en la Figura
igura 4.15 se puede observar los resultados.

Figura 4.14 Secciones de la zona en estudio.

Figura 4.15 Creacin de los nodos en la interseccin entre Av. Coln y Diego de
Almagro.

105

Una vez creada la zona en estudio se deben crear los grupos semafricos, ya
que el control de trfico de dicha zona se basa en el funcionamiento de estos.
Grupo semafrico 2

Grupo semafrico 6

Figura 4.16 Grupos Semafricos de la interseccin de la Av. Coln.

4.2.4.2. Plan de Control

En el Plan de Control deben definirse las fases que existen en la interseccin,

para ello hay que crear el Plan de Control en Modelo/Nuevo/Plan de Control.
Luego en la ventana del nodo en la etiqueta Control se define:

El tipo de control, para ste

caso es fijo.

La duracin
cin del ciclo del semforo, del Captulo 2 se estableci que
la duracin del ciclo del semforo es de 110 seg.

El tiempo de mbar para los semforos es 3 seg.

Los valor de inicio y duracin de cada fase, Tabla 4.1, estos datos se
obtienen en base a las medidas tomadas en el Captulo
aptulo 2.
Tabla 4.1 Duracin de las fases.
Grupo Semafrico

Inicio

Duracin

Signal 1

35

37

Signal 2

52

Signal 3

33

52

Signal 4

31

50

Signal 5

29

44

Signal 6

35

49

Signal 7

38

39

106

4.2.4.3. Estado del Trfico y Demanda de Trfico

T

Para
ara este caso se trabaja con el Estado del Trfico para ello se necesitan
necesita los
flujos vehicularess para las entradas de la zona en estudio.

Tambin en el Estado del Trfico

Trfi se puede definir el da de la semana, el tipo
de clima, estacin y si existe algn evento que modifique el trfico. Una
Un vez
definido el Estado del Trfico
Trfico es necesario crear la Demanda de Trfico para
esto se debe ir a Modelo/ Nuevo /Demanda de Trfico.

Figura 4.17 Estado del Trfico.

4.2.4.4. Plan de Control Maestro

M

El plan de control maestro es el conjunto de planes de control que se tienen en

la red vial, para crear el Plan de Control Maestro se debe ir a
Modelo/Nuevo/Plan
lan de Control Maestro.
Maestro. Es necesario definir la hora de inicio y
la duracin de la simulacin.
4.2.4.5. Simulacin

Para simular la red vial es necesario crear un Escenario,

Escenario para ello se debe
de ir a
Modelo/Nuevo/Escenario. El escenario crea por defecto un experimento.
xperimento. En el
escenario creado se configura la Demanda de Trfico y el Plan de Control
Maestro, adems se indica
ndica con qu frecuencia se recolectarn datos, para este
107

proyecto se recolectan datos cada 5 minutos. En el experimento se configura el

paso de simulacin y el tiempo de reaccin en parada.

4.3. CONTROL DE TRFICO VEHICULAR

Los equipos que pueden realizar una accin de control y alterar el flujo de
trfico vehicular efectivamente, son los semforos, modificando la velocidad
limite, cambios de sentido de circulacin, etc.
4.3.1. SEMFOROS

Los semforos tienen una enorme incidencia en el control del flujo de trfico
vehicular, adems son fciles de controlar, y se pueden usar para limitar el
paso a una va o dar acceso a otra. Hay dos aspectos, que en la conducta de
los semforos, se pueden variar para realizar el control.

Cambiar el ciclo, el tiempo que hay de rojo a rojo para una direccin
dada.

Cambiar el tiempo de cada fase, que es una porcin del ciclo que tiene
un color determinado.

En el presente proyecto de titulacin se utilizan tiempos fijos en los semforos

en base a los resultados obtenidos en el controlador neuro-difuso.

Este sistema utiliza el control del trfico para regular la circulacin haciendo
detener y proseguir el trnsito de acuerdo a una programacin de tiempo
determinada o a una serie de programaciones establecidas.

Las caractersticas de operacin de los semforos de tiempo fijo o

predeterminado,

tales

como,

duracin del ciclo,

intervalo,

secuencia,

desfasamiento, etc., pueden ser cambiadas de acuerdo a un plan de control

determinado.

108

Figura 4.18 Semforos 2D y 3D.

Estos se adaptan mejor a las intersecciones en donde los patrones del trfico
trfic
son relativamente estables y constantes, o en donde las variaciones del trfico
tr
que se registran pueden tener cabida mediante una programacin prepre
sincronizada sin causar demoras
demoras o congestin, puesto que es un control en
lazo abierto que debe ser cuidadosamente calibrado.

Este tipo de semforo se debe instalar y operar solamente si se satisfacen uno

o ms de los requisitos o condiciones siguientes:

Condicin A: Volumen mnimo de vehculos. La

La condicin de volumen
mnimo de vehculos, se entiende que es para ser aplicada donde el
volumen de trfico es la razn principal para considerar la instalacin de
un semforo.

Condicin B: Interrupcin del trfico contino. La

La condicin de
interrupcin del trfico continuo se entiende
entiende que es para ser aplicada en
donde las condiciones de operacin de una calle sean tales, que el
trfico de la calle secundaria sufra un retardo o riesgo indebido al entrar
en la calle principal o al cruzarla.

