Академический Документы
Профессиональный Документы
Культура Документы
RESUMEN
En este trabajo se formula un problema de asignación y partición modal conjunta para sistemas
combinados de transporte público, con consideración explícita de redes compuestas y de las
interacciones entre los usuarios de las diferentes subredes existentes. Los supuestos básicos del
modelo consideran que en cada una de las subredes (bus, metro y bus-metro) los usuarios eligen sus
rutas de acuerdo al primer principio de Wardrop y que la repartiaón de la demanda en transporte
público (matriz de distribución de viajes) entre dichas subredes se realiza según un modelo logit.
Evidentemente, en el equilibrio los niveles de servicio empleados para determinar las particiones
modales son los mismos que resultan de asignar dichas demandas a las subredes correspondientes.
El modelo es planteado como una desigualdad variacional en la que el Jacobiano del vector de
funciones de costo es asimétrico y el de las funciones de demanda es simétnco. Dada esta
característica se propone usar el algoritmo de diagonalización como método de solución.
1. INTRODUCCIÓN
El problema de elección de rutas en redes de transporte público de gran tamaño, con consideración de
restricción de capacidad de los vehiculos, ha sido un tema de preocupación bastante reciente entre
los investigadores de transporte. En De Cea y Fernández (1993) se presenta un modelo de equilibno
de tráfico con demanda fija, basado en el concepto de ruta de transporte público, en el que la función
de costo asociada a los arcos de viaje en vehículo depende de los flujos de pasajeros, considerándose
en forma implícita, tal como se hace en el caso de redes viales, las restncciones de capacidad del
sistema. Dado que el Jacobiano del vector de funciones de costo es asimétnco, el problema
variacional que representa las condiciones de equilibrio de tráfico óptimo de usuarios no tiene un
problema de optimización equivalente, por lo que se propone para su solución el algontmo de
diagonalización. Wu et al (1994) proponen un modelo de equilibrio óptimo de usuarios, basado en el
concepto de estrategia, que también resuelven mediante un procedimiento de diagonalización.
Si bien es posible simular con ambos modelos la elección de rutas en redes de transporte público con
diferentes clases de servicio (por ejemplo bus, metro y combinaciones metro-bus) es evidente que
suponer que dicha elección es el resultado del equilibrio de los costos generalizados de viaje
constituye un enfoque inocente y limitado del problema que se desea resolver. Por esto, los dos
modelos citados tienen su campo de aplicación más adecuado en la asignación de viajes sobre redes
puras de transporte público (buses o metro, por ejemplo).
Resulta bastante evidente que en un sistema con modos puros y combinados de transporte público el
enfoque de modelación debe ser diferente al antenor. En general se supondrá que un viajero en este
sistema enfrentará al menos dos decisiones al realizar su viaje entre un par dado de zonas. Debe
elegir el modo puro o compuesto y luego su ruta sobre la red correspondiente. El modelo de
equilibrio en este caso será uno de asignación-partición modal conjunta. En el caso de los modos
combinados existe para los viajeros una tercera decisión posible, que es la del punto de transbordo
entre los modos (ver modelo 3 propuesto en Fernández et al, 1994).
Se supondrá que se tiene una red integrada de servíaos (líneas) de bus y metro, sobre la que circulan
(e interactúan, compitiendo por la capacidad de los servicios ofrecidos) diferentes tipos de viajeros
aquellos que utilizan sólo servicios de bus y sólo servicios de metro (usuarios de modos puros de
transporte público) y aquellos que utilizan una combinación de servicios de bus y de metro (usuanos
del modo compuesto bus-metro). La demanda origen destino se reparte entre los modos alternativos
de acuerdo a un modelo logit y las demandas modales son asignadas a sus respectivas redes de
manera tal que en el equilibrio se cumpla, en cada caso, el pnmer principio de Wardrop.
2. DEFINICIONES PREVIAS
La red multimodal de transporte público está dada por un grafo donde N es la unión de los
conjuntos de nodos que representan los centroides de zonas , paradas de las líneas de transporte
público de superficie (Nb) y estaciones de metro (Nm) y S es la unión de los conjuntos de arcos
que corresponden a los arcos virtuales de viaje para servicios de bus [Sb) y de metro (Sm), a los
arcos de acceso (egreso) y a los arcos de transbordo superficie-metro (Sa) • La red que se muestra en
la figura 1 representa una red compuesta (tipo bus-metro), codificada en términos de los arcos
virtuales de viaje en transporte público que conforman cada una de las sub-redes. También están
representados en ella los arcos de transbordo que unen la red de superficie con la red de metro y los
arcos de acceso (egreso) que unen los centroides de zonas con los nodos de la red de buses. Es
necesario considerar que un arco virtual de viaje está formado por un conjunto de líneas y tiene
asociados atnbutos tales como un tiempo un esperado de viaje en vehículo, una tarifa, una frecuencia
que corresponde a la suma de las frecuencias de las líneas que lo conforman, una capacidad
correspondiente a la suma de las capacidades de dichas líneas, un tiempo de espera, un flujo, etc.
(para mayores detalles sobre este tipo de redes se recomienda ver De Cea y Fernández, 1993).
En el modelo que se presenta en este trabajo se considerarán tres redes modales diferentes:
• Red de buses, que contiene sólo arcos virtuales de viaje del modo bus, arcos de transbordo
entre servíaos de buses y arcos de acceso.
• Red de metro, que contiene sólo arcos virtuales de viaje del modo metro, arcos de
transbordo superfiae-metro y arcos de acceso.
• Red compuesta bus-metro, que corresponde a la suma (superposición) de las dos redes
anteriores.
WP '• conjunto de pares O-D en los que los usuarios disponen de los modos metro y bus para realizar
sus viajes. Estas son parejas en las que los centroides de origen y destino están conectados
directamente al metro, por lo que se supone no relevante la alternativa combinada.
Wc '• conjunto de pares O-D en los que los usuanos disponen del modo compuesto bus-metro y del
modo bus para realizar sus viajes. Estas son parejas en las que sólo uno de los centroides (ongen o
destino) o ninguno de ellos están conectados directamente al metro. En este último caso el modo
compuesto tendrá rutas del tipo bus-metro-bus.
Las funciones de costo para los arcos virtuales de viaje (que como se ha dicho representan conjuntos
atractivos de líneas) en una red de transporte público tienen, en términos generales, la siguiente forma
(ver De Cea y Fernández, 1993):
f \ ir ~ \"
V+
c =, +\1L) + ÑI ' V>\ (1)
(i)
W V Ks J
donde:
Observando la expresión (1), es fácil ver que aun cuando los parámetros de las funciones anteriores
fueran los mismos para todos los arcos de viaje el Jacobiano de las funciones de costo no
Observando la expresión (1), es fácil ver que aun cuando los parámetros de las funciones antenores
(«r, P, nj fueran los mismos para todos los arcos de viaje el Jacobiano de las funciones de costo no
será, en general, simétrico, dado que diferentes líneas tienen diferentes capacidades.
Para el problema de partición modal y asignación conjunto, en que los arcos de las redes de bus y
metro son compartidos por pasajeros que utilizan estos modos simples para realizar sus viajes y por
pasajeros que utilizan el modo compuesto bus-metro, las funciones de costo deben considerar esta
interacción de flujos. No obstante se supondrá que los costos percibidos por un usuario de modo
puro o modo compuesto, sobre un arco de bus (o de metro), serán idénticos. Por lo tanto, las
funciones de costo tendrán la siguiente forma:
(2)
(3)
donde:
costo del arco s para usuarios del modo c (b=bus, m=metro, c=compuesto).
flujo de pasajeros del modo compuesto bus-metro, que utilizan el arco s, sea de bus
o de metro.
(4)
(5)
Los arcos de acceso y arcos de transbordo tienen un costo constante y equivalente al tiempo de
caminata sobre ellos.
La distribución de viajes se considera fija, es decir, se supone conocida la matnz de viajes totales ai
transporte público, la que se denominará Por lo tanto, el análisis de la demanda se centra.
únicamente, en los modelos de partición modal.
Se pueden distinguir dos situaciones de elección modal entre pares de zonas ongen-destino,
suponiendo, como se ha mencionado, que el modo compuesto bus-metro no es relevante cuando el
viaje puede realizarse sólo en metro. Estas situaciones son las siguientes:
i) Bus v e r s u s Bus-Metro
Suponiendo que en este caso la partición modal se explica por un modelo logit binomial, éste puede
expresarse de la siguiente forma:
(6)
de donde:
(7)
proporción de viajes que utilizan el modo bus para viajar entre el par w e Wt •
viajeros que utilizan el modo bus para viajar entre el par w 6 Wc •
percepaón por parte de los usuarios de los modos bus-metro y bus,
respectivamente, del costo generalizado de viaje entre el par w E|f ( en el
equilibno.
parámetros a calibrar usando información de elecciones modales.
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) ™" cg|
JOAQUÍN DE CEA CH. - J ENRIQUE FERNANDEZ L
En este caso, en forma similar al caso anterior, se puede expresar el modelo de partición modal
mediante:
(8)
con:
(9)
donde:
Las matrices de viajes obtenidas de los modelos de partición modal anteriores son las siguientes:
Modo bus
Modo metro
Modo bus-metro :
Estas matrices deben ser asignadas sobre las redes modales correspondientes: bus, metro, bus-metro.
a) Para cada modo, sea éste puro o compuesto, no existe incentivo para que los usuanos
cambien unilateralmente de ruta sobre la red correspondiente. En el caso de los modos
puros (bus=b y metro=m), el pnncipio de equilibrio (Wardrop, 1952) se expresa como:
(10)
(11)
Para el caso de los usuarios de modo compuesto bus-metro, las condiciones antenores
toman la forma siguiente:
(12)
(13)
(14)
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) ™" 583
JOAQUÍN DE CEA CH. - J.ENRIQUE FERNANDEZ L.
Las condiciones de equilibrio del problema de asignación/partición modal conjunta definidas por las
ecuaciones (10) a (14) son equivalentes a la siguiente desigualdad variacional:
(15)
donde c\y *) representa el vector de funciones de costos en los arcos de la red multimodal, evaluadas
en los flujos de equilibrio el vector de la inversas de las funciones de demanda modal
evaluadas en las demandas Los flujos y las demandas deben satisfacer las
siguientes restricciones, que definen el conjunto factible
(16)
(17)
(18)
(19)
(20)
(21)
(22)
(23)
(24)
(25)
4. ALGORITMO DE SOLUCIÓN
Dado que, como se ha mencionado, el vector de funciones de costo c(F) tendrá en general
Jacobiano asimétrico, no existe en este caso un problema de optimización equivalente. Así, un
enfoque de solución podría usar algún método para resolver directamente (15), como el algoritmo de
planos cortantes propuesto en Nguyen y Dupuis (1984), o cualquier otro método para resolver
desigualdades variacionales (ver Harker y Pang, 1987).
Uno de los enfoques más usados para resolver problemas de redes con costos asimétricos es, debido
a la simplicidad de implementación, el algoritmo de diagonalizacion (ver Flonan, 1977 y Abdulaal y
LeBlanc, 1979). Este es un procedimiento iterativo similar al método general de Jacobi para resolver
ecuaciones no lineales (ver Pang y Chang, 1982). En este caso, dada una solución inicial factible,
deberán diagonalizarse las funciones de costos de operación en los arcos de buses y metro, y al
interior de cada diagonalizacion deberá resolverse un problema de optimización similar al propuesto
en Fernández et al (1994) para el caso de modos combinados auto-metro. Estas funciones de costo
diagonalizadas, en la iteración k, son de la forma:
(26)
(27)
en las que Vs representa el flujo de pasajeros sobre el arco de viaje s (suma de los pasajeros del
modo puro, bus o metro según sea el caso, y de los pasajeros del modo compuesto). Los flujos
compitentes son dejados constantes (evaluados para la solución factible de la iteración k) por lo que
los costos cs son separables, esto es, dependen sólo de su propio flujo.
Al interior de una iteración del algoritmo de diagonalizacion se debe resolver el siguiente problema de
optimización:
m a
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) 535
JOAQUÍN DE CEA CH. - J.ENRIQUE FERNANDEZ L.
(29)
5. ASPECTOS DE IMPLEMENTACION
En Malbrán (1994) se realiza una detallada revisión de los algoritmos de cálculo de rutas mínimas
más usados en el caso de las redes de transporte. Se propone además un algoritmo de dos fases para
calcular rutas mínimas en redes combinadas. Dicho algoritmo, sin embargo, está principalmente
orientado a tratar redes combinadas auto-metro, caso en el que los viajes tratados y, en consecuencia,
las rutas que deben ser calculadas tienen una etapa en auto y una etapa en metro. Esto no es
necesariamente así para las rutas combinadas bus-metro. En este caso, si bien una parte importante
de las rutas combinadas son de una estructura como la de las rutas auto-metro (una etapa en bus y
una etapa en metro) existe una proporción de ellas con tres etapas: una primera etapa en bus, una
segunda etapa en metro y una etapa final en bus. Ni el algoritmo de dos fases de Malbrán (1994) ni
los algoritmos de cálculo de rutas mínimas en redes combinadas implementados en ESTRAUS (ver
SECTU, 1989) consideran la existencia de este tipo de rutas. Probablemente la poca importancia
relativa de los viajes observados en Santiago sobre rutas de este tipo (bus-metro-bus) para la
mm
5Q6 ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995)
ASIGNACIÓN PARTICIÓN MODAL CONJUNTA EN REDES COMBINADAS DE TRANSPORTE PUBLICO FORMULACIÓN MATEMATI .
encuesta origen-destino de 1991 han llevado a los modeladores a olvidarlos. No obstante, en redes
integradas, con una mayor cobertura de la red de metro, como las que se analizan para planes futuros
de la ciudad de Santiago, la importancia de este tipo de viajes aumentará sustancialmente, por lo que
un algoritmo de rutas mínimas sobre redes combinadas de transporte público debe considerar su
existencia. En un trabajo de investigación en curso se ha desarrollado e implementado la versión
preliminar de un algoritmo más general que los disponibles que está en etapa de prueba y promete
ser eficiente.
Gruesamente, la parte del algoritmo (que es una adaptación del algoritmo de Dijkstra, 1959) que
determina rutas mínimas del tipo bus-metro y bus-metro-bus consiste en calcular y almacenar, en
primer lugar, los árboles de rutas mínimas desde las estaciones de metro (nodos de metro en la red
multimodal) hacia todos los centroides, exigiendo sólo para el primer pivot (origen del arco) que el
etiquetaje a nodos vecinos se realice sólo para nodos de metro, imponiendo así la restricción de
buscar rutas mínimas desde el metro, usando al menos un arco de metro. Hecho esto se calculan
árboles de rutas mínimas desde los centroides de origen no conectados a la red de metro hasta las
estaciones de metro (no existen en este caso los arcos de metro). Cada vez que un nodo de metro
llega a ser pivot, todos los centroides de destino (todos menos el origen del árbol que se está
calculando) se etiquetan con un tiempo que se obtiene sumando al tiempo hasta el pivot el tiempo de
la ruta mínima desde la estación de metro al centroide de destino y con un predecesor que
corresponde al pivot. El esfuerzo de cálculo adicional respecto al de un algontmo de Dijkstra
convencional (red pura) se relaciona principalmente con el cálculo de árboles adicionales. En el caso
convencional se calcula un árbol por cada centroide de ongen. En este caso, además de ésos se debe
calcular un árbol por cada nodo de metro. Por otro lado, el etiqutaje directo de los centroides a partir
de los pivots nodos de metro introduce implícitamente un número no despreciable de arcos ficticios a
la red. Esto es, exactamente
REFERENCIAS
ABDULAAL, M. y LeBLANC, L. (1979) Methods for combimng modal split and equilibnum
assignment models. Transportation Science, VoL 13, 292-314.
DE CEA J y FERNANDEZ, JE. (1989) Transit assignment to minimal routes: an efficient new
algonthm. Traffic Engineering and Control 29 (10), 520-526.
DIJKSTRA E. (1959) A note on two problems in connexion with graphs. Numerishe Mathematik
1,269-271.
EVANS, S.P. (1976) Derivation and analysis of some methods for combining trip distribution and
assignment Transportation Research 10, 37-57.
FLORIAN, M. (1977) A traffic equilibrium model of travel by car and public transit modes.
Transportation Science, 8, 166-179.
HARKER, P.T. y PANG, J-S. (1987) Finite-dimensional variational inequality and nonlinear
complementarity problems: a survey of theory, algorithms and applications. Department of Decisión
Sciences, The Wharton School, ersity of Pennsylvania, 87-12-06.
MALBRAN, BL (1994) Un algoritmo de rutas mínimas para redes combinadas de transporte. Tesis
de Magister, Escuela de Ingeniería, Pontificia Universidad Católica de Chile.
PANG, J.M. y CHANG, D. (1982) Iterative methods for variational and complementarity
problems. Math. Program, 24, 284-313.
SECTU (1989) Estudio de evaluación y desarrollo del sistema de transporte urbano de santiago
(ESTRAUS). Secretaría Ejecutiva de la Comisión de Transporte Urbano, Chile.
