Revista UIS Ingenierías

Vol. 21 Núm. 1 (2022): Revista UIS Ingenierías
Artículos

Análisis del alto flujo vehicular para una vía de acceso a Medellín usando simulación basada en agentes

PDF
  • Johana Orozco-Rivera ,
  • Yony Ceballos ,
  • Julian Andrés Castillo-Grisales
Johana Orozco-Rivera
Instituto Tecnológico Metropolitano
Yony Ceballos
Universidad de Antioquia
Julian Andrés Castillo-Grisales
Institución Universitaria Digital de Antioquia
DOI: https://doi.org/10.18273/revuin.v21n1-2022006

Publicado 2021-11-22

Palabras clave

  • flujo vehicular,
  • congestión urbana,
  • simulación basada en agentes,
  • dinámica vehicular

Cómo citar

Orozco-Rivera , J. ., Ceballos , Y. ., & Castillo-Grisales , J. A. (2021). Análisis del alto flujo vehicular para una vía de acceso a Medellín usando simulación basada en agentes. Revista UIS Ingenierías, 21(1), 73–82. https://doi.org/10.18273/revuin.v21n1-2022006

Derechos de autor 2021 Revista UIS Ingenierías

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-SinDerivadas 4.0.

Resumen

En Medellín, la vía que atraviesa el parque de Robledo ha jugado un papel importante como ruta de acceso a diferentes barrios del occidente y a municipios de la subregión occidental antioqueña. Diariamente, cientos de vehículos transitan por allí, por lo que esta se identifica como la única vía de acceso, situación por la que en ciertas horas del día se torna lenta. A pesar de que se buscan vías alternas, no se encuentran resultados satisfactorios, ya que la única posibilidad está igual o más congestionada que la primera. En este documento se propone realizar un análisis de la problemática de congestión vial presentada en la vía del parque de Robledo en el sentido oriente-occidente, mediante simulación basada en agentes. Para la realización del modelo de simulación, se caracterizan los individuos por medio de rasgos relevantes, y a su vez se desarrolla una evaluación del comportamiento por mejorar en capacidad vial por ampliación, y la validación respectiva de los resultados obtenidos por medio de esta alternativa. Como resultado se observa que la adecuación de la vía mediante su ampliación facilita y mejora las condiciones de movilidad, aumentando hasta en un 20 % la velocidad de desplazamiento y optimizándose la capacidad vehicular del trayecto hasta el doble en horas pico.

PDF

Descargas

Los datos de descargas todavía no están disponibles.