109

Condicin C: Volumen mnimo de peatones. Se satisface esta condicin,

si durante un da representativo en la calle principal se verifican los
siguientes volmenes de trfico, para un perodo de dos horas:

a) Si entran 1200 o ms vehculos en la interseccin (total para ambos

accesos), o si 1.600 o ms vehculos entran a la interseccin en la
calle principal.
b)

Si durante el mismo perodo pico, cruzan 250 o ms peatones en el

cruce de mayor volumen correspondiente a la calle principal.

Condicin D: Movimiento o circulacin progresiva. El control del

movimiento progresivo a veces demanda la instalacin de semforos en
intersecciones, en donde bajo otras condiciones no seran necesarios,
con el objeto de regular eficientemente las velocidades de grupos
compactos de vehculos. Se satisface el requisito correspondiente a
movimiento progresivo en los dos siguientes casos:

a) En calles con circulacin en un solo sentido o en calles en las que

prevalece la circulacin en un solo sentido y en las que los semforos
adyacentes

estn

demasiado

distantes

para

conservar

el

agrupamiento compacto y las velocidades deseadas de los vehculos.

b) En las calles de doble sentido de circulacin, cuando los semforos
adyacentes no proveen el adecuado agrupamiento de vehculos ni el
control de la velocidad y el semforo propuesto, junto con los
adyacentes pueden conformar un sistema progresivo de semforos.

Condicin E: Antecedentes y experiencia sobre accidentes. La opinin

general de que los semforos reducen considerablemente el nmero de
accidentes, rara vez se comprueba en la prctica. En algunos casos,
ocurren ms accidentes despus de instalar los semforos que antes de
su instalacin. Por lo tanto, si ninguno de los requisitos, exceptuando el
relativo a los accidentes, se satisface, debe suponerse que no ser
necesario instalar el semforo.

110

Condicin F: Combinacin de las condiciones anteriores. Cuando

ninguno de los requisitos anteriores se cumplen en un 100%, pero dos o
ms se satisfacen en un 80%, se puede considerar justificada la
instalacin de semforos. Las decisiones en estos casos excepcionales
deben apoyarse en un anlisis completo de todos los factores que
intervienen, debiendo estudiarse la conveniencia de emplear otros
mtodos que ocasionen menos demoras al trfico.

4.3.2. DIRECCIN DE LOS CARRILES

La direccin de ciertos carriles puede cambiar en la hora pico para mejorar el

flujo de trfico en una direccin dada. Esta accin de control requiere de la
presencia de un carril extra.

El problema de control ptimo del cambio de direccin de un carril resulta en un

problema de optimizacin de enteros debido a que la variable de control es el
nmero de carriles el cual debe ser evaluado como un nmero entero.
Refirase al literal 1.3.7 del Captulo 1.
4.3.3. VELOCIDAD LMITE

La velocidad lmite de una seccin de carretera no se cambia generalmente,

pero para ciertos casos se puede evaluar como una medida de control.

Esta estrategia de control trata de minimizar las diferencia de velocidades entre

vehculos y puede ser implementada con un sistema automatizado que provea
a los conductores la velocidad deseada a travs de mensajes en paneles
puestos en la carretera o como una medida que es informada por la polica en
un da festivo.

El control en la velocidad tambin se puede realizar aplicando sistemas

inteligentes que envan la informacin de la velocidad mxima deseada a cada
vehculo dependiendo de las condiciones de trfico, la localizacin del vehculo,

111

las condiciones climticas, este sistema puede ser de advertencia, voluntario u

obligatorio.

Hay varias consideraciones en los modelos que no se toma en cuenta, como

carriles reservados para el transporte pblico (Eco Va, Trole); prioridad del
transporte de vehculos de emergencia (ambulancias, bomberos, polica);
estacionamiento de vehculos en las vas lo cual afecta flujo de trfico
vehicular; condiciones climticas lluvia, niebla ,etc. las cuales afectan
significativamente el trfico.

4.4. RESULTADOS DE SIMULACIN

Anteriormente se realizaron, la conceptualizacin terico-bibliogrfica y los
estudios previos de este proyecto de titulacin, ahora se presenta el trabajo de
campo y la experimentacin de laboratorio simulando la realidad fsica de la
zona en estudio tanto en el Simulador desarrollado en MATLAB como en el
Simulador Profesional AIMSUN.
4.4.1. RESULTADOS DEL SIMULADOR DESARROLLADO EN MATLAB

Para validar el Simulador desarrollado se hicieron pruebas con varios vectores

de tiempos de desfase, tal que se obtengan diferentes tipos de comportamiento
del trfico vehicular. A continuacin se describen dos ejemplos de dichas
pruebas.

Ejemplo 1: Se utiliz el siguiente vector de tiempos de desfase:

td=[0 35 -38 40 -21.8 24 -12.8]

En la simulacin se obtuvieron velocidades promedio, en las secciones,

considerablemente bajas, Tabla 4.2, esto se debe a que el pelotn inicial se
divide en dos pelotones y un vehculo libre; adems en varias ocasiones dichos
pelotones se convierten en colas, es decir se detienen completamente.

112

Tabla 4.2 Velocidades Promedio por Seccin para el Ejemplo 1.

Seccin

v [m/seg]

6 Diciembre-D. Almagro

6.3228

D. Almagro-R. Victoria

6.1710

R. Victoria-J. Len Mera

2.8913

J. Len Mera-Amazonas

4.2623

Amazonas-9 Octubre

8.3185

9 Octubre-10 Agosto

7.6058

Figura 4.19 Grfica de Velocidad vs Tiempo para el Ejemplo 1.