WARDROP, P.G. (1952) Some theoretícal aspects of road traffic research. Proceedings of the
Instítute of Civil Engineers, Part D, 325-378.
mm
5gg ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995)
ASIGNACIÓN PARTICIÓN MODAL CONJUNTA EN REDES COMBINADAS DE TRANSPORTE PUBLICO. FORMULACIÓN MATEMATI
Figura 1
Representación de una Red de Compuesta Bus-Metro
Centroides
Nodos
Estaciones de metro
Secciones de ruta (bus)
Arcos de acceso
Secciones de ruta (metro)
RESUMEN
La calibración de redes de transporte consiste en determinar los parámetros de las curvas flujo-
velocidad de los arcos componentes de la red, de tal forma que luego de producida la asignación de
equilibrio, los valores modelados de flujos en los arcos se aproximen tanto como sea posible a los
conteos de tráfico efectuados a nivel de calles y avenidas. Para lo anterior se requiere contar con tres
elementos fundamentales: una red de transporte modelada en base a arcos, nodos y centroides; una
matriz Origen-Destino obtenida a través de encuestas de preferencias, expandida y corregida en
forma independiente a la red; y conteos de tráfico independientes de la matriz y los parámetros de la
red modelada.
En la literatura se han propuesto distintos métodos para calibrar redes, entre los que destaca el
método binivel propuesto por Suh et al. para calibrar una red interurbana en Corea del Sur (Suh,
Parky Kim, 1990) y utilizado en la calibración de la red estratégica de la Encuesta Origen Destino
de Viajes de Santiago 1991.
Este trabajo muestra los resultados de calibración de una red de transporte privado a través de los
métodos binivel y de Hooks &Jeeves. Luego de un análisis de resultados, se fundamenta la elección
del método de Hooks &Jeeves para calibrar redes de transporte privado cuyas funciones de costo en
los arcos son del tipo BPR.
La Metodología y resultados del presente trabajo fueron desarrollados como parte del estudio
"Análisis y Recalibración de los Modelos de ESTRÁUS" realizado por la empresa consultora
Fernández y De Cea Ingenieros Ltda., por encargo de la Secretaría Ejecutiva de la Comisión de
Planificación de Inversiones en Infraestructura de Transporte (SECTRA)
mm
50Q ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995)
CALIBRACIÓN DE REDES DE TRANSPORTE- COMPARACIÓN DE LOS MÉTODOS BINIVEL Y HOOKS & JEEVES
1. EL MÉTODO BINIVEL
•-, . -
1.1 Descripción General del Método
(P2)
(1.3)
(1.4)
(1.5)
(1.6)
donde:
Función de costo del arco a
Parámetros de la función de costos
Demanda entre el par w
Par Ongen-Destino (IJ)
Flujo observado en el arco a
Flujo modelado en el arco a
toma el valor 1 si el arco a está en la ruta p, y 0 si no
Conjunto de todas las rutas sobre la red
Conjunto de rutas que unen el par w
Elemento de P
Flujo en la ruta p
Tal como se desprende de (1.3), (1.4), (1.5) y (1.6), (P2) es un problema de equilibno de usuarios
que puede ser resuelto por ejemplo, a través del algoritmo de Frank-Wolfe.
Figura 1.1
Proceso Iterativo Algoritmo Binivel
El (Pl) requiere expresar los flujos modelados en (P2) como una función lineal de los costos de
equilibrio
(1.8)
(1.9)
(1.10)
(LID
(1.12)
(1.13)
(1.14)
(1.15)
(116)
donde:
(1.17)
(1.18)
(P4) (1.19)
El (P4) encuentra su mínimo cuando los flujos observados y los modelados se igualan.
La aplicación del método de Hooks & Jeeves a la calibración de la red vial, permite determinar los
parámetros a y P de la función de costos (1.7) para cada categoría de arcos a través de un proceso
de prueba y error. Este proceso consiste en efectuar una búsqueda exploratoria a través de cada una
de las coordenadas del espacio de soluciones (parámetros a y p de las funciones de costo) a fin de
encontrar una dirección de descenso local de la función objetivo (1.19).
En la Figura 2.1 se describe el proceso en dos dimensiones:
Figura 2.1
Método de Hooks & Jeeves en 2 Dimensiones
La idea de establecer un nuevo Punto Base a una distancia K • d del Punto Base original, es
permitir al proceso "salir" de posibles mínimos locales de la función objetivo, tal como se muestra en
la Figura 2.2
Figura 2.2
Método de Hooks & Jeeves
Las etapas del proceso de Hooks & Jeeves son las siguientes
(2.1)
Si se produce una mejora en la función objetivo, se acepta esta dirección como una dirección
en que la función objetivo disminuye y se continúa con el paso iii). El punto encontrado se
denomina Punto de Descenso.
Si no se produce una mejoría en la función objetivo, se repite el paso i) con una magnitud de
exploraciói
III) Avance
A partir del Punto Base se efectúa un avance K -d En este punto se efectúa una nueva
evaluación de la función objetivo. Si mejora el valor de la función objetivo, se establece este
punto como nuevo Punto Base, repitiéndose el proceso de exploración i).
El método finaliza cuando el 5 a través del cual son efectuadas las exploraciones en i), se hace
arbitrariamente pequeño y la función objetivo no mejora en la dirección de descenso indicada.
Con la finalidad de comparar los dos métodos de calibración de redes de transporte privado, se
experimentó con una red, matriz y conjunto de conteos de prueba, especialmente preparados para tal
efecto. La red de prueba utilizada consta de 3.081 arcos de viaje, 731 arcos de acceso, 988 nodos, y
264 zonas. Los arcos se encuentran divididos en 12 categorías cuyos parámetros de las función de
costos (1.7) se muestran a continuación:
Tabla 3.1
Parámetros de las Funciones de Costo de la Red de Prueba
Categoría a P Categoría a P
1 2,0 6,0 7 1,9 4,5
2 1,5 5,5 8 2,4 4,5
3 1,4 5,5 9 0,2 6,0
4 2,1 5,1 10 0,8 4,0
5 2,1 5,4 11 2,5 5,2
6 2,3 4,6 12 0,2 4,0
La matriz de prueba utilizada tiene un total de 169.735 viajes, distribuidos entre 264 zonas.
Los conteos de prueba fueron obtenidos a través de una asignaaon de equilibno de la matriz sobre
la red de prueba, seleccionándose en forma aleatoria un subconjunto de 565 arcos y sus respectivos
flujos de equilibrio (para las categorías 11 y 12 no se obtuvo conteos).
Como punto de partida, se tomó los valores a = 0,2 y p = 4 (Recomendados por el Burean qf Public
Roads para autopistas, 1964) para las 12 categorías de arcos de la red. En la figura 3.1, se muestra
la evolución de la función objetivo (1.19) luego de 100 iteraciones del algoritmo.
Figura 3.1
Método Binivel: Evolución de la Función Objetivo
Figura 3.2
Método Binivel: Evolución de r2
(3.1)
En la Figura 3.2, se aprecia que a partir de la iteración 50 se produce un brusco descenso coincidente
con el ascenso del valor de la función objetivo mostrado para dicha iteración en la figura 3.1.
Los valores de a y p alcanzados luego de las 100 iteraciones son mostrados en la Tabla 3.2
Tabla 3.2
Parámetros Finales del Método Binivel luego de 100 iteraciones
Correlación 0,6752
Función Objetivo 289,63
Categoría Alfa Beta r2
1 10.300,0 5,1 0,7428
2 57,0 8,6 0,4356
3 993,0 2,1 0,6613
4 1.590,0 3,9 0,7189
5 203.000.000,0 8,9 0,1087
6 144.000,0 8,2 0,3224
7 4.970,0 5,8 0,9319
8 65,0 0,6 0,9909
9 1.000,0 5,7 0,4669
10 136.000,0 4,5 0,5365
Es fácil apreciar que los valores de los parámetros a y p, obtenidos luego de 100 iteraciones del
proceso difieren substancialmente de los valores con que fueron generados los conteos.
Finalmente, es relevante señalar que el proceso fue detenido arbitrariamente en la iteración 100, toda
vez que no se aprecia convergencia hacia ningún valor claro de la función objetivo, de r2 o de los
parámetros a y p.
En esta sección se describen los resultados de calibrar la red de prueba descrita en la sección 3.1, a
través del método Hooks & Jeeves, utilizando la misma matriz, conteos y punto de partida utilizados
en 3.2.
Tal como se aprecia en la Tabla 3.3, el valor de la función objetivo en el punto de convergencia es
2,72, sensiblemente inferior al 289,63 alcanzado al utilizar el método binivel. Además de lo anterior,
el r alcanzado (99,78 %) es claramente cercano a uno, y notablemente mayor que el alcanzado al
utilizar binivel (67,52 %).
Tabla 3.3
Resultados de la Calibración Hooks & Jeeves
Parámetros H&J r2
por
Categoría a 3 Categoría
1 2,3 6,9 0,9978
2 3,1 9,2 0,9916
3 1,8 7,1 0,9966
4 2,2 4,9 0,9973
5 2,4 5,3 0,9843
6 2,1 4,4 0,9911
7 1,6 3,4 0,9988
8 3,4 6,2 0,9999
9 2,8 9,5 0,9803
10 2,2 4,9 0,9991
Correlación 0,9978
Función Objetivo 2,7200
En algunas categorías (por ejemplo 1, 4, 5 y 6) los parámetros obtenidos son bastante cercanos a los
parámetros originales (ver Tabla 3.1). Para otras (por ejemplo 3 y 7), los valores son razonablemente
similares. Sin embargo las categorías 2, 8, 9 y 10 presentan diferencias lo que hace suponer la
existencia de múltiples óptimos locales.
4. ANÁLISIS DE RESULTADOS
Finalmente, es del caso señalar que a pesar de trabajarse con la misma red y la misma matriz con que
fueron generados los conteos, se lograron valores de ajuste relativamente pobres (¿=0,61).
El método de Hooks & Jeeves, entregó valores razonables de r2 y de la función objetivo. En efecto la
función objetivo alcanzó un valor de 2,7 , cercano al valor ideal 0. Por su parte el r2 alcanzó un valor
de 0,998 que es muy cercano al valor ideal 1, lo que indica que el proceso se comportó
adecuadamente. Finalmente, los valores reportados para los parámetros a y p están claramente
dentro de rangos aceptables.
Llama la atención que a pesar de que los indicadores utilizados (valor de la función objetivo y r2)
indican que la calibración se llevó a efecto con éxito, existan diferencias entre los parámetros con que
fueron originados los conteos o "verdaderos", y los parámetros logrados luego de haberse logrado la
convergencia del proceso. Lo anterior sugiere la existencia de múltiples óptimos locales.
5. CONCLUSIONES
De la experiencia descrita en este trabajo se puede concluir que el método binivel no es apropiado
para calibrar redes de transporte privado, ya que no converge hacia valores adecuados de la función
objetivo y de r2, arrojando valores claramente fuera de rango para los parámetros a y p.
Por su parte, el método de Hooks & Jeeves sí converge adecuadamente hacia valores apropiados de
los parámetros calibrados, entregando buenos valores para la función objetivo y r2.
Dada la existencia de múltiples óptimos locales se hace especialmente apropiada la utilización del
método de Hooks & Jeeves para la calibración de redes de transporte privado.
Finalmente, es de interés señalar que el método de Hooks & Jeeves aquí descnto fue utilizado con
éxito para la recalibración de la red estratégica de Santiago en 1994.
REFERENCIAS
]
Bureau of Public Roads. (1964) Traffic Assignement Manual. U.S. Department of Commerce,
Urban Planning División, Washington D.C.
Suh, Park y Kim. (1990) A highway capacity function in Korea: meseaurement and calibration.
Transportation Research A, Vol.24 A N°3, pp 177-186.
600 ™" ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995)
MODELOS DE REDES DE CARGA: ESTADO DEL ARTE
TRANSPORTE INTERURBANO
RESUMEN
Los sistemas de transporte interurbano pueden ser representados a través de modelos de redes
multimodales; estos últimos han experimentado un fuerte desarrollo durante las últimas dos décadas
en su aplicación a sistemas urbanos de transporte de pasajeros, sin embargo su aplicación a sistemas
interurbanos ha sido mucho más limitada. Por otra parte, aunque los pnncipios de modelación
relacionados con teoría de grafos y redes, modelos matemáticos de opümización y pnncipios de
teoría microeconómica, son útiles para tratar ambos problemas, sus características específicas son
bastante diferentes, haciendo que no sea posible realizar una extensión o adaptación de modelos
desarrollados en un caso (por ejemplo urbano) a su aplicación en el otro (por ejemplo interurbano).
En este trabajo se realiza un análisis crítico de la literatura respecto del desarrollo de modelos de
transporte interurbano de carga. En cada caso se estudian los supuestos y planteamientos teóncos
básicos y las implicancias para su aplicación práctica, y se efectúa un análisis comparativo para el
caso de los modelos de redes, en el que se evalúan las ventajas y limitaciones de los distintos
enfoques propuestos en la literatura especializada. Como conclusión se especifican los aspectos más
relevantes que requieren de investigación y desarrollos futuros y las formas posibles de enfrentar
dichos desarrollos.
I ¡i presente investigación ha sido parcialmente financiada por FONDEC YT-Chile y la Pontificia Universidad Católica de Chile.
1. INTRODUCCIÓN
La modelación de los flujos interurbanos de carga presenta una gran complejidad inherente, lo que ha
llevado a distintos autores a tomar diversos enfoques desde la perspectiva de diferentes disciplinas.
Es así como podemos encontrar en la literatura modelos que tratan de representar y explicar desde el
comportamiento de los agentes individuales en la elección de rutas, hasta el fenómeno de entrada y
salida de empresas del mercado de transporte interurbano de carga. Sin embargo, en el centro de
todos estos modelos está presente el concepto de la predicción del comportamiento de los diversos
agentes que intervienen en el movimiento de la carga.
Harker (1987), propone el diagrama de la Figura 1 para representar los distintos agentes que
normalmente participan y las interrelaciones que entre ellos se producen. Los productores son los
agentes económicos que producen los bienes; los consumidores demandan dichos bienes para el
consumo. Típicamente, se consideran distintos sub-grupos de productores y consumidores que se
localizan en diversas zonas dentro de la región que se desea analizar, los que se comunican mediante
el conjunto de precios de los bienes y servicios que ellos venden y compran. Por lo tanto, si las
distintas zonas consideradas se encuentran unidas por un sistema de transporte y hay intercambio
entre ellas, debe existir un conjunto de agentes, denominados despachadores (shippers) que
cumplen la función de administrar el movimiento de la carga desde su origen hasta su destino. En la
práctica ellos están representados por un conjunto de entidades tales como los departamentos de
despacho de empresas manufactureras, departamentos de distribución, despachadores de carga
independientes, departamentos recibidores de carga de las empresas, etc.
En general, los despachadores, son el conjunto de los agentes que toman las decisiones relativas a la
forma operacional en que la carga se mueve dentro del área bajo estudio: la generación de viajes
desde cada origen, su distribución hacia los distintos destinos posibles, y el conjunto de modos y
empresas de transporte que tomarán parte en el traslado de la carga. Las elecciones que los
despachadores realizan se basan en las condiciones que el mercado plantea que se resumen en los
precios observados.
Una de las decisiones más importantes que los despachadores deben tomar se refiere al conjunto de
modos que se utilizarán en el transporte de la carga desde su origen hasta su destino y en particular
las empresas que realizarán el servicio; a estas se les denomina transportistas (carriers) y su
función propia es la producción de servicios de transporte. Se supone además que su objetivo
fundamental es maximizar el beneficio obtenido de su operación.
Normalmente, el sistema de transporte de carga se considera además integrado por otros dos agentes:
los transportistas potenciales y el Gobierno. Los primeros son agentes que normalmente no
realizan servíaos de transporte, pero tienen el potencial de hacerlo y por lo tanto influyen en el
establecimiento de las tanfas de los servicios, dada la presión que su potencial entrada al mercado
ejerce sobre los operadores normales. El segundo está representado por todas las agencias estatales
relevantes, tanto de nivel central, como regional y local. Ellas influyen en el sistema
fundamentalmente a través de las regulaciones que imponen a la operación y de la provisión y
mantención de infraestructura.
Una red representa al sistema de transporte, como un conjunto de arcos y nodos con una topología
definida, que especifica la estructuración espacial y funcional de los distintos servicios de transporte
ofrecidos y que generalmente coincide además con la distribución física de la infraestructura. En el
caso interurbano, los nodos representan lugares de acceso a la red de servicios o de encuentro de
distintos modos: puertos, aeropuertos, patios ferroviarios etc.; los arcos representan vías sobre las
cuales se movilizan los vehículos: carreteras, autopistas, líneas férreas, vías de navegación, etc. En
general, cada elemento de la red lleva además asociado un índice del nivel de servicio y/o de los
costos de operación experimentados, el que en las representaciones más sencillas es constante pero en
los modelos más sofisticados corresponde a una función que depende del flujo y la capacidad del
elemento en cuestión.
Los modelos de redes típicos suponen un análisis de corto plazo, en el que dado un cierto capital
invertido en la red y por lo tanto características definidas de capacidad y costos de operación, que
estructuran una función global de oferta de corto plazo, se predicen los flujos y niveles de servicio
que se observarían si se consideraran determinadas demandas entre los diferentes pares Origen-
Destino, las que pueden ser constantes o elásticas dependiendo del caso. A continuación revisaremos
los modelos de redes de transporte de carga más importantes que han sido desarrollados y reportados
en la literatura especializada desde 1960.
Sin duda este es el primer desarrollo significativo de un modelo predictivo de redes de transporte
interurbano de carga. Creado inicialmente por Roberts (1966) y extendido posteriormente por Kresge
y Roberts (1971) fue usado en Colombia para la elaboración de un plan de desarrollo del sistema de
transporte interurbano de dicho país.