Referencias

  1. B. Giles-Corti, B. Zapata-Diomedi, A. Jafari, A. Both, L. Gunn, “Could smart research ensure healthy people in disrupted cities?”, J. Transp. Heal., vol. 19, pp. 100931, 2020, doi: https://doi.org/10.1016/j.jth.2020.100931.
  2. S. El Hamdani, N. Benamar, M. Younis, “A protocol for pedestrian crossing and increased vehicular flow in smart cities”, J. Intell. Transp. Syst. Technol. Planning, Oper., vol. 24, no. 5, pp. 514-533, 2020, doi: https://doi.org/10.1080/15472450.2019.1683451.
  3. A. Mourad, J. Puchinger, C. Chu, “A survey of models and algorithms for optimizing shared mobility,” Transp. Res. Part B Methodol., vol. 123, pp. 323-346, 2019, doi: https://doi.org/10.1016/j.trb.2019.02.003.
  4. L. Alekszejenkó, T. Dobrowiecki, “Alleviating Congestion in Restricted Urban Areas with Cooperative Intersection Management”, en Advances in Intelligent Systems and Computing, vol. 1250, 2021, pp. 34-52, doi: https://doi.org/10.1007/978-3-030-55180-3_3.
  5. P. Minh Duc et al., “HoanKiemAir: Simulating impacts of urban management practices on traffic and air pollution using a tangible agent-based model”, en Conferencia Internacional de la RIVF sobre Tecnologías de la Computación y la Comunicación (RIVF), 2020, doi: https://doi.org/10.1109/RIVF48685.2020.9140787.
  6. F. Orsi, A. Scuttari, A. Marcher, “How much traffic is too much? Finding the right vehicle quota for a scenic mountain road in the Italian Alps”, Case Stud. Transp. Policy, vol. 8, no. 4, pp. 1270-1284, 2020, doi: https://doi.org/10.1016/j.cstp.2020.08.007.
  7. A. Grignard et al., “The Impact of New Mobility Modes on a City: A Generic Approach Using ABM”, en Springer Proceedings in Complexity, 2018, pp. 272-280, doi: https://doi.org/10.1007/978-3-319-96661-8_29.
  8. C. A. Moncada, J. P. Bocarejo, D. A. Escobar, “Evaluación de Impacto en la motorización como Consecuencia de las Políticas de Restricción Vehicular, Aproximación Metodológica para el caso de Bogotá y Villavicencio - Colombia”, Inf. tecnológica, vol. 29, no. 1, pp. 161-170, 2018, doi: http://dx.doi.org/10.4067/S0718-07642018000100161.
  9. W. X. Ci, S. K. Ahmed, M. Ieee, F. Zulkifli, A. K. Ramasamy, “Traffic Flow Simulation at an Unsignalized T-Junction using Monte Carlo Markov Chains”, en IEEE International Conference on Signal and Image Processing Applications, 2009, pp. 346–351, doi: https://doi.org/10.1109/ICSIPA.2009.5478675.
  10. U. Head, B. Rand, W. Wilensky, “NetLogo Traffic Basic Adaptive Individuals model”, 2015, [En línea]. Disponible en: http://ccl.northwestern.edu/netlogo/models/TrafficBasicAdaptiveIndividuals
  11. S. C. Carrizo, “Biocombustibles en Argentina, entre Necesidades Energéticas e Intereses Agroindustriales”, PAMPA, vol. 4, no. 4, pp. 229-248, 2008, doi: https://doi.org/10.14409/pampa.v1i4.3159.
  12. B. Jiang, C. Yang, T. Terano, “Adaptive agent model with hybrid routing selection strategy for improving the road-network congestion problem”, J. Harbin Inst. Technol. New Ser., vol. 22, no. 6, pp. 92-102, 2015, doi: https://doi.org/10.11916/j.issn.1005-9113.2015.06.013.
  13. G. N. Gilbert y K. G. Troitzsch, Simulation for the social scientist, 1st ed. New york: Open University Press, 2005.
  14. N. Gilbert y P. Terna, “How to build and use agent-based models in social science”, Mind Soc., vol. 1, no. 1, pp. 57-72, 2000, doi: https://doi.org/10.1007/BF02512229.
  15. A. J. Heppenstall, A. T. Crooks, L. M. See, M. Batty, Agent-based models of geographical systems. London: Springer Science & Business Media, 2011.
  16. A. Crooks, Agent-based Models and Geographical Information Systems, en "Geocomputación: un manual práctico". Live Oaks, CA, USA: AGE Publications Ltd, Thousand, 2015, pp. 63-77.
  17. U. Wilensky, W. Rand, An introduction to agent-based modeling, and engineered complex systems with NetLogo. MA, USA: The MIT Press, 2015.
  18. J. G. Polhill, D. Parker, D. Brown, V. Grimm, “Using the ODD Protocol for Describing Three Agent-Based Social Simulation Models of Land-Use Change”, J. Artif. Soc. Soc. Simul., vol. 11, no. 2, pp. 3, 2008.
  19. V. Grimm, U. Berger, D. L. DeAngelis, J. G. Polhill, J. Giske, S. F. Railsback, “The ODD protocol: A review and first update”, Ecol. Modell., vol. 221, no. 23, pp. 2760-2768, 2010, doi: https://doi.org/10.1016/j.ecolmodel.2010.08.019.
  20. V. Grimm et al., “The ODD protocol for describing agent-based and other simulation models: A second update to improve clarity, replication, and structural realism”, Jasss, vol. 23, no. 2, pp. 7, 2020, doi: https://doi.org/10.18564/jasss.4259.
  21. DANE, “PIB por departamento”, [En línea]. Disponible en: https://www.dane.gov.co/index.php/estadisticas-por-tema/cuentas-nacionales/cuentas-nacionales-departamentales.
  22. Ministerio de Transporte de Colombia, Ley 769 de 2002 - Código Nacional de Tránsito Terrestre. 2002, pp. 57.
  23. U. Wilensky, NetLogo: Center for Connected Learning Comp.-Based Modeling. Evanston, IL: Universidad del Noroeste., vol. 158, 1999.
  24. “Velocidad y tiempo de viaje GT,” Secretaría de Movilidad de Medellín - Observatorio de Movilidad, 2020.
  25. S. Robinson, “A statistical process control approach to selecting a warm-up period for a discrete-event simulation”, Eur. J. Oper. Res., vol. 176, no. 1, pp. 332-346, 2007, doi: https://doi.org/10.1016/j.ejor.2005.07.014.
  26. F. E. Ritter, M. J. Schoelles, K. S. Quigley, L. Cousino, "Determining the Number of Simulation Runs: Treating Simulations as Theories by Not Sampling Their Behavior", en Rothrock L., Narayanan S. (eds) Human-in-the-Loop Simulations. Springer, London, 2011, pp. 97-116, doi: https://doi.org/10.1007/978-0-85729-883-6_5.