Ejemplo 2: Se utiliz el siguiente vector de tiempos de desfase:

td=[0 45 50 -15 45 -10 30]

Para este vector de tiempos de desfasamiento el pelotn inicial se mantuvo

completo hasta la quinta interseccin, donde se dividi en un par de pelotones,
mas como se puede observar en la Tabla 4.3 las velocidades promedio por
seccin siguen siendo bastante bajas, esto se debe a que el flujo vehicular se
detuvo en casi todas las intersecciones.

113

Tabla 4.3 Velocidades Promedio por Seccin para el Ejemplo 2.

Seccin

v [m/seg]

6 Diciembre-D. Almagro

3.1338

D. Almagro-R. Victoria

1.4510

R. Victoria-J. Len Mera

12.8194

J. Len Mera-Amazonas

6.3759

Amazonas-9 Octubre

9.8442

9 Octubre-10 Agosto

7.1854

Figura 4.20 Grfica de Velocidad vs Tiempo para el Ejemplo 2.

4.4.2. RESULTADOS DEL CONTROLADOR ANFIS

En esta seccin se muestran los resultados obtenidos del modelo matemtico

desarrollado y del controlador ANFIS implementado. Primero se comprobar
que usando los datos recolectados en el Captulo 2 el Simulador replique un
comportamiento similar al real del trfico vehicular presente en la zona en
estudio, para luego pasar de este modelo original a un modelo controlado,
creado en base al controlador ANFIS desarrollado, en dicho modelo controlado
se logra que las velocidades promedio en las secciones de la zona en estudio
sean mximas.

114

4.4.2.1. Modelo Original

El vector de tiempos de desfase que se carg, cuyo origen se explica en el

Captulo 2, se muestra a continuacin:

td=[0 -35 33.2 -2.5 -1.8 6.2 2.8]

Las velocidades promedio, en cada seccin, obtenidas en este modelo se

muestran en la Tabla 4.4.
Tabla 4.4 Velocidades Promedio por Seccin para el Modelo Original.
Seccin

v [m/seg]

6 Diciembre-D. Almagro

5.7822

D. Almagro-R. Victoria

12.0409

R. Victoria-J. Len Mera

6.9833

J. Len Mera-Amazonas

7.2366

Amazonas-9 Octubre

13.4248

9 Octubre-10 Agosto

3.2935

Sin embargo, estos valores no sirven como indicadores para comparar el

comportamiento del sistema simulado con el sistema real, debido a la falta de
datos concretos para las velocidades desarrolladas por el flujo vehicular en las
secciones de la zona en estudio. Se utiliz como punto de comparacin la
grfica de la velocidad de los vehculos en funcin del tiempo, que aparece en
la Figura 4.21, y el video del Simulador donde se muestra el flujo vehicular
movindose a travs de las intersecciones.

Es decir que las interacciones de los vehculos con los semforos y entre ellos
en la vida real deben ser comparables con las obtenidas en la grfica velocidad
vs tiempo y con las observadas realizadas en el video.

La prueba de campo consisti en lo siguiente:

Ir en un vehculo a la zona en estudio.

115

Esperar

en

la

primera

interseccin

hasta

que

el

semforo

correspondiente cambie a verde.

Conducir normalmente a travs de la zona en estudio, observando en

que intersecciones el vehculo debe acelerarse, reducir su velocidad o
detenerse.

Figura 4.21 Grfica de Velocidad vs Tiempo para el Modelo Original.

4.4.2.2. Modelo Controlado

Se realizaron diferentes pruebas usando el controlador ANFIS generado, para

obtener las velocidades mximas permitidas por seccin, sobre la Av. Coln.
De las pruebas mencionadas se obtuvieron como datos de ingreso para
alimentar al modelo controlado los valores que forman el siguiente vector de
tiempos de desfase:

td=[0 25 -24 4 -1 37 10]

Las velocidades promedio obtenidas en las secciones de la zona en estudio,

Tabla 4.5, fueron mximas (13.8889m/seg=50km/h correspondiente a la
velocidad mxima permitida) a excepcin de la velocidad promedio de la

116

primera seccin, esto se debe a que en sta los vehculos del pelotn se
encuentran acelerando hasta llegar a la velocidad mxima.

Grficamente los vehculos que parten del reposo en la simulacin se

mantienen en un solo pelotn y pasan a travs de todas las intersecciones sin
detenerse ni disminuir su velocidad, como se observa en la Figura 4.22.
Tabla 4.5 Velocidades Promedio por Seccin para el Modelo Controlado.
Seccin

v [m/seg]

6 Diciembre-D. Almagro

12.7653

D. Almagro-R. Victoria

13.8889

R. Victoria-J. Len Mera

13.8889

J. Len Mera-Amazonas

13.8889

Amazonas-9 Octubre

13.8889

9 Octubre-10 Agosto

13.8889

Figura 4.22 Grfica de Velocidad vs Tiempo para el Modelo Controlado.