Este modelo usa una red multimodal, incluyendo carreteras, ferrocarriles, rutas marítimas y rutas
aéreas y distingue distintos productos a ser transportados. Sin embargo, solo considera la simulación
del comportamiento de los despachadores, que son los únicos agentes representados. Los costos de
operación de los modos de transporte se suponen constantes y la elección de modo y ruta por parte de
los despachadores se basa en el cálculo de rutas mínimas sobre la red multimodal, para cada tipo de
producto separadamente. Los costos de transporte resultantes se usan en dos submodelos de
distribución distintos, dependiendo del tipo de producto: i) un sub-modelo estándar del tipo
Koppmans-Hitchckok (K-H), que calcula los flujos 0-D para productos homogéneos de bajo valor
agregado (principalmente graneles) ii) un submodelo gravitacional estándar (Isard, 1975, Cap. 3)
para los productos especiales de alto valor agregado. Las generaciones y atracciones necesanas para
especificar las restricciones de los submodelos de distribución se obtienen en forma extema, a partir
de un modelo macroeconómico.
Una vez obtenidos los flujos O-D por cada tipo de producto, estos se asignan a la red multimodal
usando las mismas rutas mínimas calculadas inicialmente. Nótese que, dado que se supone que no
existe congestión, no es necesario revisar los costos de operación calculados inicialmente, ya que
estos son independientes del nivel de flujo asignado. El procedimiento de asignación se completa
cargando volúmenes apropiados para considerar el retomo de los vehículos vacíos a su punto de
origen.
Este modelo fue desarrollado por CACI Inc., como parte del Estudio Nacional de Energía y
Transporte (CACI, 1980, Bronzini, 1980a-c) y su objetivo inicial fue estudiar la eficiencia energética
de los distintos modos de transporte de carga interurbanos, debido a lo cual se realizó una
representación de los costos de energía más detallada que lo que es normal en este tipo de modelos
La versión original es mulümodal y multiproducto, aunque las demandas por transporte son fijas
entre pares O-D. Los supuestos básicos son los siguientes:
El costo relevante para las decisiones de ruteo se obtiene mediante una combinación
lineal del costo de operaaon, el tiempo de viaje y el uso de energía.
Estos supuestos ignoran por completo el rol que cumplen los transportistas en el ruteo de los envíos
de la carga y utilizan una expresión inusual del costo de transporte, al mezclar en una misma medida
factores que son de interés para los transportistas, como el costo de operaaon, con otros perabidos
por los despachadores y usuarios como el tiempo de viaje.
A pesar de que sus creadores califican la versión más reaente del modelo como de equilibno y
multiproducto, el procedimiento de asignación de equilibno usado trabaja con funciones de costos
agregadas (para el conjunto de los productos), en vez de diferenciadas por producto, lo cual es
equivalente a considerar un solo producto. En la última versión, se incluye un submodelo separado
que simula las decisiones de ruteo de los transportistas (Bronzini y Sherman, 1983) pero que usa
costos fijos y asignación a rutas mínimas.
Peterson propuso un modelo (Peterson y Fullerton, 1975) predictivo de transporte ferroviano que
utiliza alternativamente los dos principios de comportamiento de Wardrop para modelar las
decisiones de los operadores de transporte, aunque el autor opina que el segundo pnnapio
(optimización de sistema) es más adecuado para modelar sistemas de transporte de carga.
Las demandas por transporte son constantes y determinadas exógenamente y se considera un solo
producto y un solo operador. Además, tampoco se modela el retomo de los vehículos vacíos.
Aunque este modelo es menos general que los anteriores, es de interés por ser el primero que incluye
las interacciones que se presentan entre despachadores y transportistas (operadores) (Lansdowne,
1981). El modelo es unimodal y considera demanda fija, la que se le debe entregar a través de una
matnz de viajes en ferrocarril. Como resultado, entrega un conjunto de rutas ferroviarias incluyendo
la localización de las interlineas, que corresponden a los puntos de la red en que el control de la carga
es transferido de un operador a otro. Las decisiones de elección de ruta incluyendo el número y
localización de las interlineas es determinado conjuntamente por los despachadores y transportistas
involucrados. A pesar de que el punto de transferencia de la carga (interlinea) puede ser especificado
por el despachador, es más comúnmente determinado por el primer operador que interviene en la
cadena de transporte; este tiene por objetivo maximizar su beneficio económico, pero debe ofrecer un
nivel de servicio razonable al despachador a fin de mantenerlo como cliente. Los principios usados en
la modelación son los siguientes:
Si existen varias rutas elegibles se escoge la que maximiza el ingreso percibido por
el primer operador en la cadena de transporte.
Si existe más de un operador inicial potencial la carga se divide entre todos ellos de
acuerdo con alguna regla pre especificada.
A pesar de que el proceso de transferencia de la carga en los puntos interlínea ocasiona costos,
demoras e incertidumbres adicionales que normalmente tratan de evitarse, la aplicación del primer
principio especificado ignora varios factores importantes en la operación real de un sistema de
transporte de carga; por ejemplo, las condiciones y trazado de las líneas y las demoras causadas por
la congestión existente en las líneas y patios intermedios, influyen en forma importante en la elección
de ruta en la práctica. El segundo, y cuarto principios, parecen razonables y el segundo se basa en el
reconocimiento de la fuerte posición negociadora que tiene el primer operador con respecto al resto
de los subsecuentes operadores, dado que el aporta el equipo y negocia las tarifas con el
despachador. El modelo no considera el problema del retorno del equipo vado.
Este es también un modelo ferroviario (Kornhauser et al., 1979) conformado por dos submodelos.
El primero simula las decisiones de ruteo al intenor de un operador y el segundo determina los
movimientos entre distintos operadores. Las rutas al interior de un operador son determinadas
calculando rutas mínimas sobre la subred correspondiente y suponiendo costos fijos en cada arco.
Los movimientos entre operadores son determinados considerando una red total, que incluye las de
todos los operadores, unidas por arcos especiales que representan los puntos de interlinea; a estos
arcos se les asigna un elevado costo de operación a fin de evitar que sean elegidos con demasiada
frecuencia. En ambos modelos se utilizan libre y discrecionalmente los costos de operación sobre los
arcos, como parámetros de calibración a fin de obtener el mejor ajuste posible entre los flujos
observados y los modelados. No se considera el retomo de vehículos vados.
Los dos modelos más importantes desarrollados a la fecha: i) el Modelo de Equilibno de Redes de
Transporte de Carga (Freight Network Equilibnum Model: FNEM) y ii) el Modelo de Planificación
Estratégica para Flujos Multiproducto de Carga Interurbanos (STAN), serán tratados en forma
separada en las secciones siguientes. Estos modelos son los más sofisticados disponibles y
constituyen el estado del arte en materia de modelos interurbanos de redes de transporte de carga y
por lo tanto merecen un análisis más detallado. Antes de ello revisaremos sin embargo un enfoque
alternativo de modelación, que es complementano al revisado en la presente sección y que algunos
autores han propuesto recientemente integrar con los modelos de redes más desarrollados existentes,
Fneszetal, (1993).
Al igual que los modelos revisados en la sección anterior, estos utilizan una representación explícita
del sistema de transporte mediante una red. En este caso sin embargo se consideran solo las
interacciones entre productores, consumidores y despachadores, correspondientes a las representadas
en el tnángulo supenor de la Figura 1; los transportistas u operadores se dejan fuera del análisis y en
su lugar se definen funciones de costo de transporte sobre los elementos de la red, que los representan
en forma indirecta. En general la representación de la red o sistema de transporte es más bien
agregada y simplificada.
El modelo considera un conjunto de nodos que se pueden clasificar en dos clases diferaites:
centroides, que representan regiones productoras y/o consumidoras y nodos de transferencia
(ruteadores) que corresponden a puntos de intersección (o confluencia) de distintos arcos de la red, en
los que no existe generación ni atracción de viajes, sino que únicamente transferencia de flujos. Los
arcos pueden ya sea conectar directamente distintos centroides, o hacerlo a través de una serie de
nodos de transferencia. A cada centroide que representa una región productora se le asocia una
función de oferta y una función de demanda a cada región consumidora. Sobre dicha red se busca un
conjunto de flujos de equilibrio caracterizados por las siguientes dos condiciones:
Si existe un flujo del producto "k" desde la región A (exportadora) hacia la región
B (importadora), entonces el precio final de equilibrio en la región A más el costo
de transporte entre A y B, debe ser igual al precio final de equilibrio en la región B.
Si el precio final del producto "k" en la región A más el costo de transporte entre A
y B es mayor que el precio final en la región B, entonces no puede haber flujo desde
A hacia B.
En este modelo las demandas por transporte son derivadas de la necesidad de mover los productos
entre regiones exportadoras e importadoras, que alcanzan un equilibrio espacial de precios, cuando
están unidas por un sistema de transporte.
(a)
(b)
(c)
En un paper clásico en este tema, Samuelson (1952) elabora el enfoque antenor proponiendo una
formulación, basada en programación matemática, como un problema de optimizadón, sobre una
red como la de la figura 2-a. Usando una función objetivo que interpreta como "baieficio social
neto", aplica las condiciones de Kuhn-Tucker para obtener las condiciones matemáticas de IUI
equilibrio espacial de preaos.
Beckman, et al., (1956) en un capítulo acerca de "Algunos Problemas no Resueltos", plantea que el
modelo de equilibrio espaaal de preaos seria muy útil en el análisis de sistemas de transporte de
carga. Takayama y Judge (1964 y 1971), plantean un problana de programación cuadrática
suponiendo que las funaones de oferta y demanda tiaiai una fonna lineal y los costos de transporte
son constantes e independientes de los flujos. El modelo considera vanos productos y los autores lo
aplican para resolver un ejemplo.
Flonan y Los (1982), consideran una red con nodos de transferenaa, como la mostrada ai la Figura
2.2-b, y funaones no lineales, para formular un problana de optimización cuya solución
corresponda a un equilibno espacial de preaos. Sin anbargo, su procedimiaito de solución
presenta problemas debido a que está basado en un enfoque que requiere enumeraaón de rutas aitre
pares O-D.
Tobin y Fnesz (1983), usan una red general del tipo presentado en la Figura 2.2-c, ai la que LUÍ nodo
puede representar un ongai, un destino o un punto de transferaiaa A partir de dicha fonnulacion
muestran que no es necesano considerar explícitamente los flujos en rutas (como ai el caso de
Florian y Los, 1982), con lo que se reduce considerablanente el esfuerzo computacional requendo
para obtener una solución. Sin embargo, este enfoque de modelación supone ai fonna implícita que
existe sustituibihdad de productos en cada nodo de la red, esto quiere dear que ai LUÍ nodo de
transferenaa, los flujos que aitran y salen no puedaí ser identificados y distinguidos según su destino
final. Esto resulta en una modelación poco realista ai aquellas situaciones ai que se requiere
identificar movimientos especificos entre pares O-D, como es el caso de carros de ferrocarnl
(Harker, 1985). Los autores examinan también las propiedades de existenaa y unicidad de las
soluaones, para lo cual usan una fonnulacion como problana complementario no lineal (PCN) y
analizan las características de convergaiaa de LUÍ algoritmo de solución correspondíale
Existen vanas aplicaciones de este concepto ai estudios de transporte de carga, sin embargo, pocas
de ellas consideran un enfoque multiproducto y la mayoría corresponde al análisis de los sectores
agrícola y de energía.
El estado del arte en la modelaaón de redes de transporte interurbano de carga, esta represaitado
fundamentalmente por dos modelos i) el Modelo de Equilibno de Redes de Transporte de Carga
(Freight Network Equilibnum Model FNEM) y n) el Modelo de Planificación Estratégica para
Flujos Multiproducto de Carga Interurbanos (STAN) A continuación se hace un análisis de cada
uno de ellos:
Este modelo (FNEM) fue desarrollado por un equipo conjunto de investigadores de la Universidad de
Pennsylvania (Penn) y el Argonne National Laboratory (ANL), bajo el patrocinio del Departamento
de Energía de los Estados Unidos de Norte América. Una descripción conceptual del modelo puede
encontrarse en Friesz et al., (1981) y una descripción resumida se entrega en Friesz et al., (1983b).
• • "
Se usan dos redes distintas, una agregada para modelar el comportamiento de los
despachadores y otra desagregada para modelar el comportamiento de los
operadores.
Las producciones y atracciones de los productos a ser transportados son fijas, pero
su distribución O-D es variable.
FNEM, modela las decisiones de los despachadores y operadores en forma secuencial, tal como se
representa en el diagrama de la Figura 3. Se supone, que los despachadores tratan unilateralmente de
minimizar el precio de entrega final de los productos que envían, el que se compone de la suma del
precio en origen más el costo de transporte (que incluye la tarifa y el costo económico del tiempo de
viaje), por lo que su comportamiento puede representarse mediante una variante del primer principio
de Wardrop (equilibrio de usuarios).
FNEM usa un detallado procedimiaito de tipo contable, que está implementado ai un algontmo
daiominado de descomposición (Figura 3), para determinar las matnces O-D correspondientes a
cada operador que controla una subred.
Cada operador corresponde a una empresa, que se supone actúa de acuerdo a un cnteno de
maxiiruzación de beneficios; sin embargo, dado que ai el enfoque secuaiaal utilizado, el submodelo
de los operadores recibe matnces fijas de demandas por transporte aitre pares O-D, detenninadas
por los despachadores (correspondíaite al resultado del submodelo de despachadores) el ingreso
percibido será constante y por lo tanto puede considerarse que maximización de benefiaos es
equivalente a minimización de costos. Por lo tanto, el comportamiento de los operadores es
represaitado a través del segundo pnnapio de Wardrop (óptimo de sistema).
Los flujos de retorno de vehículos vacíos son considerados en forma indirecta mediante ajustes de las -
funciones de costos y demoras.
-
Es importante hacer notar que FNEM no está restringido a trabajar con funciones de costos y
demoras que sean estrictamente crecientes, como en el caso de los modelos urbanos de redes de
transporte. Sin embargo, si se utilizan funciones decrecientes, para representar la existencia de
economías de escala o de densidad de flujos, las funciones objetivo de los submodelos de
despachadores y operadores pueden resultar no convexas, lo que ocasionará la posibilidad de obtener
múltiples soluciones correspondientes a óptimos locales de los problemas de programación
correspondientes. Cuando esto ocurre, el mismo algoritmo de Frank-Wolfe puede usarse para
obtener una solución, pero debe tenerse cuidado en la elección del paso de avance de la segunda
etapa del algoritmo, a fin de garantizar la obtención de un óptimo local. Avriel (1976) provee detalles
respecto de varias reglas de selección, que pueden ser usadas para garantizar la convergencia del
algoritmo a un óptimo local, cuando la función objetivo no es convexa.
Se han realizado extensivas pruebas de validación de este modelo aplicándolo a la red de transporte
interurbano de carga de Estados Unidos (Friesz, Gotrfried y Morlok, 1983) y los resultados indican
que su capacidad de predicción es substancialmente superior que la de los modelos anteriores (ver
sección 2).
Es también un modelo de redes que considera distintos modos (multimodal) y distintos productos
(multiproducto) (Crainic, Florian y Leal, 1990). Fue desarrollado inicialmente por investigadores de
la Universidad de Montreal y es actualmente comercializado a través de la empresa canadiense
ENRO Consultants Inc.
£] 2
a
^ ^
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995)
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995)
MODELOS DE REDES DE CARGA: ESTADO DEL ARTE TRANSPORTE INTERURBANO
La red base está compuesta por un conjunto de nodos, arcos y modos que represaitan todos los
movimientos posibles sobre la infraestructura disponible. Cada arco es identificado mediante tres
parámetros: el nodo cabeza, el nodo cola y el modo al que el arco pertenece, si existe más de un
modo disponible para transportar un producto aitre dos nodos adyacentes, éstos se represaitan
mediante arcos paralelos. En esta forma, el modo es una parte integral de la red y no solo un atnbuto
de los arcos. La definición de cada arco mediante tres parámetros es importante para evitar
dificultades con la aplicación de algontmos de redes (ej. rutas mínimas).
Los nodos representan localizaciones físicas ai el espacio analizado (ciudades, puertos, patios de
carga, interlíneas, etc.). Existen dos tipos de nodos que juegan LUÍ rol especial ai la red los caitroides
y los nodos de transferencia intermodal. Estos últimos debaí ser asociados con las funciones de costo
y de demoras apropiadas, lo cual puede requenr una expansión mediante su reemplazo por vanos
nodos y arcos especiales, que formen un grafo bipartito. Los caitroides a su vez, tienai asociados
generaaones y atracaones de viajes y se unai a la red mediante arcos daiominados conectores, los
que pueden usarse para modelar los puntos de entrada de los productos ai las zonas
Los flujos son las pnnapales vanables del modelo. Estos son expresados ai dos formas diferaites i)
en términos de una unidad común de medida, normalmente toneladas, lo que pemiite asegurar la
compatibilidad entre diferentes modos mediante una modelaaón uniforme del flujo a través de toda la
red y ü) en términos del número de vehículos necesanos para transportar el flujo asignado a cada
arco de la red, a fin de realizar un cálculo realista de los costos de operaaón sobre la infraestructura
y las demoras denvadas de la congestión produada.
La congestión tiene una influencia muy importante en los niveles de serviao finalmente obtandos. El
modelo considera funciones flujo-demora que afectan tanto a los tiempos de viaje, como a los costos
de transporte; estas pueden ser calibradas como funciones no lineales, que en pnnapio puedaí ser
no-convexas y asimétncas, en términos de la consideraaón de los efectos cruzados de congestión,
produados por el transporte de aferentes productos.
