En la Universidad Rafael Landívar, como parte de la aplicación para carpooling que se desarrolla en el INCYT, se está desarrollando por separado una Aplicación de Recolección de Datos Anónimos (ARDA) la cual recolecta datos anónimos de movilidad urbana. El fin de estos datos anónimos es identificar las zonas de mayor congestionamiento vehicular y aplicar modelos matemáticos para encontrar soluciones que las municipalidades puedan aplicar en sus municipios.
El proyecto ARDA identifica días y horarios en los cuales diferentes tramos de la red vial se convierten en embudos durante intervalos de tiempo que dependen de factores que pueden predecirse. A pesar de ser un componente del proyecto de Carpooling, ARDA es una aplicación completa.
Los datos obtenidos en las pruebas realizadas se procesaron en una base de datos, para obtener dos simples parámetros que dicen mucho; lambda λ y mu µ, los cuales son respectivamente promedios de ingresos y salidas.
Los datos obtenidos en las pruebas realizadas se procesaron en una base de datos, para obtener dos simples parámetros que dicen mucho; lambda λ y mu µ, los cuales son respectivamente promedios de ingresos y salidas.
λ y µ son parte esencial de la teoría de colas y la teoría de restricciones. Si λ es mayor que µ, es decir: si llegan mas elementos que los que pueden salir, la cola crece exponencialmente. Asimismo, el centro de servicio que debe sacar los elementos del sistema es un cuello de botella, el cual es una restricción (Goldratt and Cox 2004).
El problema de la circulación vial ocurre porque circulan 1,075,000 vehículos diarios y la capacidad de flujo de la red vial metropolitana está entre 350,000 y 375,000 vehículos (Rodas Minondo 2016; Rodriguez 2015).
De una forma burda podemos desarrollar el siguiente modelo: 1,075,0000 / 375,000 = 2.87 y 1,075,000/350,000=3.07. Esto quiere decir que por cada carro que sale de cualquier calle o avenida de la ciudad, entran aproximadamente 3 carros. Veamos la siguiente tabla:
En cada intervalo de tiempo ocurre lo siguiente: Entran 3 carros y sale 1, quedan 2 en la calle, en el segundo intervalo entran 3 más, como había 2 carros en la calle, por un momento hay 5, pero como sale 1, hay 4 los carros que esperan salir de la calle. En solo 50 segundos, 10 intervalos de 5 segundos, la calle pasa de estar vacía a estar congestionada con 20 carros.
Aplicando modelos de teoría de colas y teorías de restricciones a los datos anónimos de geolocalización, es posible conocer las capacidades de flujo, horas pico, tiempos de espera, identificar los cuellos de botella, así como sus características. Recordando la teoría de restricciones, los cuellos de botella son las restricciones de capacidad del sistema completo.
Aumentar la capacidad de flujo es otro tema en el cual los modelos matemáticos solamente establecen escenarios cuantitativos de comportamiento, que permiten identificar estrategias de ordenamiento vehicular, que van desde una mejor sincronización de semáforos, establecimiento de rutas alternas, habilitación de carriles reversibles que no terminan en embudos, aumentar la capacidad de los cuellos de botella, etc.
*Datos capturados por aplicación ARDA, georeferEnciados en Google Maps, que muestran los puntos en donde se genera más tráfico en la ciudad de Guatemala.
Referencias:
Goldratt, Eliyahu M., and Jeff Cox. 2004. The Goal. 3d edition. Great Barrington, MA: North River Press.
Rodas Minondo, Carlos A. 2016. “Solución Al Problema Del Tránsito Vehícular.” El Periodico. http://elperiodico.com.gt/opinion/2016/11/26/solucion-al-problema-del-transito-vehicular/.
Rodriguez, Manuel. 2015. “Prevén Complicaciones En La Ciudad Por Aumento Del Parque Vehicular,” January 3. http://lahora.gt/preven-complicaciones-en-la-ciudad-por-aumento-del-parque-vehicular/