117

4.4.3. RESULTADOS DEL SIMULADOR PROFESIONAL AIMSUN

En esta seccin se replica el comportamiento del trfico vehicular presente en

la Av. Coln entre las avenidas 6 de Diciembre y 10 de Agosto en direccin
este - oeste usando AIMSUN; primero se omitirn las intersecciones no
semaforizadas para poner a prueba los resultados del controlador ANFIS
desarrollado, evaluar la respuesta del sistema ante este control, y
posteriormente generar perturbaciones en el modelo tales como el incremento
de un plan de transporte pblico y un incidente en la va, para mostrar cmo se
ven afectados los resultados del plan de control fijado inicialmente.

Luego se editar el modelo de simulacin construido en AIMSUN para realizar

una rplica ms real de la Av. Coln entre las avenidas 6 de Diciembre y 10 de
Agosto donde se consideren todas las intersecciones, semaforizadas y no
semaforizadas. Para esta nueva condicin se debe ajustar el plan de control, y
los resultados de la simulacin se evaluarn ante las mismas perturbaciones
que en el modelo de simulacin original.

AIMSUN simula el modelo creado de forma continua durante un perodo de

tiempo, considerando a cada vehculo como un ente independiente, es decir
simula un modelo microscpico; mientras que el Simulador desarrollado en
MATLAB considera y analiza un grupo de vehculos movindose a travs de
una secuencia de intersecciones semaforizadas, en un solo ciclo de
movimiento en avance, es decir simula un modelo mesoscpico.
4.4.3.1. Modelo Original sin Intersecciones no Semaforizadas

El primer modelo de simulacin realizado replica el comportamiento del flujo

vehicular que se mueve sobre la Av. Coln a travs de la secuencia de
semforos existentes entre las venidas 6 de Diciembre y 10 de Agosto.

Como se ha explicado en los captulos anteriores la variable de inters para

este trabajo de titulacin es la velocidad promedio en cada seccin, entonces
los resultados presentados estn asociados a ella.
118

Para adquirir correctamente los datos de salida del simulador se modific en el

escenario el intervalo de adquisicin de las estadsticas asociadas a la
simulacin
cin a 5 minutos y en el experimento el paso de simulacin a 0.3
segundos, el tiempo de reaccin a 0.3 segundos y el tiempo de reaccin en
e
parada a 1.1 segundos. En la Figura
F
4.23 se muestran capturas del simulador
ejecutando una rplica en la interseccin de las avenidas Coln y Amazonas.

Figura 4.23 Capturas del Modelo Original sin Intersecciones no Semaforizadas.

Semaforizadas

Se debe sealar que en el modelo de simulacin hay que cargar los datos
necesarios para ell correcto funcionamiento del simulador AIMSUN, mismos
que aparecen en el Captulo
aptulo 2. Los resultados
resultados obtenidos se muestran en la
Figura 4.24 y se tabulan posteriormente en las
la Tablas 4.6 y 4.7.

119

Figura 4.24 Velocidades por Seccin del Sistema Original.

Se observa que la velocidad promedio de cada seccin dentro de la zona en

estudio no presenta un comportamiento favorable para eliminar el trfico
vehicular, esta caracterstica es muy notoria en la conducta del flujo vehicular
que circula sobre la avenida Coln.

Ahora se evaluar sobre el modelo de simulacin construido los resultados del

controlador ANFIS desarrollado.
4.4.3.2. Plan de Control Original

El plan de control original se elabora en base a dos parmetros, el primero

compuesto por los resultados obtenidos en el controlador ANFIS y probados en
el Simulador desarrollado en MATLAB en el literal 4.4.2.2, es decir la matriz
7x1 de los tiempos de desfasamiento entre el n-simo y el (n+1)-simo
semforo y el segundo los tiempos de ciclo y fases de los mencionados
semforos. En AIMSUN los desfasamientos de las 7 intersecciones se toman
siempre con respecto a 0.

Plan de Control Original sin Perturbaciones. Para este caso se crean un

nuevo escenario y un nuevo experimento donde se mantienen las
configuraciones mencionadas en 4.4.3.1 y se carga el plan de control maestro
120

realizado en base a los resultados del controlador ANFIS. Capturas de la

simulacin se muestran en la Figura 4.25.
4.2
Los
os resultados obtenidos se
presentan en la Figura 4.26,
4.2 y se tabulan en las Tablass 4.6 y 4.7.

Figura 4.25 Capturas del Modelo Controlado sin Intersecciones no .

Figura 4.26 Velocidades por Seccin del Sistema Controlado.

Controlado

121

Las grficas presentadas en la Figura 4.26 exponen de manera clara que la

velocidad media en cada seccin de la zona en estudio se eleva por encima de
los 30km/h, exceptuando la seccin comprendida entre las calles Juan Len
Mera y Amazonas; esto se debe a la geometra de la red vial de dicha zona y a
la forma en la que AIMSUN simula el modelo creado, simulacin microscpica.

Plan de Control Original con un Plan de Transporte Pblico como

perturbacin. Para este caso se crean un nuevo escenario y un nuevo
experimento donde se mantienen las configuraciones
configuraciones mencionadas en 4.4.3.1,
4.4
se carga un nuevo plan de control maestro constituido por el plan de control
original sin perturbaciones y el plan de transporte pblico.

El Plan de Transporte Pblico

blico se elabora en funcin de los datos tomados en el
Captulo
aptulo 2 suponiendo que la frecuencia de los buses es relativamente
constante. Capturas de la
l simulacin se muestran en la Figura
igura 4.27. Los
resultados se presentan en la Figura 4.28 y se tabulan en las Tabla
ablas 4.6 y 4.7.