Se define una funaón de costo generalizado sobre cada elemento de la red multimodal, como una
suma ponderada de una funaón de costos de operación, una funaón de tiempo de viaje (danora) y
una función de consumo de energía; los ponderadores de cada uno de estos términos son parámetros
que indican la importanaa relativa de cada uno de los componentes considerados En casos
particulares es posible dar valor cero a algunos de estos parámetros, a fin de usar un cnteno espeaal
de análisis; en otros casos, los pesos relativos de cada componente pueden calibrarse para reflejar
diferentes pnondades o políticas. El uso de STAN no impone ninguna regla espeaal para la elecaón
de los elementos de costo a considerar (tracaón, mantención, personal, combustibles, lubncantes
etc.), sin embargo los mismos elementos debieran incluirse para todos los modos y ai las mismas
unidades
5. DESARROLLOS FUTUROS
Los análisis de las secciones anteriores permiten concluir que los modelos existentes presentan
todavía algunas limitaciones en los siguientes aspectos importantes:
1. Interacciones despachadores operadores. Aún los modelos más avanzados que consideran en la
modelación los principales agentes que intervienen en el sistema en la realidad, realizan una
modelación secuencial de las decisiones de los despachadores y operadores. Sin embargo, solo una
modelación simultánea (determinación simultánea y consistente de las decisiones de todos los agentes
interactuantes) asegura la obtención de una solución única y consistente.
Harker y Friesz (1985, 1986a, 1986b) muestran que, si se supone una interacción del tipo Cournot-
Nash entre despachadores y operadores, es posible formular el problema de equilibrio conjunto con
una sola desigualdad variacional; además, bajo ciertos supuestos, es posible usar una combinación
de algoritmos de linearización (gradiente), relajación y diagonalización, para resolver dicha
desigualdad variacional. Los subproblemas que se obtienen como consecuencia de la aplicación de
diagonalización, pueden ser expresados como problemas de optimización y resueltos mediante la
aplicación del bien conocido algoritmo de Frank-Wolfe y otros algoritmos estándar.
2. Equilibrio parcial vs. Equilibrio general. Los modelos existentes usan como datos los precios
que los productos a ser transportados tienen en distintas localizaciones del espacio. Por lo tanto, no
toman en cuenta las interacciones que existen entre el equilibrio del mercado de los productos, que
son objeto de transporte (y que determina los precios finales de estos) y el equilibrio del mercado de
transporte que determina las cantidades transportadas y los niveles de servicios y costos
experimentados. A fin de obtener un resultado consistente entre ambos mercados es preciso realizar
un tratamiento simultáneo que considere las interacciones que entre ellos existen.
mm
6] 4 ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995)
MODELOS DE REDES DE CARGA. ESTADO DEL ARTE TRANSPORTE INTERURBANO
Como se mencionó en la sección 3 , Tobín y Fnesz (1983) y Fnesz et al., (1983b), muestran que el
concepto tradicional de "problema de equilibno espacial de precios", puede ser extendido con la
consideración de redes de transporte que incluyan explícitamaite funciones de costos, demanda y
oferta no lineales La formulación típica del problema de equilibno espacial de precios (ver sección
3 ), no incluye explícitamente funciones de demanda por servíaos de transporte, sino que las
considera en forma implícita, denvando las cantidades de servíaos demandados, como consecuencia
de las características de producaón y consumo en mercados espaaalmente separados.
En consecuenaa, debiera ser posible usar un modelo de equilibrio espaaal de precios para
reemplazar el submodelo de despachadores incluido ai FNEM, con lo que este se convierte ai un
modelo con generaaón vanable y aidógaia. En tal caso, el resultado obtenido aitrega
simultáneamaite, tanto las condiaones de equilibno sobre el mercado de transporte (flujos y niveles
de serviao), como los preaos de equilibno de los productos transportados, en cada localizaaón
espaaal considerada; es dear, se obtiene lo que se daiomina un equilibno general. Tal fonnulaaón,
con generaaón aidógena fue propuesta por Harker y Fnesz (1985, 1986a, 1986b) y da ongai a lo
que Harker (1987) daiomina Modelo Gaieralizado de Equilibno Espaaal de Preaos (GSPEM).
-
AGRADECIMIENTOS
REFERENCIAS
Crairuc, T.G., Florian, M. y Leal, J.E. (1990). A model for Strategic Planning of National Freight
Transportation by Rail. Transportation Science, 24(1, 1-24.
Enke, S. (1951). Equilibrium Among Spatially Separated Markets: Solution by Electnc Analogue.
Econometrica 19, 40-47
Fernandez, J.E. y Friesz, T.L. (1983). Equilibrium Predictions in Transportation Markets: The
State of the Art. Transportation Research 17B. N° 2:155-72.
Florian, M. y Los, M. (1982). A New Look at Static Spatial Pnce Equilibnum Models. Regional :
Science and Urban Econ 12, 579-597
Fnesz, T.L., Gottfned, JA. y Morlok, E.K. (1983). A Sequential Shipper-Carner Network Model
for Predicting Freight Flows. Transportation Science, 20(2), 80-91.
Fnesz, T.L, et al (1983b). A nonlinear Complementan/ Formulation and Solution Procedure for
the General Denved Demand Network Equilibnum Problem. Journal of Regional Science, 23(3),
337-359.
Friesz, T.L., Westin, L. y Zhong-Gui Sou (1993) A Spatial Computable General Equilibnum
Model. Umea Economic Studies N° 330, University of Umea, ISSN 0348-1018.
Harker, PT. (1985a). The Spatial Pnce Equilibnum Problem with Path Variables. Socio-Econ.
Planning Sci, forthcoming.
Harker, PT. (1987). Predicting Intercity Freight Flows. Topics in Transportation, M. Flonan
Editor. VNV Science Press, Utretch, The Netherlands.
Harker, P.T. y Friesz, T.L. (1985). The Use of Equilibrium Network Models in Logjstics
Management: with applicationtothe U.S. Coal Industry, Transp. Res. 19B(5), 457-470.
Harker, PT. y Friesz, T.L. (1986a). Prediction of Intercity Freight Flows, I: Theory, Transp. Res.
20B(2), 139-153.
Harker, P.T. y Friesz, T.L. (1986b). Prediction of Intercity Freight Flows, II: Mathematical
Formulation, Transp. Res. 20B(2), 139-153.
Komhauser, A L , Hornung, M., Harzony, Y., y Lutin J. (1979). The Pnnceton Railroad Network
Model: Application of Computer Graphics inthe Analysis of a Changing Industry. Presented at the
1979 Harvard Graphics Conference. Transportation Program, Pnnceton University, Pnnceton,
N.J.
Kresge, D.T. y Roberts, P.O. (1971). Systems Analysis and Simulation Models. Vol II of
Techniques of Transport, Meyer, J.D. (Ed). The Brookings Institute, Washington, D.C.
Lansdowne, Z.F. (1981). Rail Freight Traffic Assignment. Transportation Research, 15A.183-
90.
LeBlanc, L.J., Morlok, E.K. y Pierskalla, W.P. (1975) An Efficient Approach to Solvingthe Road
Network Equilibnum Traffic Assignment Problem. Transp. Res. 9, 309-318.
Peterson, E.R. y Fullerton, H.V., eds. (1975). The Railcar Network Models. Report N° 75-11,
Canadian Institute of Guided Ground Transport. Queen's University, Kingston, Ontario.
Roberts, P.O. (1966). Transport Planníng: Models for Developíng Countnes. Unpublished
PhD. dissertation, Northwestern University.
Samuelson, P.A. (1952). Spatial Price Equilibrium and Linear Prc^amming. American Econ.
Rev. 42, 283-303.
Takayama, T. y Judge, G.G. (1971). Spatial and Temporal Price and Allocation Models. North-
Holland/American Elsevier Pub. Co., New York, NY.
Tobin, T.L. y Friesz, T.L. (1983). Formulating and Solving the Derived Demand Network
Equilibrium Problem in Terms of Are Variables. J. of Reg. Sci. 23, 187-198.
Manuel Díaz C.
Dirección de Planeamiento
Ministerio de Obras Públicas MOP
Morando 59 Stgo. Chile
Fono 6992233-2612 Fax 6716178
RESUMEN
El tratamiento de la tanficación vial en redes viales urbanas de transporte, constituye hoy en día una
interrogante recurrente en ingeniería de transporte, dada la vanedad de impactos que provoca en el
sistema de transporte, y las posibilidades que presentan los modelos disponibles en el mercado para
representarlos y simularlos.
Para realizar lo antenor, el trabajo comienza con una descnpaón teórica del problema que se
resuelve, los enfoques que este posee, los supuestos pnncipales involucrados, indicando los
pnncipales algontmos que disponen los modelos estudiados para responder a la solución de los
problemas.
Enseguida se realiza una descnpaón operativa de los modelos, indicando sus prinapales
características. Especial interés adquiere, el tratamiento de la compatibilidad de informaaón. En
Chile, tradiaonalmente el tratamiento de las redes viales se ha hecho en ambiente SATURN, lo cual
equivale a disponer de una gran cantidad de parámetros e informaaón calibrada y validada bajo este
modelo.
La solución de los problemas de asignación de viajes en las redes de transporte urbano con demanda
inelástica, conocidos también como problemas de equilibrio de tráfico, se fundamentan en los
conocidos como 1er y 2 Principios de Wardrop.
La forma de representar las funciones de oferta o costos en los arcos para los distintos usuarios y h
forma como estos usuarios perciben estos costos da origen a distintos planteamientos y enfoques
para solucionar los problemas.
En este punto se revisan los planteamientos relativos a la asignación multiclases de usuarios que
disponen los modelos SATURN y EMME2, dada las facilidades que otorgan para simular de mejor
forma el efecto de la tarifa o peaje en las funciones de oferta por arco.
Junto a esto se revisan los enfoques deterministico y estocástico para enfrentar los problemas. Se
comienza describiendo la notación, la cual será válida para los dos modelos estudiados:
2.1 Notación
índices
vanaoles
Conjuntos
- SATURN
(1)
• . • • • . :
donde
El tiempo en el arco a depende sólo del flujo en ese arco (función separable) y
además del total de flujo en el arco.
(2)
donde
(3)
donde
(4)
El primer término de la función objetivo es la integral estándar del tiempo de equilibrio con una clase
de usuario, mientras que el segundo término es el conjunto total de costos percibidos en unidades de
tiempo, sumados sobre todos los arcos a, para todas las clases m de usuarios y para todas las
componentes k fijas del costo ( una de estas puede ser por ejemplo la tarifa ).
(5)
Es demostrable, usando la expresión (2), que el Jacobiano de la función de costo anterior es simétrico
ya que se cumple:
(6)
- Algoritmo de Solución
Dado que el problema es diagonal, el algoritmo que se usa para resolver el problema (3) es
esencialmente una generalización del algoritmo de Frank-Wolfe, realizando el proceso tradicional de
dos fases del algoritmo aplicado en este caso consecutivamente a cada clase.
Se debe generar una solución inicial factible, asignando por ejemplo los viajes T™ "todo o nada" a
costos a flujo libre por clase .
De esto se obtiene
iteraciones
Se deben repetir los pasos 2.1 a 2.5 siguientes para las clase m=l, ,M, excluyendo aquellas clases
de usuarios con b„m=0, dado que estas permanecen con sus rutas fijas, calculadas de la etapa 1, al no
depender los costos de los flujos en la red.
2.1 Dado
2.2 Ia Fase F-W, Búsqueda Solución Auxiliar: Asignar todo o nada a la ruta de costo
mínimo vigente para obtener la solución auxiliar
2.3 2° Fase F-W, Optimización dirección descenso : Actualizar los flujos para cada clase de
acuerdo a:
, con
La solución de 2.3 se obtiene, resolviendo el problema de ec. (3) con respecto a lambda, es decir:
La expresión anterior indica que se debe transferir un número suficiente de viajes para cada clase de
usuanos, desde sus rutas de costo mínimo Fam de manera tal que se cumpla que la suma total de los
costos actuales percibidos por clase Vam sean iguales a los de las ruta de costo mínimo.
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) " • AO'l
FERNANDO BRAVO F. - MANUEL DÍAZ C.
Criterios de Convergencia
Se define una medida del exceso de flujo sobre la ruta de costo mínimo de la siguiente forma:
donde:
- EMME2
En EMME2 (EMME, 1994) se utiliza la misma lógica para enfrentar el problema, asumiendo que
los costos del arco a percibidos por el usuario de clase m pueden ser expresarse como:
(7)
Lo anterior implica que las diferentes clases de usuarios están sometidos al mismo efecto de
congestión (que depende del flujo total del arco), pero cada clase de usuario percibe una constante
diferente B™.
Como se puede apreciar la expresión (7), tiene la misma estructura que la expresión (5) anterior, por
lo cual se cumplen las condiciones representadas en (6) y es válido el mismo planteamiento de
problema utilizado en SATURN, representado en (3).
EMME2 utiliza también el algoritmo de Frank Wolfe para solucionar el problema, aplicado
consecutivamente a cada clase, de la misma forma como se presentó en el caso de SATURN.
El enfoque determinístico de los problemas de asignación asume que los usuarios eligen sus rutas de
mínimo costo, asumiendo que estos tiene información perfecta de los tiempos de viaje ai la red, que
ellos actúan en forma racional y de igual forma. El enfoque estocástico relaja algunos de estos
supuestos incluyendo una componente aleatoria en la percepción que tienen los viajeros del tiempo de
viaje.
Cada usuario al percibir distinto los costos de viaje puede escoger rutas diferentes; luego el costo de
viaje de cada ruta es una variable aleatona, asociada a alguna función de probabilidad.
- SATURN
En SATURN se realiza un supuesto simple que indica que cualquier costo que quede ai el rango
- Algoritmo de Solución
La solución del problema se realiza a través de un algoritmo conocido como "Método de los
Promedios Sucesivos", (MSA) que presaita una lógica similar al algontmo de Frank-Wolfe Sin
embargo las diferencias
diferaicias se presentan en la fonna como se solucionan las fases del algontmo: •
Primera fase: La búsqueda de la solución auxiliar se realiza a través de una asignación del
tipo Burrell, en vez de una asignación todo o nada como en el caso detenninístico
Segunda fase: La búsqueda de la nueva solución se realiza usando la relación 1/1, ai vez de
hacerse una combinación lineal de mejores soluciones factibles (búsqueda del lambda) como
en el caso deternnnístico.
mm
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) 625
FERNANDO BRAVO F - MANUEL DÍAZ C,
La razón de escoger el factor promedio 1/1 en la segunda fase, asegura que después de I iteraciones el
flujo total es dividido igualmente entre todas las I rutas soluciones de cada iteración, generándose de
ahí el nombre de los promedios sucesivos.
La solución del problema multiclase estocástico también se determina aplicando el algoritmo MSA
consecutivamente para cada clase, siguiendo la misma lógica de etapas presentada para el caso
deterministico.
- EMME2
Usando la misma argumentación que en SATURN, supone que en cada asignación estocástica el
costo de cada arco de la red se compone de un término deterministico dado por la función original de
flujo tiempo, y por un término aleatorio que perturba el costo del arco.
Esta perturbación se genera con un número aleatorio, el cual es distinto para cada arco y para cada
asignación. Así, el costo del arco percibido Ca está dado por la siguiente expresión:
donde
El Algoritmo de solución en EMME2 también utiliza un algoritmo del tipo promedios sucesivos
para la solución del problema, aplicado consecutivamente para cada clase.
3 - DESCRIPCIÓN DE MODELOS
Dado que el software SATURN es bastamente conocido en el mercado chileno, por lo cual no
merece mayor presentación; en este punto, se describen las principales características del sotfware
EMME2, considerando la mayor novedad que presenta en Chile para el tratamiento de redes. Se hará
mención de SATURN cuando se requiera, sólo de manera comparativa para ciertos procesos.
también provee procedimiaitos útiles para el manejo de datos, incluyaido validaaon de datos de
entrada. Su base de datos se estructura de modo de permitir la descnpción, el análisis y la
comparación simultánea de vanos escálanos.
En su concepción, EMME2 está construido ai base a los planteamientos del modelo de transporte de
cuatro etapas, ofreciaido como alternativas los enfoques secuencial y simultáneo para enfrailar el
problema de equilibno de mercado.
En la Tabla 1 siguiaite se presenta una comparación entre los modelos estudiados, indicando la
fonna de tratar los elemaitos pnnapales que interviene! en el análisis de redes urbanas, presentando
sus pnnapales ventajas y desventajas.
Tabla 1
Comparación de Modelos SATURN / EMME2
Concepción del modelo Sólo resuelve el problema de asignación de Resuelve problema de equilibno de tráfico y
vehículos a la red (equilibrio de tráfico con también equilibrio de mercado multimodal.
demanda inelástica )
Codificación de las Red para transporte privado, donde los Tiene la ventaja que considera una red común
redes vehículos del resto de los modos se donde mteractúan todos los modos,
especilican descontando capacidad. La especificándose en cada arco los modos que
codificación se formula a partir de un formato acceden a el I ,a codificación puede ser realizada
estándar en formato estándar, o interactivamente con
comandos gráficos
Especificación de Ventaja en el tratamiento de red INNER para El tratamiento es únicamente estratégico, el cual
funciones oferta redes tácticas, además de poseer la alternativa incluye funciones de penalización ai los giros para
de formato BUITER útil para redes representar con mayor exactitud la operación de la
estratégicas red.
Tratamiento de Se codifica externamente las lineas como Tiene la ventaja que las líneas se codifican
transporte público rutas lijas y funcionan descontado interactivamente o en fonna externa. Resuelve
capacidad, efectiva de asignación para los además el problema de asignación de usuanos a
vehículos livianos donde se entreme/clan los la red de transporte público . usando el criterio de
vehículos No existe asignación de pasajeros estrategia óptima (Spiess et al. 1990)
a las diferentes lineas.
