Un mapa de las calles de Manhattan, que comparó los datos de tráfico del mundo real con un modelo de tráfico convencional y el modelo de movilidad macroscópica basado en datos de los autores. Crédito: Toprak Firat y Deniz Eroğlu
Todos odian el tráfico. Las grandes ciudades en particular están plagadas de una sobreabundancia de vehículos, convirtiendo una simple excursión de crosstown en una odisea durante la hora pico. Parte del problema es que el tráfico es increíblemente complejo, y un pequeño cambio en una parte del sistema puede tener efectos de onda que alteran los patrones de tráfico en toda una ciudad. Los planificadores de la ciudad que intentan mejorar las redes de tráfico locales a menudo pueden tener dificultades para prever todos los efectos que sus cambios podrían tener.
En el caos, un par de investigadores de Kadir han desarrollado una universidad en Estambul desarrolló un algoritmo más eficiente y flexible para modelar el tráfico. El deseo del dúo de abordar este problema proviene de algo más que curiosidad inactiva.
“Con sede en Estambul, vivimos en una de las ciudades más congestionadas del mundo”, dijo el autor Toprak Firat. “El tráfico no es solo un problema académico aquí; es parte de la vida diaria y eso nos dio una fuerte motivación”.
Si bien existen algoritmos de flujo de tráfico, a menudo requieren información de viaje detallada y confían en reglas codificadas para determinar cómo se mueven los vehículos a través de las intersecciones. Esto conduce a un algoritmo rígido que los autores querían evitar. En cambio, desarrollaron un modelo que llamaron el Modelo de movilidad macroscópica impulsado por datos (D3M), que se basa solo en observaciones simples que los planificadores de la ciudad recopilan habitualmente, como cuán llenas están las calles.
“En lugar de usar ecuaciones fijas para la dinámica de flujo, calibramos los parámetros del modelo directamente de los datos de tráfico del mundo real”, dijo Firat. “Esto permite que D3M adapte su comportamiento a las condiciones observadas en cada ciudad, lo que lo hace más flexible y realista que los modelos con suposiciones codificadas”.
Los investigadores probaron su modelo tanto en los puntos de referencia sintéticos como en los datos de tráfico del mundo real de Londres, Estambul y la ciudad de Nueva York. En las pruebas de referencia, el modelo D3M era más preciso que un modelo convencional y hasta tres veces más rápido. En las pruebas del mundo real, podría representar con precisión las diversas condiciones de tráfico de estas ciudades muy diferentes.
Las velocidades de simulación más rápidas y los requisitos de datos más fáciles significan que los planificadores de la ciudad tienen las herramientas para diseñar mejores ciudades más inteligentes.
“El avance clave es que las ciudades ahora pueden ejecutar simulaciones de tráfico sofisticadas sin necesidad de una costosa recopilación de datos”, dijo el autor Deniz Eroğlu.
“Los planificadores urbanos podrían probar los escenarios ‘si’, como cierres temporales debido a accidentes o mantenimiento, y ver el impacto del tráfico previsto antes de gastar millones en la construcción”.
Pero los residentes de la ciudad podrían sentir directamente el impacto real directamente, que podrían beneficiarse del pronóstico de tráfico en tiempo real, lo que facilita los viajes.
“Imagine un sistema que no solo reacciona al tráfico localmente, sino que simula cómo la congestión puede propagarse de maneras complejas, a menudo inesperadas en toda una ciudad completa”, dijo Eroğlu.
“Un atasco en una parte de la red podría desencadenar cuellos de botella a kilómetros de distancia, no debido al hacinamiento local, sino debido a los efectos de los flujos de cambio. Nuestro modelo captura estas dinámicas, ofreciendo previsión a nivel del sistema en lugar de reacción por separado”.
Los autores planean probar su modelo en un entorno operativo en tiempo real, con el objetivo de llevar el pronóstico de tráfico a las ciudades reales pronto.
Más información: Modelado de flujo de tráfico basado en datos en sistemas de red macroscópicos, caos una revista interdisciplinaria de ciencia no lineal (2025). Doi: 10.1063/5.0285930
Información en el diario: caos
Proporcionado por el Instituto Americano de Física
Cita: el algoritmo de tráfico rápido podría mejorar los pronósticos de tráfico en tiempo real (2025, 16 de septiembre) recuperado el 16 de septiembre de 2025 de https://techxplore.com/news/2025-09-fast-traffic-algorithm-real.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