Figura 4.27 Capturas del Modelo Controlado con un Plan de Transporte Pblico como
Perturbacin.

122

Figura 4.28 Velocidades por Seccin del Sistema Controlado con un Plan de
Transporte Pblico como Perturbacin.

Como era de esperarse las velocidades promedio de las secciones de la zona

en estudio sufrieron un ligero decrecimiento debido a la presencia del Plan de
Transporte Pblico.

Plan de Control Original con Perturbacin (Plan de Transporte Pblico +

Incidente). Para este caso se crean un nuevo escenario y un nuevo
experimento donde se mantienen las configuraciones mencionadas en 4.4.3.1,
se carga un nuevo plan de control maestro constituido por el plan de control
original sin perturbaciones, el plan de transporte pblico y el incidente generado
en la seccin de la avenida Coln comprendida entre las calles Amazonas y 9
de Octubre.

El incidente tiene una longitud de 6 metros y se encuentra sobre el carril

izquierdo de la va en direccin este - oeste. Capturas de la simulacin se
muestran en la Figura 4.29. Los resultados obtenidos se presentan en la Figura
4.30 y se tabulan en las Tablas 4.6 y 4.7.

123

Figura 4.29 Capturas del Modelo Controlado con Perturbacin (Plan de Transporte
Pblico + Incidente).

Figura 4.30 Velocidades por Seccin del Sistema Controlado con Perturbacin (Plan
de Transporte Pblico + Incidente).
Incidente)

Las velocidades promedio de las secciones de la zona en estudio afectadas por

el incidente sufrieron un decremento debido a la presencia de la perturbacin
compuesta por el Plan de Transporte Pblico y el Incidente generado.

124

Tabla 4.6 Velocidad del flujo vehicular por seccin

Perturbaciones
Modelo

Modelo

Transporte

T. Pblico

Original

Controlado

Pblico

+ Incidente

6 Diciembre-D. Almagro

13.8

34.1

31.7

32.2

D. Almagro-R. Victoria

15.7

47

42.8

43.3

R. Victoria-J. Len Mera

51.2

38.8

25.7

25.5

J. Len Mera-Amazonas

47.6

16

24.9

24.7

Amazonas-9 Octubre

27.1

35.9

38

35.7

9 Octubre-10 Agosto

40.9

51.5

43.7

40.4

Media [km/h]

Velocidad

Seccin

Tabla 4.7 Velocidad del flujo vehicular que viaja a travs de la zona en estudio
Velocidad Media [km/h]
Modelo Original

32.7

Modelo Controlado

37.2

Transporte Pblico

34.5

T. Pblico + Incidente

33.6

A travs de los resultados que se presentan en las Tablas 4.6 y 4.7, obtenidos
de las simulaciones interactivas, se demuestra que el controlador ANFIS
mejora la velocidad promedio de la zona en estudio. Ntese que dicho
controlador se desarroll en base a los datos de un modelo determinstico, el
mismo que sirvi para implementar el Simulador de trfico creado en MATLAB,
y se valid en el software profesional de trfico vehicular AIMSUN, que maneja
modelos estocsticos en sus rplicas de simulacin.

El software de simulacin profesional muestra en sus rplicas como

caracterstica el crecimiento de la velocidad media del flujo vehicular de la zona
en estudio, alcanzando el objetivo planteado inicialmente. Por lo aqu expuesto
el controlador ANFIS y el modelo cinemtico desarrollados en MATLAB quedan
plenamente validados.

En la perturbacin generada por el Plan de Transporte Pblico el sistema en

conjunto sigue presentando caractersticas de velocidad relativamente
125

uniformes y con menos desviacin entre ellas que en el modelo original,

determinando una velocidad promedio de la zona en estudio (todas las
secciones) ms elevada que la velocidad promedio original de dicha zona.

Para la perturbacin generada por el Plan de Transporte Pblico en conjunto

con el incidente programado en la va, la velocidad media cae en la seccin
que se gener dicho incidente y en la seccin siguiente a sta. Una vez ms el
sistema en conjunto sigue presentando mejores caractersticas de velocidad
que el sistema original.

En conclusin, a pesar de incrementar en el modelo de simulacin controlado

dos perturbaciones simultneas, la velocidad media del flujo vehicular que se
desplaza a travs de la zona en estudio (Av. Coln entre las avenidas 6 de
Diciembre y 10 de Agosto) es mayor a la velocidad media del flujo vehicular
obtenida cuando los semforos actan de acuerdo al plan de control original.
Por lo tanto el nuevo plan de control contribuye al alivio del trfico vehicular
presente en la Av. Coln.
4.4.3.3. Modelo Real

Para emular el Sistema de Trfico Vehicular de la zona en estudio debe

crearse un modelo de simulacin que integre al Modelo Original sin
Intersecciones no Semaforizadas, analizado anteriormente, con dichas
intersecciones no semaforizadas, sus respectivos flujos vehiculares y
porcentajes de giro, adems del transporte pblico que circula a travs de la
avenida Coln. Para adquirir correctamente los datos de salida del simulador
se configura en el escenario el intervalo de adquisicin de las estadsticas
asociadas a la simulacin a 5 minutos y en el experimento el paso de
simulacin a 0.3 segundos, el tiempo de reaccin a 0.3 segundos y el tiempo
de reaccin en parada a 1.1 segundos. En la Figura 4.31 se muestran capturas
del simulador ejecutando una rplica en dos intersecciones de la zona en
estudio (Av. Coln y 9 de Octubre, Av. Coln y Amazonas). Los resultados se
presentan en la Figura 4.32 y se tabulan en las Tablas 4.8 y 4.9.