Calibración de redes 1 Itih/ü maximi/üción de entropía para el Al igual que SATURN. el ajuste de los parámetros
ajuste de matrices mediante conteos, 1.1 ajuste es manual, aunque el algontmo de ajuste es
de parámetros de la red es manual distinto, conespondiendo a un método de
aproximación de gradiente (Spiess. 1991)
Corridas del modelo Se puede operar el modelo en forma 121 términos generales es similar a la operación
interactiva, o concatenando módulos y con SATI IRN. con archivos de comandos
procesos repetitivos a través de archivos de operando en la modalidad de macros.
comandos
Análisis de redes Eos resultados son analizados Posee la ventaja que los resultados . v en general
Iradicionalmente en formato de archivos. todos los elementos de la red . matrices y los
I '.xiste módulo gráfico poco utilizado procesos, pueden ser validados y analizados
naturalmente en fonna gráfica, ademas de
archivos.
Compatibilidad de la I.a información de matrices, redes BUITER. y transporte público son compatibles. La
información compatibili/üción a ni\ el de nodos . movimientos v características de estos no es directa (redes
INNER SATURN)
Considerando los elementos teóricos y operativos reseñados en los puntos antenores, la inquietud
fundamental pasa por responder una sene de interrogantes relativas a como incorporar los efectos de
tarificación en una red urbana.
A continuación se presentan una serie de aplicaciones de los modelos, sobre una red vial calibrada en
ambiente SATURN, para la suma de los cuadrantes Nor-Oriente y Nor-Poruente de la ciudad de
Santiago, sobre la cual se ha incorporado el eje de proyecto conocido como Costanera Norte.
Es importante mencionar que en este ejercicio sólo se ha tomado el eje Costanera Norte como
referencial, en ningún caso esto constituye ni mucho menos la solución que se incorporará para este
proyecto. Así, se han hecho algunos supuestos relativos al trazado y los accesos del proyecto. La red
utilizada (ver Figl) corresponde a una red tipo buffer SATURN que tiene las siguientes
caractensticas:
Tabla2
Características red utilizada
La demanda de viajes considerada corresponde a una matnz hora Punta Mañana con 81377
Para el análisis de cada corrida del eje de proyecto tanficado sobre la red antenor, se han definido
tramos del eje con su código, basados en viajes tipos, asoaándole un arco representativo al tramo, en
el cual se localizaría el punto de cobro, quedando con sus tanfas por sentido expresado en la
Tabla 3 . Además, se tarifican algunos accesos al eje de proyecto, los cuales se expresan en la Tabla
4 siguiente:
Tabla 3
Localización y Tarifa de Puntos de Cobro
Tabla 4
Accesos al Eje proyecto
Se plantean dos enfoques para incorporar la tarifa: En fonna continua a través del eje o
representando el cobro mediante un conjunto discreto de puntos en él.
Aplicaciones realizadas:
1.1 Corrida a $15/km con 1 clase de usuario con un valor subjetivo del tiempo (VST) medio de
$2302 ($/hr) (obtenido de acuerdo a Tabla 7).
i.2 Corrida con 1 clase de usuano con VST medio, discretizando el cobro ai puntos del eje de
acuerdo a las tabla 3 y 4.
shr-
Los resultados obtenidos se presentan en las tablas 5 y 6 siguientes:
•
Tabla 5
Resultado Comparación Corridas i.l versus i.2 Sentido Oriente-Poniente
SATURN EMME2
Tramo i1 i.2 il i.2
4 ARCOS Long. Flujo Tiempo Flujo Tiempo Flujo Tiempo Flujo Tiempo
(km) (veq/hr) (seg) (veq/hr) (seg) (veq/hr) (seg) (veq/hr) (seg)
1 6 8 56 1118 7.91 1510 7 94 1130 7.86 1460 7.93
Tabla 6
Resultado Comparación Corridas i.l versus i.2 Sentido Poniente-Oriente
SATURN EMME2
Tramo i1 1.2 i1 1,2
«ARCOS Long. Flujo Tiempo Flujo Tiempo Flujo Tiempo Flujo Tiempo
(km) (veq/hr) (seg) (veq/hr) (seg) (veq/hr) (seg) (veq/lir) (seg)
1 6 8 56 883 7.91 1360 7.93 998 7.86 1360 7.93
. . . • . , . .
Comparando la corrida i. 1 con i.2, se observan diferencias importantes solamente en los tramos mas
cortos, ya que la tanfa por km en este caso es despreciable; sin embargo, a nivel de total del eje las
diferencias son bastante menores.
Por su parte, los resultados que entrega EMME2 y SATURN a nivel determinístico para una clase
de usuano son muy similares, mantienen la misma estructura tanto en flujo como en tiempo, son
ambos nulos en el tramo 4 para la coinda i.2, aumentando la similitud en sentido Poniente-Oriente,
donde existan menos demanda.
Aplicación realizada:
11 1 Eje tarificado de acuerdo a Tabla 3 para 3 clases de usuanos suponiendo los siguiaites
VST:
Tabla 7
Valores Subjetivos Tiempo por Tipo de Usuarios
Los resultados de las corndas realizadas con los modelos para responder la pregunta son los
siguiaites:
Tabla 8
Resultado Comparación Corridas ii.l Sentido Oriente-Poniente ambos modelos
SATURN I-.MMH2
Tramo Muios ( leq/lir) Tiempo Flujos ( veq/hr) Tiempo
Alto Medio Bajo Total (muí) Alto Medio Iíau> Total (muí)
I (tal 812 494 244 1551 33.09 677 601 241 1519 3.3 08
Tabla 9
Resultado Comparación Corridas ii.l Sentido Poniente-Oriente ambos modelos
SATURN i;MMh2
Tramo Flujos ( eq/hr) Tiempo Timos ( teq/lu ) Tiempo
Alto Medio Bajo 'Total (muí) Alto Medio Ba <> 'Total (muí)
3 7.34 694 .361 1788 .3 0.3 682 718 344 1744 3 0.3
4 22 0 0 22 0 60 19 0 0 19 0 60
5 1.38 157 106 401 3 20 129 154 107 390 3 20
6 127 106 39 272 12 79 110 104 .38 251 12 79
Total .301 30.3 188 792 32 26 281 .304 175 761 .32 25
No se observan mayores diferaicias aitre las corndas detenninisticas con clases de usuanos aitre
SATURN y EMME a nivel del tiempo y flujo total. Sin embargo, a nivel de clases de usuanos
existen algunas diferaicias ai el flujo ai las categorías de ingresos altos en el tramo Onaite-Poniaite
de mayor demanda.
Si comparamos esta cornda iii. 1 con la cornda i.2 antenor para una clase usuano, aparecaí ai ni 1,
en el tramo 4 de Poniaite a Onente, usuanos de ingresos altos dispuestos a pagar $ 100 por su uso, lo
cual ya nos habla de un impacto importante de la tanficacion ai la asignación ai las distintas clases,
aunque ai el total de flujo y ti aupo no se observaí grandes diferencias.
Las corridas anteriores de i- y ii- se realizaron siguiaido un enfoque detenninístico; ai este punto,
se introduce el arfoque estocástico.
Aplicaciones realizadas:
iii. 1 Eje tarificado de acuerdo a tabla 3 para 1 clases de usuario, para una dispersión
alta ( a = 0.2 ).
iii.2 Eje tarificado de acuerdo a tabla 3 para 3 clases de usuanos para una dispersión
igual y baja ai cada uno de ellos (esta cornda se trabajó solo con S ATURN,
con un parámetro de dispersión a= 0.06).
Tabla 10
Resultado Comparación Corridas iii. 1 versus iii.2 Sentido Oriente-Poniente
SATURN BMME2
Tramo iii. 1 di 2 m 1
Flujo Tiempo Flujo (veq/hr) Tiempo Flujo Tiempo
(veq/hr) (mm) Alto Medio Bajo Total (mm) (veq/hr) (mm)
1 1425 7 94 507 600 378 1486 794 1581 7 89
2 3367 5.35 2018 1217 95 3330 5.33 3430 4 81
3 2730 3.28 1697 878 256 2831 3 26 2552 3 02
4 759 0 60 936 109 29 1075 0.60 849 0 60
DIFHRHNCIAS 67 -0.031
Tabla 11
Resultado Comparación Corridas iii. 1 versus iii.2 Sentido Poniente-Oriente
SATURN FMMF.2
Tramo iii.l iii 2 iii 1
4 33 0 60 21 0 0 21 0 60 32 0 59
DIFHRHNCIAS 28 0.013
Se observa una gran similitud entre la cornda estocástica ni 1 para una clase de usuano realizada
con SATURN y la realizada con EMME2, lo cual nos indica que los algontnios estocasticos tanto
de uno como otro modelo se comportan muy similares.
> • :
A su vez, ambas corndas estocásticas con 1 clase de usuano son muy similares a in 2 realizada con
SATURN para 3 clases de usuanos, aunque se observan diferencias importantes en tramos del eje
cortos mas congestionados (tramo 4 de 650 mts.) a favor de la asignación multiclase Sin embargo
analizando iii.2 se aprecia que esta es bastante mas similar a ii 1; faiómaio interesante al
corresponder ii.l al caso extremo, de dispersión nula por clase o asignación multiclase
deterministica.
IV. ¿De que manera varían los resultados anteriores al existir mayor congestión
en la red vial ?
iv. 1 Eje tanficado de acuerdo a tabla 3 para 3 clases de usuanos, aifoque detemunístico
iv.2 Eje tanficado de acuerdo a tabla 3 para 3 clases de usuanos, aifoque estocastico con baja
dispersión.
Tabla 12
Resultado Comparación Corridas iv. 1 versus iv.2 Sentido Oriente-Poniente
Tramo IV 1 IV 2
Alio Medio Bajo Total (min) Alto Medio Bajo Total (rain)
1 1130 1464 1053 3647 16.90 1118 1472 1033 3624 1721
2 3862 3273 1176 8311 36.11 3669 3517 1140 8326 36.20
3 3668 3043 1104 7815 19.66 3466 3089 1262 7817 19.67
4 2875 1966 519 5361 0.81 2666 2159 562 5387 0.81
Total 1898 1673 775 4345 90.53 1812 1747 794 4353 90.97
t.
Tabla 13
Resultado Comparación Corridas iv.l versus iv.2 Sentido Poniente-Oriente
Tramo iv 1 i\ 2
Alto Medio Bajo Total (min) Alto Medio Bajo Total (min)
] 808 1105 800 2713 10.19 828 1106 797 2732 10.36
DIFERENCIAS 2 25 8 35 0 221
Se observa, que si biai la demanda ai la red vial ai su conjunto aumaito al doble, el eje de proyecto
ai saitido Poniente Oriaite, aumaita aproximadamente al tnple. Esto, se traduce en diferencias
importantes ai el tiempo total para cruzar el eje (Onente a Poniaite del orden de 90 min. contra 38
ai el saitido opuesto), situación no observada ai las situaciones antenores, donde el tiempo para
ambos saitidos era de 32 a 33 minutos ai total, ai cualquier saiüdo. Esto, indica una presencia
importante de congestión en el sistema, que se traduce en una gran demanda por el eje que presenta
mejores niveles de servicio que el resto de la malla. Sin embargo persisten las similitudes al existir
una malla congestionada aitre las asignaciones multiusuanos siguiendo un aifoque determinístico y
LUÍ aifoque estocástico con poca dispersión ai cada clase de usuano.
A nivel de redes buffer SATURN - con lógica de arco, titiles ai estudios estratégicos - , los
resultados de los ejercicios realizados indican que existe plaia compatibilidad de información de
SATURN con EMME2, una vez conocidas de las redes calibradas con SATURN las
especificaciones y los valores de los parámetros de las curvas flujo-velocidad.
A nivel de redes detalladas - con lógica de nodo, conocidas como 1NNER en SATURN, útiles ai
estudios tácticos -, SATURN provee ciertas vaitajas al ser conoada su integración con modelos de
simulación de tráfico como TRANSYT En este caso, se reconnaida seguir investigando esta
integración con EMME2, el cual requiere ai su lógica que ingresai como inputs los parámetros y
las especificaciones de las funciones flujo-demora ai el nodo, situación que ai SATURN se simula
a nivel de red interna convirtiáidose ai LUÍ producto del modelo.
La tanficación por $/km aitrega asignaciones distintas a una tanficación por puntos de cobro,
pnncipalmaite ai aquellos arcos de corta longitud, donde la relación $/km pierde relevancia y donde
al tanficar por punto, se presaitan alternativas de fuga importantes. En este saitido se recomiaida ai
una via tanficada tratar especialmaite los accesos del eje, para evitar las posibles fugas,
pnncipalmaite ai aquellas vías que no constituya! nuevas aperturas.
La asignación con multiclases de usuanos provee mayores posibilidades de captar mejor las
respuestas al peaje por tipo de usuanos, de acuerdo a su valoración del tiempo. No se observan
mayores diferaicias, ante cualquier nivel de congestión ai la red, ai trabajar con una asignación
multiclase estocástica con poca dispersión para percibir los costos por arco ai cada clase y una
asignación "todo o nada" por clase Dados los resultados obtandos y las incertidumbres de los
algontmos estocásticos para redes urbanas, se recomiaida trabajar con asignación multiclase, con
una cantidad razonable de clases de usuanos - no mas de 5 - que pemiitan suponer baja dispersión ai
cada una de ellas y utilizar asignación deteiminísüca (algontmo de Frank-Wolfe de la manera
tradicional ) para cada clase.
Respecto a los resultados obtaiidos, se observa una gran similitud ai los niveles de servicio y las
asignaciones obtaiidas ai todas ellas, a nivel del total del flujo por arco. Esto confinna los resultados
de las modelaciones de redes existaites de diferaites estudios urbanos, para resolver el problema de
equilibno de tráfico con demanda inelástica, las cuales, ai gaieral se han hecho ai amblarte
SATURN con una sola clase de usuano y con enfoque detenmnistico Estas por lo gaieral han
obedecido a otros propósitos - no para tanficar la red - , concluyáidose de este trabajo, que los
resultados a nivel de totales por arco, no serían muy distintos a aquellos obtaiidos si las
modelaciones hubiesai sido efectuadas con asignación multiclase
Finalmente, es importante continuar con esta linea de trabajo para al caso de equilibno de mercado
con demanda elástica, debiáidose en este caso realizar la comparación de EMME2 con ESTRAUS,
modelo utilizado para resolver el problema de equilibno de mercado en Santiago .
BIBLIOGRAFÍA •
Sheffi Y. and Powell W. (1981). A Compansion of stochastic and deterministic traffic assignment
over congeted networks. Transportation Research 15B, 53-64.
Spiess,H. and Flonan, M. (1989), Optimal Strategies:A New Assignment Model for Transit
Networks, Transportation Research B, Vol. 23B, 2, 83-102.
Spiess, H (1990), A Gradient Approach for the O-D Matrix Adjustment Problem, Publication
693, Centre for Research on Transportation , University of Montreal.
SATURN NOTES, Versión 7.1 (1985). The Institute for Transport Studies. The University of
Leeds. and WS Atkins Planning Consultants Ltda.
EMME/2 User's Manual (1994) . Cap 6 Algonthms 6-23. INRO Consultans Inc., Montreal.
Canadá.
rIC»lJKA 1
Mark Smith,
Universidad de Chile.
Casilla 228-3, Santiago, Chile.
Fono: 689 4206 Fax: 6712799-678 4373
RESUMEN
Este trabajo consiste en una investigación sobre la forma en que los resultados de la evaluación de
proyectos viales, pueden ser afectados por los supuestos del modelo de asignación del tráfico. La
metodología está basada en una teoría de sistemas complejos relacionada con desarrollos recientes de
dinámica no lineal, la cual fue elaborada como tesis doctoral del autor.
El método de evaluación del Departamento de Transporte del Reino Unido fue usado como
experimento en los que fueron comparados distintos modelos de asignación. Se experimentó con
redes simples, comenzando con una matriz de viajes aleatoria. Un arco fue elegido al azar, al cual se
le podía aumentar la capacidad, y se usó el modelo de asignación de los viajes en la red con y sin
cambio de capacidad. Los costos y beneficios se calcularon según este aumento. Una sucesión de
tales evaluaciones fue hecha con pequeños cambios de la matriz de viajes. Luego el proceso fue
repetido con un modelo de asignación distinto, con la misma matriz de viajes inicial. Los resultados
se compararon con los del primer modelo. Esto se experimentó repetidas veces, con distintas matrices
de viajes inicial o distintos valores de algunos parámetros.
El modelo de equilibrio de Wardrcp fue comparado con otros dos, basados en (i) minimización del
costo total de viajes de la red y (ii) minimización del costo impuesto por cada conductor en los
demás. Esto concluyó, que distintos supuestos en la asignación de tráfico, entregan resultados de
evaluación, en que, si bien hay diferencias apreciables en los casos individuales, estos no guardan
una tendencia estable que diferencie en el global los resultados asociados a los distintos supuestos.
mm
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) A37
MARK 5MITH.
1. INTRODUCCIÓN.
El objetivo de este trabajo consiste en: Dado dos modelos distintos de asignación de tráfico:
¿ Es posible que las diferencias calculadas entre los flujos de los arcos de una red, influyan en los
beneficios calculados en proyectos viales?
La respuesta a esta pregunta puede ser altamente complicada, por las siguientes razones:
(i) Existe un proceso de retroalimentación a largo plazo, en el cual, los resultados de una evaluación
pueden influir sobre los datos utilizados en una evaluación siguiente, generada por los cambios de la
red vial y los viajes realizados.
(ii) El sistema de modelación, planificación y uso de la red vial, se involucran en un sistema social
muy complejo, en el cual las interacciones entre el sistema y el ambiente influyen posiblemente de
una manera más profunda en el comportamiento, que, las interacciones entre sí dentro del sistema.
Estos problemas, en sistemas complejos han ocurrido en otros campos de investigación, durante los
últimos años, dando como resultado, el desarrollo de un enfoque nuevo, utilizando una base teórica
de dinámica no lineal. (Ver ejemplos en Schieve y Alien, 1982). En este enfoque, se pone el énfasis
no en la predicción del comportamiento de sistemas, sino, en su entendimiento. Además, se reconoce
el rol jugado por las interacciones entre las escalas grandes y pequeñas y de los fenómenos aléatenos
o caóticos. Filosóficamente este es distinto del enfoque cartesiano, en el cual se forman leyes de tipo
mecánico en un sistema, que se usa para predecir su futuro.
La metodología empleada en este trabajo se desarrolló a partir de esta misma base. En el siguiente
capítulo se expondrá dicha metodología.
2. METODOLOGÍA.
Vemos en el diagrama de la Fig. 1 una representación simple del proceso que estudiamos.
Lo que nos interesa aquí es cómo los contenidos del recuadro "modelo" de la Fig. 1 pueden influir ai
lo que pasa en el recuadro "sucesos reales". En algún caso dado de la planificación, es posible que no
haya vanación de gran magnitud en el comportamiento del sistema, pero aún así puede pasar que,
sobre una larga sucesión de casos, el comportamiento muestre diferencias persistentes en el largo
plazo.
El problema es que el uso de alguna forma de modelo matemático para investigar el sistema
completo exigirá supuestos tan profundos como los usados en los modelos estudiados, y por lo tanto
revelaría muy poco. Luego, lo que se necesita es una forma de "metamodelo" en que quepa todo el
sistema representado en la Fig. 1 sin hacer los mismos supuestos que se hacen en el recuadro de
dicho sistema.
(i) Se vio que el recuadro "modelo" de la Fig. 1 puede ser representado por definición por un
programa de computación. (Aquí se considera únicamente modelos matemáticos.)
(ii) Luego, se consideró que los recuadros "modelo" y "objetivos" importan y exportan
informaciones, que consisten en variables observables y cuantificables, como por ejemplo cantidad
de viajes, duración de viajes, tarifas de buses, etc. Estas variables también se pueden representar en
un programa de computación.
(iii) Dado el punto (ii), podemos ver que el recuadro "sucesos reales" debe importar y exportar
variables numéricas. Luego, es posible considerar esta parte como una "caja negra" que acepta las
decisiones tomadas en la planificación como entradas, y exporta los datos usados en la modelación.
Sin embargo, el funcionamiento de esta caja negra queda por conocerse.
(iv) Si nos imaginamos una sucesión de n vueltas del lazo de la Fig. 1, vemos que cada vuelta genera
una "fotografía" de la realidad, como visto por una "lente" del modelo. Se puede representar cada
fotografía por un vector X, de variables observables, y luego una sucesión completa de tales
fotografías por el conjunto ordenado:
Sj = < X , . . . . X n >
-
j
También podemos definir el conjunto de todos los conjuntos semejantes:
E * {Sj}
*
Este conjunto, E forma el espacio de todas las trayectorias posibles de la parte del sistema que
representa la "realidad", es decir, de todas las sucesiones que pudieran ser generadas por la realidad,
como es percibido por el modelo.
(v) Lo que buscamos no son las propiedades absolutas de un modelo dado, sino sus propiedades
relativas en comparación con otro. Si vamos a concluir que existe una diferencia sistemática entre
estas propiedades, la conclusión tiene que ser válida sobre la mayor parte del espacio S. Sin
embargo, como es imposible probar todas las sucesiones S„ tenemos que escoger una muestra a,
donde I D O ,
(vi) Las sucesiones Sj generadas en la "caja negra" de la Fig. 1, determinan la muestra a (por elegir
algún mecanismo para conectar los valores importados con los valores exportados). Si este
mecanismo fuera un modelo deterministico, se esperaría que los supuestos que se hicieron en el
modelo influirían en la comparación. Luego, se eligen las sucesiones al azar, para hacer que dicho
mecanismo sea una conexión aleatona. (En la practica es sólo media aleatona, por que es mejor
hacer la selección del conjunto de sucesiones creíbles en S. Por ejemplo, I podría incluir sucesiones
como una triplicación de la demanda por viajes siguiendo a una duplicación de tiempos de viaje.) La
filosofía de esta técnica se puede resumir así: Si los dos modelos probados dan efectos distintos sobre
una "realidad" aleatoria, es probable que darían la misma diferencia en la realidad real. Más adelante
veremos como funciona esta técnica en la práctica.
3 ANÁLISIS
Actualmente en el Reino Unido, las inversiones públicas en proyectos viales son políticamente
controversiales. Mucha gente cree que no vale la pena sufrir los efectos ambientales y la destrucción
de propiedades para acortar tiempos de viaje en auto en unos pocos minutos. Por lo tanto se hacen
muchas críticas del proceso de evaluación usado, que consiste en un análisis de costos y beneficios
(COBA). Una crítica específica es que en la asignación de tráfico se supone que los viajeros se
comportan de una manera egoísta, y por lo tanto el proceso de evaluación tiende a favorecer esta
forma de comportamiento. En el siguiente análisis, se investiga la posibilidad que este supuesto
influya en los resultados de la evaluación en comparación con los otros dos.
i
3.2. El Proceso del COBA.
Cabe considerar que el COBA (ver DTp, 1981) consiste en cuatro distintas etapas:
(ii) Los flujos observados se asignan a la red actual, y así, se calcula el costo total de viajes.
(a) Para cada año de vida útil de la vía, el flujo de cada arco se multiplica por un factor
que representa el crecimiento del nivel de tráfico predicho por el " National Road TrafTic
Forecast" (Pronóstico de Tráfico Vial Nacional).
(b) Se calcula el nuevo costo para ese nivel de flujo.
(c) Este total se descuenta a los precios de 1979, y los totales se suman sobre los 30 años
de la vida del proyecto para llegar a su valor actual.
(ni) la etapa (ü) se repite bajo el supuesto que se haya realizado el proyecto propuesto.
(iv) El total de (iii) se sustrae del total de (ii) para dar el valor corriente de beneficios (PVB). Los
costos de planificación y construcción, y los costos ambientales, se calculan a los precios de 1979. Se
llega al valor neto corriente del proyecto (NPV) al sustraer el total de los costos del PVB. Se
considera justificable un proyecto que tenga un valor positivo del NPV.
Dos redes pequeñas fueron creadas para el análisis; se las muestra en las Figs. 2 y 3.
1. Los cambios en el número de viajes desde zona i (Oi) hasta zona j (Dj) se calcularon
así:
m a
ACTAS DEL SÉPTIMO C O N G R E S O C H I L E N O DE INGENIERÍA DE TRANSPORTE (1995) AA]
MARK SMITH.
1
2. La matriz de viajes {Tij} se calculó de 0¡ y Dj. Además, se tomó en cuenta que el aumento de la
capacidad de un arco en la iteración anterior puede generar viajes adicionales. Si la ruta de costo
mínimo entre i y j pasa por el arco cuya capacidad fue aumentada, se calculan los viajes generados
mediante la función: •
AT¡j = T¡j(-0.1+0.2mB)
(1)
(2)
En cada iteración, se asignaron los viajes en bus a la ruta de costo mínimo. En cambio, los viajes en
auto fueron asignados al azar entre tres conjuntos de rutas mínimas. Los costos generalizados de
viajes fueron calculados de la manera normal, con costos fijos de tiempo y distancia. Los tiempos de
viaje en bus incluían un componente para representar los tiempos de espera e intercambio entre rutas.
Las tarifas de buses consistieron en un precio fijo por kilómetro, (que se fijaron al nivel que
recuperara los costos de operación). Las frecuencias de los buses (que operaban por todos los arcos)
fueron cambiadas al azar en cada iteración por -2 hasta +2 buses por hora.
3. Se eligió el arco más congestionado, es decir, el arco con la mayor razón de flujo a capacidad,
para ser evaluado. Se propuso un proyecto que aumenta la capacidad del mismo arco por la misma
razón (la m de ecuación (1)).
4. El modelo de asignación se utilizó para calcular los flujos de los arcos, con y sin el cambio de
capacidad, con una matriz de viajes dada.
5. Con estos flujos, el costo total para los usuarios, según el manual de COBA (en peniques,
100p=£l esterlina), se calcularon de la siguiente forma:
donde t, d, v son tiempo, distancia y velocidad media del viaje, con unidades de minutos, kilómetros y
km/hora, respectivamente. El valor actual (PV) del total de costos de usuanos (S) se calculó por la
fórmula:
(4)
y los beneficios como la diferencia entre los valores actuales del proyecto sin y con la construcción.
Su costo se obtiene por una ecuación sencilla:
donde t, d, v son tiempo, distancia y velocidad media del viaje, con unidades de minutos, kilómetros y
km/hora, respectivamente. El valor actual (PV) del total de costos de usuanos (S) se calculó por la
fórmula: 30
/
PV(S) = £ 5/(1.07)' (4)
y los benefiaos como la diferencia entre los valores actuales del proyecto sin y con la construcción.
Su costo se obtiene por una ecuación sencilla:
costo del proyecto = kd(Cd-Ca) (5)
y
donde k es una constante
Ca es la capacidad sin el proyecto
Cd es la capacidad con el proyecto
d es el largo de la via en km.
Se supone un costo fijo por unidad de capacidad por km. Se nota que este método para calcular el
costo de un proyecto es muy simple, pero no pretende ser creíble como una representación de dicho
costo. La justificación para usar una función tan simple es que nuestro ínteres es comparar dos
maneras de llegar a los benefiaos de un proyecto, por lo cual el costo sirve solamente para un base
de comparaaón; lo importante es que sea igual en los dos casos. Luego se usa una forma que es fácil
y rápida para calcular.
El NPV se calculó como la diferenaa entre este costo y el PVB arriba calculado.
3.4. Procedimiento.
La sucesión de etapas 1-5, que constituye una iteraaón (es dear una vuelta de la Fig. 1) se repitió 30
veces con cada modelo comparado, partiendo con la misma matriz de viajes iniaal. Este proceso se
repitió 10 veces con diferentes matnces de viajes iniciales, y se calculó valores medios de las
4. LOS utilizadas
variables MODELOS DE ASIGNACIÓN.
para comparaaón, los que serán descntos en la sección 5.
c
Sea:
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) ™" 643
MARK SMITH.
En asignación de tráfico, lo normal (y lo que se usa en COBA) es asignar los viajes a la red de tal
manera que ningún usuario pueda bajar el costo de viaje por cambiar su ruta. Este estado se llama el
equilibrio de Wardrop, y se expresa así:
(6)
El modelo busca un conjunto de rutas, {Tp¡j} que cumpla estas condiciones. Lo hace al minimizar
una función objetivo, la que en este caso es:
(7)
sujeto a la restricción:
(8)
La función Z0 representa el costo en exceso (es decir, superior al mínimo) de todos los viajes en la
red. En este trabajo, vamos a comparar el equilibrio de Wardrop (el que vamos a llamar el Caso 0)
con otros dos casos:
Caso 1: Se supone, que el tráfico se distribuye de tal manera que minimiza el costo total de todos los
viajes en la red.
(9)
El problema es cómo identificar condiciones equivalentes a (6), que definen el patrón de flujos que
minimiza dicha función. Es posible probar que la cantidad:
(10)
actúa como la función de costo en el caso de Wardrop. Luego, para buscar el equilibrio de costo
mínimo, se usa la función bajo la sumatoria en lugar de la del costo, ca(v).
Caso 2: Se supone, que cada uno de los conductores trata de minimizar el costo impuesto por su
viaje sobre los demás.
Se duda que este supuesto represente la realidad. (Seguramente si fuera la verdad todos irían en bus
o andarían en bicicleta.) No obstante, como es el contrario del supuesto de Wardrop, es interesante
comparar los dos.
(11)
(12)
en vez de ca(v) se usa la función bajo la sumatoria.(La prueba se omite por brevedad.)
Como vamos a comparar los modelos en un contexto dinámico y complejo, es útil conocer cómo se
diferencian en un caso estático, en términos de los flujos que generan. Por esto, se corrieron los tres
modelos con la misma matriz de viajes aleatoria y se compararon los flujos obtenidos. Se repitió este
proceso unas 50 veces, y se calcularon las diferencias medias en cada uno de los arcos. Los
resultados para la red 2 (para valores de distancia de lp/km y de tiempo de lp/seg, lOOp -; £1
esterlina) se resume en al Fig. 4:
Fig. 4: Diferencias en flujos asignados entre los modelos alternativos (los casos 1 y 2) y el de Wardrop (el caso 0).
Por falta de espacio se presenta las diferencias solamente para la red 2, de las cuales sólo aquellas de los arcos 6,
7, 9,15 y 18 no fueron significativas en ningún caso. Las de la red 1 fueron parecidas.
Sin discutir los detalles de estos resultados, podemos ver que los dos modelos alternativos calculan
flujos significativamente distintos de los obtenidos con el equilibrio de Wardrop. Sin embargo,
aunque se obtienen flujos diferentes, no debemos suponer que vayan a dar diferencias en los cambios
de flujos que surgen de un cambio de capacidad vial. Esto es lo que se trata de resolver con el
análisis descrito en este trabajo. Los resultados se presentan a continuación.
Valor de Valor de
Partición distancia tiempo Pronóstico
Grupo modal (y) (p/km)* (p/seg.)* de tráfico
a o
ajo
100p=£l esterlina.
Cabe señalar que los valores de tiempo y distancia son los usados en la parte del programa que
representa la "realidad". Dentro de los modelos de asignación, se usaron valores de lp/seg para
tiempo y 0 o 1 p/km para distancia (los valores frecuentemente usados en el modelo SATURN).
Luego, podemos mostrar los resultados distribuidos sobre tres "dimensiones" del espaao de
parámetros, es decir:
A el grupo de parámetros (1 o 2)
B el valor de distancia utilizado en el modelo de asignación (0 o 1)
C la red usada (1 o 2, ver Figs. 2 y 3)
Nos vamos a centrar en dos variables que nos muestran el comportamiento del sistema:
(i) Los beneficios calculados por cada evaluación (aquí dados en millones de libras esterlina, £M).
¿,46
3 ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE ( 1 9 9 5 )
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995)
COMPARACIÓN DE MODELOS DE ASIGNACIÓN DE TRAFICO EN EVALUACIÓN DE PROYECTOS VIALES
Se presentan en la Fig. 5 las diferencias en los beneficios, y en la Fig. 6 las déla capacidad media.
Fig. 5: Diferencias en beneficios (£M) entre los modelos alternativos y el equilibrio de Wardrop, distribuidas
sobre el espacio de parámetros. Los parámetros A, B y C son los arriba descritos.
Fig. 6: Diferencias en capacidad media (veh/hora) entre los modelos alternativos y el equilibrio de Wardrop,
distribuidas sobre el espacio de parámetros. Los parámetros A, B y C son los arriba descritos.
Si bien algunas de las diferencias son estadisticamente significativas, no todas van en la misma
dirección (ni en el caso 1 ni en el 2). Así, los resultados no nos muestran ninguna tendencia.
Resulta entonces que no es necesario hacer una gran cantidad de experimentos con diferentes valores
de parámetros. Como los valores investigados no rinden diferencias constantes, parece razonable
concluir que tales diferencias no existen sobre todo el espacio de parámetros.
6. CONCLUSIONES.
Los resultados obtenidos indican que se puede usar cualquiera de los supuestos aquí comparados sin
influir en la tasa de construcción vial. Lo sorprendente es que este resultado sale así tanto para los
supuestos de Wardrop como los de la minimización de costo impuesto (el caso 2), los cuales son
directamente opuestos.
Sin embargo, hay que tomar esta conclusión con cuidado. Lo que se demuestra es que sobre cierto
conjunto de matnces de viajes, las diferencias generadas por el uso de los distintos modelos no
favorecen a ningún modelo específico. Es discutible si eso se debe a los procesos aleatonos ai el
análisis o a las propiedades de los modelos. Por esto, es importante reconocer la posibilidad que estos
existan en algún caso especifico.
Luego, aunque no se haya probado una diferencia pronosticable, queda la posibilidad que la
selección del modelo influya sobre las decisiones tomadas, y por consecuencia, sobre la realidad.
Esta conclusión lleva a un tema más amplio: el de la subjetividad de los modelos empleados en
planificación.
En el Capítulo 1, se suginó que esta investigaaon, si bien se trata de un problema específico, puede
que en el fondo el tema no sea analítico, sino filosófico. Luego, cabe señalar que implicaciones
surgen de esta forma de análisis.
En el enfoque aquí expuesto, el modelo se considera como un componente inseparable del sistema
que intenta describir. Por lo tanto, es inevitable que el modelo influya de alguna manera sobre lo que
se pretende predecir. Este efecto es independiente a la ausencia de diferencias aitre modelos
específicos, dado que en todos casos es posible elegir un modelo que tenga distinta influenaa sobre
las decisiones. Otra investigación (Smith, 1994) en este tema, ha demostrado un caso en que tales
influencias diferencian con modelos de calidades técnicas iguales. Otros autores (Tnbe, 1972, Wachs
1985) han expuesto ejemplos reales de la influencia de modelos sobre la política, pero no con un
enfoque analítico.
Es característica de las ciencias soaales que seamos actores del sistema, el cual estudiamos Por ello,
nuestros modelos, sean matemáticos o conceptuales, no pueden tener la objetividad de las aaiaas
físicas.
AGRADECIMIENTOS.
Agradezco a los profesores guías de mi tesis: Sr Howard Kirby y Sr. John Bnndley, de la
Universidad de Leeds, Inglaterra; así como al Science and Engineenng Research Counal del Reino
Unido por financiar este proyecto.