126

Figura 4.31 Capturas del Modelo Real.

Figura 4.32
32 Velocidades por Seccin del Sistema Real.
Real

Los resultados muestran un comportamiento bastante desordenado y poco

uniforme de la velocidad en las secciones de la zona en estudio, lo que
desemboca en el congestionamiento vehicular que experimenta la avenida
Coln.

127

4.4.3.4. Plan de Control Ajustado en AIMSUN

Este plan de control se elabora en base al plan de control original probado en

4.4.3.2 y se ajusta considerando el comportamiento del flujo vehicular
observado en las simulaciones interactivas de la zona en estudio.
estudio.

El ajuste que se realiza en el plan de control es incrementar el tiempo de

desfase del semforo que se encuentra en la interseccin de la Av. Coln y
Juan Len Mera de 4 segundos a 19 segundos; y del semforo que se
encuentra en la interseccin de la Av.
A Coln y Amazonas de -1
1 segundo a cero;
dichos desfases estn medidos respecto a la interseccin anterior y al inicio de
la fase de verde; como se ha explicado en captulos anteriores.

Plan de Control Ajustado sin Perturbaciones. Para este caso se crean

crea un
nuevo escenario y un nuevo experimento donde se mantienen las
configuraciones mencionadas en 4.4.3.2, se carga el plan de control maestro
realizado en base al ajuste mencionado arriba y el plan de transporte pblico.
Una captura de la simulacin se muestran
estran en la Figura 4.33. Los
L resultados
obtenidos se presentan en la Figura 4.34 y se tabulan en las Tablas
ablas 4.8 y 4.9.

Figura 4.33
4
Capturas del Modelo Real Controlado.

128

Figura 4.34 Velocidades por Seccin del Sistema Real Controlado.

Los resultados muestran que la velocidad promedio de cada seccin de la zona

en estudio mantiene un comportamiento relativamente uniforme y favorable
para evitar el congestionamiento vehicular.

El incremento en la geometra de la red vial de las intersecciones no

semaforizadas y la inclusin del plan de transporte pblico, influenciaron en la
velocidad media del flujo vehicular que viaja a travs de la avenida Coln.
Evidentemente el modelo se vuelve ms real pero la programacin de los
semforos gana sensibilidad a ms variables e interacciones.

Plan de Control Ajustado con un Incidente como Perturbacin. Para este

caso se crean un nuevo escenario y un nuevo experimento donde se
mantienen las configuraciones mencionadas en 4.4.3.3, se carga el plan de
control maestro constituido por el plan de control ajustado sin perturbaciones, el
plan de transporte pblico y el incidente generado en la seccin de la avenida
Coln comprendida entre las calles Amazonas y 9 de Octubre.

El incidente tiene una longitud de 6 metros y se encuentra sobre el carril

izquierdo de la va en direccin este - oeste. Capturas de la simulacin se
muestran en la Figura 4.35. Los resultados obtenidos se presentan en la Figura
4.36 y se tabulan en las Tablas 4.8 y 4.9.

129

Figura 4.35 Capturas del Modelo Real Controlado con un Incidente como
Perturbacin.

Figura 4.36 Velocidades por Seccin del Sistema Real Controlado con un Incidente
como Perturbacin.

130

Tabla 4.8 Velocidad del flujo vehicular por seccin

Perturbacin
Modelo

Modelo

Incidente

Original

Controlado

en la va

6 Diciembre-Y. Pinzn

41.1

40.8

40.8

Y. Pinzn-J. Urbina

44.4

44.7

44.7

J. Urbina-D. Almagro

14.5

23.3

23.3

19

36.1

36.1

R. Victoria-Rbida

35.7

40.4

40.4

Rbida-J. Len Mera

26.4

24.9

24.9

J. Len Mera-Amazonas

23.1

23.7

23.7

Amazonas-Foch

49.6

49.3

49.3

Foch-9 Octubre

27.9

27

20

9 Octubre-10 Agosto

29.3

34.7

31.8

Media [km/h]

Velocidad

Seccin

D. Almagro-R. Victoria

Tabla 4.9 Velocidad del flujo vehicular que viaja a travs de la zona en estudio

Velocidad Media [km/h]

Modelo Original

31.1

Modelo Controlado

34.5

Incidente en la va

33.5

Se nota que la velocidad media de la seccin donde se configur el incidente

cae respecto a la mostrada en la simulacin del modelo controlado. Sin
embargo, dicha disminucin no representa un cambio drstico en el
comportamiento de las secciones en estudio como conjunto.

En conclusin, en base a los resultados observados, el plan de control ajustado

que acta sobre los semforos de la Av. Coln, mantiene una velocidad
promedio a lo largo de la zona en estudio mayor a la velocidad media del
sistema de trfico original. Por lo tanto dicho plan de control sigue siendo vlido
y muestra resultados a favor del alivio de la congestin vehicular.