7. REFERENCIAS.
-
JANTSCH, E. (1982). From Self-Reference to Self-Transcendance: The Evolution of Self-
Organization Dynamics. En Schieve y Alien (1982).
SMJTH, M.A. (1994). Identifying Subjectívity in Transport Models. Presentado al 26 congreso del
-
University Transport Studies Group, Leeds, 1/94. (No publicado).
TRIBE, L. (1972). Policy Science: analysis or ideology? Philosophy and Public Ajfairs 2 p66.
WACHS, M. (1985). Planning, Organisations and Decision-Making: A Research Agenda.
Transportation Research 19 A p521.
..-
'j-
RESUMEN
En este trabajo se analizan las características de las soluciones del problema de asignación
dinámica a redes de transporte. Para ello se utiliza un modelo recientemente propuesto por los
autores y que se basa en la Teoría de Control.
1. INTRODUCCIÓN
Durante los últimos años ha aparecido un gran interés por la formulación y desarrollo de
modelos dinámicos de redes de transporte. Dichos modelos aparecen como una evolución
natural de los modelos estáticos de equilibrio , que han llegado a una etapa de madurez, tanto
en sus desarrollo teórico como aplicación práctica a la planificación estratégica de sistemas de
transporte. Ha existido también un fuerte incentivo proveniente de los gobiernos de países
desarrollados y de la industria automotriz internacional, que ven a los modelos dinámicos como
una condición necesaria para la implementación de "sistemas de carreteras inteligentes" (1VHS)
tendientes a resolver los graves problemas actuales de congestión.
mm
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) 65 1
-
-
J ENRIQUE FERNANDEZ L - JOAQUÍN DE CEA CH - DEREK BULL H
1
En este trabajo se utiliza una formulación basada en la Teoría de Control Óptimo, y un
algoritmo de solución recientemente propuestos por los autores (Fernández y De Cea, 1994 y
1995) para analizar las características de las soluciones al problema de asignación dinámica.
En la próxima sección se presenta brevemente la formulación del modelo y sus principales
características. Luego se analizan las condiciones de optimalidad correspondientes a la
aplicación del Principio Máximo de Pontryagín y su interpretación económica. A continuación
se describe un algoritmo de solución y finalmente se presentan los resultados de algunos
experimentos de aplicación el algoritmo con un ejemplo de prueba y se analizan los resultados
obtenidos, tanto en términos de funcionamiento del algoritmo como de las soluciones
encontradas.
2. FORMULACIÓN DEL MODELO
La versión discreta del problema de asignación dinámica puede formularse como sigue:
(1)
<2»
(3a)
(3b)
(3c)
(3d)
(3e)
(5)
(6)
(7)
(8)
Este modelo puede ser considerado ya sea como la formulación de un problema general de
programación matemática, como hacen Merchant y Nemhauser (1978a, 1978b), o como un
problema de control óptimo en tiempo discreto. Nosotros tomaremos este último enfoque.
La función objetivo representa el costo total incurrido, por todo el tráfico que circula en
la red, durante el período de análisis T. Su expresión es consecuencia de considerar que dicho
costo total viene dado por la suma de los tiempos de viaje experimentados por los vehículos que
salen de cada arco de la red durante cada uno
de los intervalos del período T:
(9)
con igual al tiempo de viaje sobre el arco a que experimenta un vehículo que entra
en dicho arco en el intervalo es la función de egreso que determina el número de
vehículos que salen del mismo arco durante / :
(10)
Las ecuaciones (2), describen la dinámica de los flujos sobre cada arco y determinan por lo
tanto las características de progresión y propagación de ellos sobre la red. Las ecuaciones (3)
especifican la forma funcional de las funciones de egreso ga y de los tiempos de viaje en los
La expresión usada para la función de egreso está basada, en este caso, en la
relación ftindamental del tránsito (Drew, 1965); es importante observar que en su definición se
introduce un desfase, igual al tiempo de viaje de tal forma que la cantidad de vehículos
que salen de un arco en el intervalo / depende de la cantidad de vehículos que había en dicho
arco en el intervalo La inclusión del tiempo de viaje en forma explícita es una
particularidad de esta formulación, que permite eliminar problemas en la descripción dinámica
de los flujos, presentados generalmente por los modelos propuestos anteriormente (ver
Fernández y De Cea, 1995a). El modelo supone que el tiempo de viaje sobre cada arco se puede
determinar en el momento en que un vehículo ingresa a él y depende de las características de
diseño de la infraestructura y de la cantidad de vehículos que están en el arco en ese momento
(ver(3e)).
• . . . • . • .
Las ecuaciones (4) y (5) son restricciones combinadas que afectan a las variables de control y
las variables de estado; ellas aseguran la satisfacción de las demandas por viajes existentes
entre cada par w (ecuaciones (4)) y la continuidad de flujos en cada nodo normal j de la red
(ecuaciones (5)) para cada intervalo La tasa de viajes demandada entre cada par
O— D, w , en cada intervalo i' es un dato externo del problema.
Las ecuaciones (6) aseguran que cada flujos en el destino usadas en el caso estático. Estas no
pueden utilizarse en el caso dinámico, dado que el momento (intervalo / ) en que el flujo con
destino // llegará a dicho centroide es desconocido a pnon, ya que es parte de alas incógnitas
del problema,pues depende de los tiempos de viaje experimentados sobre la red. Las ecuaciones
(7) determinan el estado de la red en el momento inicial (intervalo / = 0) y las ecuaciones (8)
obligan que las variables de control y de estado no sean negativas. Estas últimmas son
necesarias, ya que como consecuencia de la definición de las funciones de egreso no siempre se
tendrá que
3. CONDICIONES DE OPTIMALIDAD
A continuación presentaremos las condiciones necesanas para una solución óptima del
problema de control (1) - (8). Para ello aplicaremos la expresión discreta del pnncipio mínimo
de Pontryagin (1962) y usaremos además los resultados denvados por Budelis y Bryson (1970)
para modelos de control óptimo con desfases en la variables de estado.
(11)
1 Para determinar el intervalo / . en que un vehículo egreso del arco, a parir del intervalo en que ingresa, o viceversa, debe
considerarse solo la parte altera del valor del tiempo de viaje lin «tras palabras el valor del tiempo de viaje debe egresarse
en unidades enteras de intervalos,
mm
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) 655
J. ENRIQUE FERNANDEZ L. - JOAQUÍN DE CEA CH. - DEREK BULL H.
(12)
(13)
(14)
(15)
(16a)
(16b)
(16c)
(16d)
(17)
(18)
donde está definido por las restricciones (4), (5) y (6), de continuidad en los nodos y las
de nonegatividad en (8). Las condiciones de Kuhn-Tucker, correspondientes a la minimización
del Hamiltoniano expresada en (18) implican que:
(19)
(20)
(21)
además de las ecuaciones de conservación de flujos (4), (5), (6) y no negatividad de los
controles,(8). Es fácil ver que el gradiente del Lagrangiano, correspondiente al Hamiltoniano
con sus restnciones en (18), con respecto a las variables de control n"a{i) es:
(22)
mm
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) 657
J. ENRIQUE FERNANDEZ L. - J O A Q U Í N DE CEA C H . - DEREK BULL H.
4. ALGORITMO DE SOLUCIÓN
A continuación se presenta un algoritmo de solución para el problema (PD). Este hace uso
directamente de las condiciones de optimalidad expresadas en las ecuaciones (12) a (21) para
resolver en forma iterativa un serie de problemas con valores en dos puntos de borde ("two
point boundary valué problems").
La solución de cada uno de estos problemas consisten en tres pasos principales realizadas a
partir de una solución factible cualquiera: 1) cálculo de los flujos de egreso ga, y resolución
hacia adelante (/ = 1,...,/) de las ecuaciones de estado; 2) resolución hacia atrás (/ = /,...,l)
de las ecuaciones adjuntas; 3) minimización del Hamiltaniano con respecto a las variables de
control, para cada intervalo / sT, sujeto a las restricciones de conservación de flujos y no
negatividad. Para este último paso se usa un método de gradiente. Los tres pasos anteriores
constituyen un ciclo interno de iteraciones que se realizan manteniendo constante el valor de los
multiplicadores los que son a su vez actualizados en un ciclo extemo cada vez que se
obtienen nuevos valores de las variables
2 1 ui realidad, no es necesario que la solución inicial sea factible, ya que esta condición es posteriormente impuesta internamente en el
algoritmo, sin embargo es normalmente mas cómodo construir una solución factible cualquiera para empezar.
Paso 1: Inicializacion
ii) determinar valores de los tiempos sobre los arcos de la red suponiendo condiciones
Para empezar, se puede dar un valor ceroa todas las variables de control,
iv) elegir los valores iniciales de los multiplicadores ú:
e ir al Paso 2.
Partiendo con los valores iniciales de las variables de estado resolver hacia adelante en
el tiempo las ecuaciones de estado:
mM
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) 659
Subpaso 2: Partiendo de los valores de borde de las variables adjuntas Á(I) = 0, resolver
hacia atrás en el tiempo las ecuaciones adjuntas:
Subpaso 4: Calcular el paso óptimo de avance Para ello se debe resolver el siguietnte
problema de minimización unidimensional:
Subpaso 5: Calcular los nuevos valores de las variables de control, usando el valor óptimo
obteniendo en el Subpaso 4:
i) Si es satisfecho, ir al Paso 3.
^'(/) = [...^f»(/),...,...,//f»(/),.
íi) realizar el test de convergencia:
3 YXÍ este caso, se está haciendo uso de la interpretación especial de los multiplicadores dada ai la sección 2
- De entre los arcos que pertenecen al conjunto A[j) seleccionar aquel, que posee el menor
valor de
En esta sección se presentan los resultados numéricos obtenidos con dos redes de prueba que
han sido usdas para estos mismos efectos por otros autores (ver Wie, Tobin y Friesz, 1994).
El pnmer caso corresponde a una pequeña red de 10 arcos y 7 nodos. El segundo, a una red de
tamaño medio de una ciudad amencana (Sioux Falls), que ha sido utilizada en la literatura
desde hace mas de dos décadas para probar algontmos de redes (LeBlanc et al., 1975); ella
consta de 24 nodos y 76 arcos direccionales.
En la primera red se supone una demanda tnangular de viajes entre el par 0-D=(l,7). El
número de viajes demandado empieza en cero en el período cero y aumenta linealmente hasta
máximo de 20 en el período 50, para después decaer linealmente hasta cero en el período 100;
entre los períodos 100 y 120 la demanda es nula. Los resultados de este ejemplo se muestran
en las Figuras 3, 4 y 5; la dos primeras muestran la evolución de los valores de las variables de
control na y las variables de estado fa, para los distintos arcos de una ruta típica (formada
por los arcos 2,5,8,10= y la tercera muestra la evolución de los valores de los multiplicadores:
//, correspondiente al nodo 5 y A7/I9 correspondientes a los arcos que salen del nodo 5.
En el caso de la red grande se suponen demandas entre los siguientes cuatro pares 0-D: (1,10),
(2,10), (13,10), (20,10). las demandas son en este caso también triangulares entre los períodos
0 y 100 con máximos en el período 50 de 12,5;5; 10 y 12,5 respectivamente. Los resultados
correspondientes a una ruta típica formada por los arcos: 2,7,36 y 32 se presentan en las
figuras 6,7 y 8. Las dos primeras muestran la evolución de las variables de control y de estado
correspondientes a los distintos arcos de la ruta; la tercera muestra la evolución de los
multiplicadores: // 3 correspondiente al nodo 3 y A¡,A6 y X7 correspondientes a los arcos
que salen del nodo 3.
5. CONCLUSIONES
En este trabajo hemos analizado las características de los resultados numéricos obtenidos de la
aplicación de un nuevo algoritmo a un modelo de asignación dinámica recientemente propuesto
(Fernández y De Cea, 1994 y 1995).
Los resultados obtenidos en los ejemplos de prueba analizados enla sección 4, son mas realistas
que los recientemente publicados por otros autores (Wie, Tobin y Friesz, 1994 y Wie et al.
1995). En particular ellos no adolecen el tipico problema de propagación instantánea del flujos,
los que en nuestro caso avanzan a través de las distintas rutas de la red a una velocidad finita,
determinada por las condiciones de operación en cada arco y sus respectivos tiempos de viaje,
que son considerados explícitamente en nuestro modelo y son función del nivel de congestión.
AGRADECIMIENTOS
REFERENCIAS
BUDELIS, J.J. Y BRYSON, A.E. (1970) Some Optimal Control Results for Differencial-
Difference Systems IEEE Transactíons on Automatic Control, Shortpapers, April, 237-241.
CAREY, M. (1992) Nonconvexity of the dynamic traffic assignment problem. Transp. Res.,
26B, N° 2,127-133.
CAREY, M. (1987) Optimal time-varying flows on congested networks. Op. Res. 35, N°.
1,58-69.
FERNNDEZ, J.E. Y DE CEA, J. (1995) A dynamic network assignment model with realistic
flow propagation. Submited to Transportation Research B.
FRIESZ, T.L, LUQUE, J., TOBIN, R.L. Y WIE, B-W., (1989) Dynamic network traffic
assignment considered as a continous time optimal control problem. Op. Res. 37, N°. 6,893-
901.
JANSON, B.N. (1991a) Dynamic traffic assigment for urban road networks. Transp. Res.
25B, Nos. 2/3, 143-161.
JANSON, B.N. (1991b) Convergent algorithm for dynamic traffic assignment, Transp. Res.
Rec. 1328, 69-80.
MERCHANT, D.K. Y NEMHAUSER, G.L. (1978-a) A model and an algorithm for the
dynamic traffic assignment problem. Trans. Se. 2, N°. 3, 183-199.
RAN, B., BOYCE, D. E., Y LEBLANC, L.J. (1993) A new class of instantaneous dynamic
user-optimal traffic assignement models. Op. Res., Vol. 41, N°. 1, pp. 192-201.
WIE, B-W, FRIESZ, T.L. Y TOBIN, R.G. (1990) Dynamic user optimal traffic assignment on
congested multidestination networks. Transp. Res. 24B, N°. 6,431-442.
m
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) 667
J. ENRIQUE FERNÁNDEZ L. - JOAQUÍN DE CEA CH. - DEREK BULL H
WIE, B-W., TOBIN, R.L. Y FRIESZ, T.L. (1994) The augmented lagrangian method for
solving dynamic network traffíc assignment models in discrete time. Transp. Se. 28-3, 204-
220.
WIE, B-W., TOBIN, R.L., FRIESZ, T.L. Y BERNSTEIN, D. (1995) A Discrete Time,
Nested Cost Operator Approach to the Dynamic Network User Equilibnum Problem. Transp.
Se. 29-1, 79-92.
Andrés VUlaseca
Universidad Católica de Chile
Manuel Albornoz
Unidad Operativa de Control de Tránsito
Universidad de Chile
RESUMEN
El problema general dentro del cual se enmarca el presente trabajo es el de ordenar, en el espacio y
en el tiempo, la operación de un conjunto de semáforos.
Lo que ocurre en realidad es que la definición de los límites de una red, su ciclo y su periodización,
constituyen un problema simultáneo. El reconocimiento de este hecho introduce la posibilidad de que
a distintas horas del día, las agrupaciones de semáforos a ser coordinados, sean diferentes.
mm
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) 559
IRENE BAEZA. - MONICA ZUCKER. - ANDRÉS VILLASECA. - MANUEL ALBORNOZ. - JAIME GIBSON
1. INTRODUCCIÓN
Usualmente la definición de redes de semáforos no ha sido enfocada desde una perspectiva de control
de tráfico centralizado ni ha incorporado aspectos de variabilidad temporal y operacional. Lo que
normalmente se ha hecho es, primero, definir redes sólo por consideraciones de tipo espacial y luego,
dada esa estructura rígida en el tiempo, se ha definido la periodización y la programación para cada
período. Con este enfoque se puede incurrir en altos costos al tener intersecciones operando, forzadas
por el grupo, con un ciclo muy lejano a su óptimo, en períodos que no le son propios; si bien es cierto
que para conformar redes en pos de la coordinación es necesario permitir que los semáforos no
operen exactamente con su ciclo óptimo y que sus períodos no sean exactamente los que les
corresponden individualmente, este alejamiento de los valores óptimos debe ser controlado.
Este trabajo presenta una perspectiva amplia que define una red como un conjunto de intersecciones
conexas que operan con ciclo común, durante un mismo período de tiempo.
a) ubicación espacial
b) periodización, determinada fundamentalmente por los patrones de demanda
c) ciclos óptimos de operación individual de cada intersección, determinados fundamentalmente por
los niveles de demanda
Dada la gran cantidad de datos que se requeriría para la solución rigurosa de este problema
simultáneo, la gran complejidad de su planteamiento matemático y la inexistencia de teoría que
pudiera resolverlo, se ha optado por diseñar un método secuencial que a pesar de ser aproximado, es
capaz de captar la interdependecia entre las variables espaciales, temporales y operacionales.
ETAPA 3: Programación: en esta etapa se conforman definitivamente las redes de semáforos que
operan con un ciclo común durante un cierto período de tiempo.
En la primera etapa se acota el problema a aquellos grupos en que realmente hay dependencia entre
las variables espaciales y temporales. En efecto, en la práctica el problema de la interdependencia de
las tres variables no se da de la misma forma; de hecho, de acuerdo a criterios espaciales o de
politícas de gestión de tránsito, se pueden definir grupos donde su definición espacial es constante en
el tiempo.