131

CAPTULO 5
5. CONCLUSIONES Y RECOMENDACIONES
5.1. CONCLUSIONES
Un modelo mesoscpico, determinstico de trfico vehicular puede servir como
punto de partida para el diseo, implementacin y ajuste de planes de control
fijos, que sean aplicados a modelos de trfico vehicular reales de carcter
microscpico.

Los

modelos

determinsticos

facilitan

el

procesamiento

matemtico de las variables que intervienen en sus interacciones.

La precisin de la arquitectura ANFIS al emular un sistema, al igual que la de

cualquier tcnica adaptativa, depende de la correcta seleccin del conjunto de
datos con los cuales se genere y entrene la estructura, pues estos deberan
recoger todas las caractersticas representativas del sistema.

Validar una estructura neuronal-adaptativa tipo ANFIS presenta como problema

escoger adecuadamente la informacin que se va a utilizar, procurando que
dicha informacin sea un conjunto de datos particulares del sistema que a la
vez diverja lo suficiente de los datos de entrenamiento para no volver a la
validacin un proceso trivial.

La informacin recogida, sobre el comportamiento del trfico vehicular de la

zona en estudio, aliment correctamente el modelo de simulacin de AIMSUN
para obtener una replica muy aproximada del sistema real; y as evaluar
diferentes planes de control.

El anlisis puramente estadstico del trfico vehicular no brinda informacin de

su comportamiento real y las interacciones que experimentan los vehculos
entre ellos y con los semforos presentes en las intersecciones. Por lo tanto, es
necesario considerar el uso de anlisis grficos y dinmicos de la respuesta.

132

El controlador ANFIS diseado para alcanzar la velocidad por seccin mxima

permitida, se valida al comparar las velocidades medias por seccin que
computa, con los valores de las velocidades promedio calculadas por el modelo
matemtico, reaccionando ambos ante las mismas entradas.

AIMSUN brinda muchas facilidades en cuanto se refiere a agregar restricciones

y caractersticas a un sistema de trfico vehicular; que usualmente, como se
pudo constatar al desarrollar el simulador en MATLAB, representan una gran
cantidad de ecuaciones matemticas y lneas de programacin.

No se present ningn inconveniente al aplicar los resultados, obtenidos en el

controlador ANFIS y evaluados en el simulador desarrollado en MATLAB, al
modelo de trfico vehicular construido en AIMSUN; puesto que las velocidades
medias por seccin mejoran en ambos casos.

Una caracterstica favorable para el alivio del trfico vehicular, que se puede
apreciar en los resultados, es el alcance de velocidades medias por seccin
que adems de un incremento respecto a las originales presenten uniformidad
a lo largo de la zona en estudio.

Los planes de transporte pblico afectan al trfico vehicular en mayor medida

cuando estos se comportan de forma desordenada, sin respetar horarios y
paradas sealizadas.

La geometra de la red vial tiene gran influencia en el comportamiento del flujo

vehicular, ms aun cuando existe un incidente en alguna seccin que la
componga. Sin embargo, las velocidades medias de las secciones adyacentes
no se ven afectadas por este hecho.

Incorporar el modelo matemtico y el controlador en un GUI de MATLAB facilita

al usuario su manipulacin. Las ayudas son una clara gua del protocolo a
seguirse para obtener los resultados deseados.

133

5.2. RECOMENDACIONES
Para futuros trabajos se puede realizar una extensin de la capacidad del
modelo matemtico desarrollado, tal como aumentar el nmero de carriles y
con esto realizar el anlisis de cambio de carril, aumentar la complejidad de la
red vial aadiendo el anlisis de las vas secundarias, o aadir una variable
estocstica como el tamao de los vehculos o sus caractersticas de
aceleracin.

Los datos recolectados se obtuvieron mediante mediciones manualmente,

debido a la imposibilidad de colocar cmaras sobre la zona en estudio, por lo
que sera conveniente que el Municipio de Quito realice los trmites necesarios
para la instalacin de cmaras permanentes y as trabajar en conjunto con
dicha entidad y compartir informacin que beneficie a proyectos de
investigacin.

Como una extensin de los alcances de este proyecto se puede analizar otro
mtodo de control, a ms del modelo de tiempos fijos, para cerrar el lazo de
control y realizar acciones de control en funcin del nivel de congestin
vehicular, de la hora del da o del da de la semana.

Sera de gran utilidad para futuros proyectos contar con software de simulacin
de trfico actualizado con su respectiva licencia, pues su compatibilidad sera la
ideal con los sistemas operativos de poca.

134

REFERENCIAS BIBLIOGRAFICAS

CAPTULO 1
[1] GONZLEZ, Juan; RODRGUEZ, Gustavo; CARBALLIDO, Jorge,
CMO MEJORAR EL FLUJO VEHICULAR POR MEDIO LA
SIMULACIN?. Mxico.
[2] HOOGENDOORN, Serge; BOVY, Piet, State of-the-art-of Vehicular
Traffic Flow Modelling. Special Issue on Road Traffic Modelling and
Control of the Journal of Systems and Control Engineering.
[3] BELLEMANS,

Tom,

TRAFFIC

CONTROL

MOTORWAY.

Universidad Catlica de Leuven. Blgica. Mayo 2003.

[4] ZHANG,

Y.,

SCALABILITY

OF

CAR

FOLLOWING

LANE

CHANGING MODELS. Faculty of the Louisiana State University

and Agricultural and Mechanical College. Luisiana. August 2004.
[5] ROTHERY, R., CAR FOLLOWING MODELS. Senior Lecturer. Civil
Engineering Departament the University of Texas. Texas.
[6] Modelacin, Simulacin y Control de Trfico Vehicular - MSCTV
Reporte No.1. Estado del Arte en Modelacin, Anlisis de Trfico
Vehicular y Herramientas. Proyecto auspiciado por FUNDACYT y
desarrollado en cooperacin entre la Escuela Politcnica Nacional y
la Universidad San Francisco de Quito.
[7] AIMSUN 5.1 Microsimulator Users Manual. Version 5.1.2. October
2006. TSS.
[8] REGLAMENTO GENERAL PARA LA APLICACIN DE LA LEY
ORGNICA DE TRANSPORTE TERRESTRE, TRNSITO Y
SEGURIDAD VIAL. Ecuador. 2008.
[9] FERNNDEZ, Rodrigo; CORTS, Cristian; BURGOS, Vanesa,
MODELACIN DE PASAJEROS, BUSES Y PARADEROS EN
MICROSIMULADORES DE TRFICO, REVISIN Y EXTENSIN.
XIV

Congreso

Transporte.

Las

Panamericano
Palmas

de

de
Gran

Ingeniera
Canaria.

de

Trnsito

Espaa.

20-23

Septiembre 2006.

135

[10] JANG, J. S. R.; GULLEY, N., Fuzzy Logic Toolbox. Matlab

Manual. The Math Works. Inc.. 1995.
[11] PEDRAZA, L. F.; HERNNDEZ, C. A.; LPEZ, D. A., Vehicular
Traffic Control using ANFIS. Ingeniare. Vol 20. pp.79-88. 2012.
[12] MARTN DEL BRO, B.; SANZ MOLINA, A., Redes Neuronales y
Sistemas Borrosos. Ed. Ra-Ma. 387 pp.
[13] NAUCK, Detlef; KRUSE, Rudolf, A Fuzzy Neural Network
Learning Fuzzy Control Rules and Membreship Functions by Fuzzy
Error Backpropagation. IEEE Int. Conf. Neural Network ICNN93.
San Francisco. Marzo 28 Abril 1. 1993.
[14] NAUCK,

Detlef,

Beyond

Neuro-Fuzzy:

Perspectives

and

Directions. Third European Congress on Intelligent Techniques and

Soft Computing. Agosto 28-31. 1995.
[15] HAGAN, M. T.; DEMUTH, H. B.; BEALE, M., Neural Network
Design, PWS Publishing Company. Boston. MA. 1995.
[16] FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P., From Data
Mining to Knowledge Discovery in Databases. AAAI 97. Rhode
Island. July 27-31. 1997.

CAPTULO 2
[1] ALCALDA MAYOR DE BOGOT D.C. Secretara TRNSITO Y
TRANSPORTE,

Manual

de

Planeacin

Diseo

para

la

Administracin del Trnsito y Transporte. Capitulo 2. Bogot.

[2] CAL Y MAYOR, Rafael; CRDENAS, James, INGENIERA DE
TRANSITO,

Fundamentos

Aplicaciones.

Sptima

Edicin.

Alfaomega. Mxico 2000. Captulo 10. Pgs. 279 291.

[3] Ayuntamiento de Madrid, Instruccin Va Pblica, Ficha 5.2
Intersecciones Semaforizadas. Madrid. Diciembre 2000.

CAPTULO 3
[1] TOLEDO, B.A.; MUOZ, V.; ROGAN, J.; TENREIRO C., Modeling
Traffic through a sequence of traffic lights. Physical Review E. Vol.
70. pp. 0161071-0161076. 2004.
136

[2] PEDRAZA, L. F.; HERNNDEZ, C. A.; LPEZ, D. A., Vehicular

Traffic Control using ANFIS. Ingeniare. Vol 20. pp.79-88. 2012.
[3] CAL Y MAYOR, Rafael; CRDENAS, James, INGENIERA DE
TRANSITO,

Fundamentos

Aplicaciones.

Sptima

Edicin.

Alfaomega. Mxico 2000. Captulo 10. Pgs. 279 291.

[4] JANG, J. S. R.; GULLEY, N., Fuzzy Logic Toolbox. Matlab
Manual. The Math Works. Inc.. 1995.

CAPTULO 4
[1] BARCEL, J; CASAS, J; FERRER, L; GARCA, D, MODELLING
ADVANCED TRANSPORT TELEMATIC APPLICATION WITH
MICROSCOPIC SIMULATORS: The case of AIMSUN2. MicroSimulation Workshop. EUROSIM. Espaa.
[2] MANUAL INTERAMERICANO DE DISPOSITIVOS PARA EL
CONTROL DE TRANSITO EN CALLES Y CARRETERAS. XXI
CONGRESO

PANAMERICANO

DE

CARRETERAS.

MONTEVIDEO. URUGUAY. MAYO DE 1991.

[3] AIMSUN NG, User Manual . Version 5.1.3. Transport Simulation
Systems. November 2006.

ANEXOS
[1] NAUCK, Detlef; KRUSE, Rudolf, A Fuzzy Neural Network Learning
Fuzzy Control Rules and Membreship Functions by Fuzzy Error
Backpropagation. IEEE Int. Conf. Neural Network ICNN93. San
Francisco. Marzo 28 Abril 1. 1993.

137