En segundo término, se realiza la etapa de periodización, la cual depende de los patrones de demanda
de las intersecciones críticas representativas de un grupo. Con este enfoque se minimiza la cantidad
de datos que es necesario recabar.
Por último, se llega a la etapa final con el problema suficientemente resuelto de tal forma que se
saben exactamente los períodos en que es necesario tomar datos de flujo para cada intersección, de
forma tal de definir la conformación definitiva de redes y calcular su programación óptima en cada
periodo.
En el capítulo 2 se explican los criterios que permiten, en una primera aproximación, realizar una
subdivisión espacial que genera una tipificación de grupos de semáforos. El capítulo 3 presenta el
procedimiento utilizado para introducir la variable temporal en los tipos de grupos cuya definición
espacial y temporal son dependientes entre sí. En el capítulo 4 se explica cómo introducir la
variabilidad operacional, cuyo resultado es la conformación final de las redes para la programación
de semáforos. Finalmente, en el capítulo 5 se presentan algunos de los resultados obtenidos al aplicar
la metodología a la Ciudad de Santiago, en el marco del Proyecto SCAT, (CONSORCIO INTRAT-
CITRA, 1995).
2. SUBDIVISIÓN ESPACIAL
Considerando criterios de espacialidad, que tienen relación con la forma de llegadas de los flujos a
cada acceso de una intersección, se define la frontera del grupo. Es así como dependiendo de la
varianza de la velocidad de operación de ciertos ejes o áreas, pueden definirse distintas agrupaciones
de semáforos.
Además, en esta etapa se introducen criterios de políticas de gestión de tránsito, considerando que
puede existir el interés de asegurar una buena coordinación en algún eje o área en especial porque se
sabe que presentan condiciones de homogeneidad espacial y operacional semejantes y por la alta
jerarquía del eje o área en relación a las intersecciones de su entorno. De este modo surgen los
grupos prioritarios.
A continuación se define cada grupo y se explícita el grado de dependencia entre las variables
espacio-tiempo-operación.
Cuando todas las intersecciones pertenecientes a los grupos conexos aislados presentan patrones de
demanda similares, se definen como grupos nucleares. En este tipo de grupos, la vanable espacial y
la temporal están fijas; sólo la operacional podría modificarlos; es decir, este grupo tiene sus límites
claramente definidos y su periodización es única, la cual estará determinada por la de su o sus
intersecciones críticas.
Aún cuando para estos tipos de grupos este resuelto el problema de la definición de penodos, queda
por resolver su conformación definitiva en función de la variable operacional (ciclo de operación) en
la etapa de programación.
Como ejemplo de este tipo se puede citar el grupo de semáforos de Puente Alto que está formado por
8 intersecciones semaforizadas contiguas que poseen patrones de demanda similares entre sí. Los
semáforos frontera de este grupo están alejados de otros por una distancia mayor de 1 OOOm.
Los grupos básicos están conformados por un conjunto denso y numeroso de semáforos, en los que
no es posible definir límites de subdivisiones con claridad y se observan distintos patrones de
demanda en su interior.
Finalmente, al igual que en los grupos anteriores, en la etapa de búsqueda de ciclo óptimo su
conformación espacial en cada período puede ser modificada con el fin de agrupar intersecciones con
ciclos óptimos similares.
similares
Un ejemplo de este tipo de grupo es el sector de Providencia y Ñuñoa limitado por los ejes Carlos
Antúnez-A.Vespucio (exclusive)-S.Bolivar-Tobalaba y Av. Italia, que tiene un total de 130
intersecciones sernaforizadas.
Estos grupos están compuestos por un conjunto de nodos no necesariamente aislados desde el punto
de vista espacial, pero cuya operación como red independiente interesa mantener por un criterio de
política de gestión de tránsito, es decir, constituyen un grupo por decisión exógena, lo cual hace que
sean rígidos; esta rigidez se manifiesta en los tres puntos siguientes:
Un ejemplo de esto es el grupo Alameda, formado por el tramo del Eje Alameda Libertador Bernardo
0"Higgins entre las calles Santa Rosa y Ecuador. Si bien es cierto que este grupo está inserto en una
zona de alta densidad de semáforos, es tal la diferencia en su jerarquía, que es conveniente
priorizarla.
Finalmente, luego de definir algunos grupos como prioritarios, pueden generarse los grupos
residuales, que son aquéllos rodeados por grupos nucleares o prioritarios. Estos grupos tienen
periodizacion única, en la etapa de búsqueda de ciclo pueden modificarse en cada periodo y podrían
eventualmente ser unidos a otros adyacentes en algún período común si poseen ciclo de operación
compatible.
Un ejemplo de este grupo es el sector sur de Ñuñoa conformado por los semáforos ubicados al sur de
Av. Grecia (que es un grupo prioritario) y conformado por los ejes Pedro de Valdivia, J.Pedro
Alessandri, E.Fernández y Marathón; está constituido por 26 semáforos.
3. PERIODIZACION
Para los grupos cuya definición espacial es constante en todos los períodos (nucleares, pnontanos y
residuales) la obtención de su periodizacion se realiza de acuerdo a la metodología definida por
Hadjes y Gibson (1990) que se encuentra implementada en el programa computacional PERQT y las
últimas metodologías definidas por Gibson (1995) en relación al tratamiento de intersecciones
semaforizadas en períodos punta.
Para los grupos básicos, en cambio, donde su conformación espacial está ligada con la penodización,
se aplica un procedimiento estructurado, que se describe a continuación y que cuenta con las
siguientes cinco etapas:
m
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) 673
IRENE BAEZA - M Ó N I C A ZUCKER. - ANDRÉS VILLASECA. - MANUEL ALBORNOZ. • JAIME G1BSON
Dentro de cada grupo básico, se define en su interior subgrupos de los cuales no cabe duda que
deben operar en red por la proximidad de sus semáforos y la homogeneidad de su operación.
Teóricamente, cualquier combinación de nodos conexos en el interior del grupo básico sería posible y
debiera analizarse. Sin embargo, en la práctica, el conocimiaito del área de estudio y la intención de -
por ejemplo- privilegiar un sentido de tránsito en algunos períodos, permitirá definir un número
razonable de subgrupos, cada uno de ellos indivisible en la etapa de periodización. Estos pasan a
constituir subgrupos nucleares al interior de un grupo básico.
El subgrupo apartado tendrá periodización única y se calcula utilizando la metodología definida por
Hadjes y Gibson (1989) y las últimas metodologías definidas por Gibson (1995).
Pnmero se periodiza en forma conjunta, utilizando todas las intersecciones criticas elegidas dentro de
cada subgrupo, considerando las metodologías anteriormente referidas.
Dado que el programa computacional PERQT admite a lo más cinco intersecciones por corrida, si el
número de intersecciones criticas totales es mayor, se eligen las cinco más representativas del
conjunto.
Luego, se comparan los períodos obtenidos para el grupo con los períodos individuales. De esta
comparación surgen dos alternativas:
a) que los periodos obtenidos del conjunto sean similares en cantidad y tengan extensiones
semejantes a los resultantes de la periodización individual.
• .
En este caso se comparan los ciclos asociados a los tramos del grado de saturación obtenido
para las intersecciones críticas de cada subgrupo. Si los subgrupos aceptan un ciclo
compatible en todos los períodos, la combinación bajo análisis pasará a conformar un grupo
con la periodización única dada por PERQT para el conjunto.
b) que existan sólo algunos períodos con extensiones similares, tanto en la periodización
individual como en la del conjunto.
Cabe señalar que lo más probable es que los puntos de cambio de esos períodos en los
subgrupos, no coincidan exactamente. Para definir un horario de cambio del período único
obtenido para la combinación de los subgrupos, se define como período de análisis el dado
por la penodización del conjunto.
Antes de comenzar con la etapa de programación, es necesario efectuar una revisión global de las
penodizaciones obtenidas para evitar que algún área quede dividida por periodización en alguna
hora del día y que en realidad las diferencias de los periodos respectivos sean muy menores.
La idea de esta mirada general es permitir uniones de grupos que producto de la aplicación del
procedimiento hayan resultado con períodos pareados; esto es posible en particular para algún grupo
pnontano o residual con alguno básico contiguo ya que en las etapas antenores no se analizaron
coi y ui luiu ita ne
Lo que se pretende es abnr la posibilidad de obtener una buena coordinaaón entre los arcos que unen
estos grupos, siempre y cuando en la etapa de programación acepten un aclo común de operaaón.
En la Figura N°2 se muestra un esquema de la etapa de periodizaaón para los grupos básicos del
procedimiento elaborado para la conformación de redes para programación de semáforos.
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) " • 675
IRENE BAEZA. - MÓNICA ZUCKER. - ANDRÉS VILLASECA. - MANUEL ALBORNOZ - JAIME GIBSON
4. PROGRAMACIÓN
Una vez que se cuenta con las regiones espacio-tiempo definidas y revisadas, comienza la etapa de
búsqueda de ciclo y determinación de programaciones para cada una ellas en cada período.
La importancia de esta etapa final es que, por primera vez, se trabaja con datos de todas las
intersecciones y no sólo con algunas representativas.
En la etapa de búsqueda de ciclo óptimo, dependiendo de los ciclos individuales sugeridos para cada
nodo por período, podrán tomarse decisiones como:
Para la optimizacion de desfases podrán usarse recursos tales como: uso de ponderadores positivos
para privilegiar algún sentido de tránsito, uso de ponderadores nulos para arcos de transporte público
donde la interferencia de paraderos es importante, optimizacion por etapas para privilegiar algún eje
de importancia, etc.
El resultado final de esta etapa será un mapa de redes que podrá variar entre períodos.
]
En la Figura N°3 se muestra un esquema de la etapa de progamación del procedimiento elaborado
para la conformación de redes para programación de semáforos.
Cabe destacar que la aplicación aún no se encuentra terminada, ya que la etapa de programación está
aún en desarrollo por parte del CONSORCIO INTRAT-CITRA.
Sin perjuicio de lo anterior interesa destacar que el desarrollo de la etapa de subdivisión espacial ha
agrupado las 1144 intersecciones semaforizadas de la ciudad de Santiago en: 35 semáforos aislados,
31 grupos nucleares que contienen 225 intersecciones semaforizadas (7 en promedio por cada
¿7£ ™" ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995)
CONFORMACIÓN DE REDES PARA PROGRAMACIÓN DE SEMÁFOROS
grupo), 3 grupos prioritarios que contienen 55 intersecciones semafonzadas (18 en promedio por
cada grupo), 5 grupos residuales que contienen 68 intersecciones semaforizadas (14 en promedio por
cada grupo) y 9 grupos básicos que contienen un total de 761 intersecciones semafonzadas (85 en
promedio por grupo). Es así como se tiene que al menos dos tercios del total de intersecciones
semaforizadas están sujetos a la interrelación de las vanables espaciales, temporales y operacionales
para definir su agrupación. Esto confirma la gran importancia de lo planteado en este trabajo.
Por otro lado, al observar las periodizaciones obtenidas para los distintos grupos de semáforos, se
nota que no sólo varían en términos de número de períodos, sino que los períodos punta difieren tanto
en duración como en ubicación a lo largo del día. Por ejemplo: se tienen períodos punta mañana que
van desde las 7:00 hasta las 9:30, con duraciones variables de una, dos y hasta dos horas y media.
Con respecto a la aplicación de la etapa de periodización en los grupos básicos, los resultados van
desde que todos los subgrupos nucleares operen juntos en todos los periodos, hasta la situación
inversa en que se dividen en todos los subgrupos, en todos los períodos, pasando por la agrupación
de subgrupos en algunos períodos y en otro no. Como ejemplo de este último caso, se tiene el grupo
básico que contiene los siguientes 7 subgrupos: Independencia (1), Recoleta (2), Centro de Santiago
al poniente (3) y onente (4) de Ahumada y José María Caro-Bellavista (5), Vivaceta (6) y Brasil-
Cumming(7). En el período punta mañana la conformación de redes es:
Red 1: subgrupo 1
Red 2: subgrupo 2
Red 3: sugrupo 3 + subgrupo 4 + subgrupo 5
Red 4: subgrupo 6
Red 5: subgrupo 7
Red 1: subgrupo 1
Red 2: subgrupo 2
Red 3: sugrupo 3 + subgrupo 4
Red 4: subgrupo 5
Red 5: subgrupo 6
Red 6: subgrupo 7
Idéntica situación se da con la aplicación de la etapa de programación, es decir, los grupos pueden
tanto dividirse como mantenerse unidos. Por ejemplo, el grupo Vicuña Mackena Sur, que fue
definido originalmente como un grupo nuclear y por lo tanto todos sus semáforos tienen
periodización común, fue dividido en la etapa de programaaon quedando en algunos períodos
operando en dos redes y en otros formando una red única.
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) ™" 677
IRENE BAEZA. - M O N I C A ZUCKER. - ANDRÉS VILLASECA. - MANUEL ALBORNOZ. - JAIME GIBSON
AGRADECIMIENTOS
• x> - • ' > . . • ' '
Por último, queremos agradecer a Alejandro Aldea por sus valiosos comentarios en las etapas de
discusión y elaboración del método propuesto y al equipo de ingenieros que ha participado en la
aplicación del método, conformado por Antonieta Eguía (INTRAT), Paulina Figueroa (UOCT),
Claudia Oddó (UOCT), Gabriela Ramos (INTRAT), Claudio Sepúlveda (PUC), Miguel Ángel Silva
(CITRA), Carolina Simonetti (UOCT), Ernesto Valderrama (CITRA) y Marcelo Vallejos (PUC).
REFERENCIAS
Fernández, D, Barnentos, R y Gibson, J (1989). Metodología para el análisis del tiempo de ciclo
óptimo en redes de semáforos. Actas del IV Congreso de Chileno de Ingeniería de Transporte,
Valparaíso, Chile.
Etapa 3: Programación
Figura N°3
}
RESUMEN
En general, luego del proceso de calibración de la red vial de un determinado sistema de transporte es
necesario abordar la calibración de los modelos de asignación o elección de rutas. Entre ellos, cabe
destacar los de asignación de viajes a redes de servicios de transporte público. Cualesquiera que
sean las suposiciones que se hagan respecto del comportamiento de los viajeros frente a la elección de
caminos sobre dichas redes, minimización de la función de "costos generalizados" de viaje para
itinerarios, rutas o estrategias, será necesario estimar los valores de los parámetros de dicha función
de costos. De esta forma, dada la topología de la red de transporte público, una cierta "matriz
observada" de viajes y conocidos los tiempos de recorrido de los servicios sobre la red vial, se
entenderá por calibración del modelo de asignación la determinación de aquellos parámetros que
permiten minimizar las diferencias entre los conteos observados (flujos de pasajeros en arcos) y
flujos modelados (cargas obtenidas al asignar sobre la red la "matriz observada").
1. INTRODUCCIÓN
En este trabajo nos centraremos en la calibración del modelo de asignación de equilibrio en redes de
transporte público, propuesto por De Cea y Fernández (1993). Este modelo considera que los efectos
de "congestión" sobre la red, debidos a la insuficiente capacidad de las líneas de transporte público
están concentrados en los paraderos. Así, los tiempos de espera dependen de la afluencia de
pasajeros, en tanto los costos asociados a los restantes elementos del sistema (caminata, tarifa, viaje
en vehículo, transbordo, etc.) son independientes de los flujos que la usan. Los tiempos de viaje en
bus son exógenos al procedimiento de asignación y se consideran dados a partir de los tiempos de
viaje obtenidos al calibrar la red vial.
Por esto, con la excepción de lo que sucede con las funciones de tiempos de espera, que como
veremos se propone calibrarlas independientemente, no tiene sentido, en este caso, imponer al
procedimiento de calibración el requerimiento de reproducir los tiempos de viaje observados. La
calibración del modelo de asignación de transporte público al intentar reproducir conteos observados
está tratando, en cierto modo, de reproducir las rutas utilizadas por los usuanos de la red y en
consecuencia, si la red vial y las funciones de tiempos de espera han sido bien calibradas, la
reproducción aceptable de los tiempos de viaje está prácticamente garantizada.
.
El problema de definición de las funciones de espera en paraderos, ha sido analizado en detalle en
Gendreau (1984). Considerando que en un paradero se produce una "cuasi-fila de espera" (en inglés
"scheduled departure queue"), y basado en los trabajos de Bailey (1954), Dowton (1955,1956),
Kotiah, Thompson y Waugh (1969), Kadosch (1976) y Powell (1981), formula un modelo teónco de
espera y plantea la denvación de una forma funcional, a partir de resultados empíricos o de un
proceso de simulación. Para lo que sigue de este trabajo se supondrá que dichas funciones de espera
son, junto a los tiempos de viaje (en vehículo, caminata, transbordos y accesos) en la red, datos
exógenos del procedimiento de calibración del modelo de asignación.
Calibrar es un modelo de equilibrio determinístico, que supone que al elegir sus rutas los viajeros se
comportan de manera de minimizar sus propios costos generalizados de viaje (Wardrop, 1952),
dicha calibración consiste en determinar los valores del conjunto de parámetros que mejor repliquen
la repartición de los viajeros en la red, suponiendo que éstos eligen sus rutas de la forma indicada. A
partir de lo anterior, la calibración del modelo de asignación se reduce a la estimación de los
parámetros de la función de "costo generalizado de viaje" (ponderadores de sus diversos
componentes). Dado que el modelo de asignación a
19
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) ™" 683
JOAQUÍN DE CEA CH. - J.ENRIQUE FERNANDEZ L.
Como parte del "Estudio de Evaluación y Desarrollo del Sistema de Transporte Urbano de la Ciudad
de Santiago" (ver SECTU, 1989) se reporta un procedimiento de calibración de ajustes sucesivos de
los parámetros de la función de costo generalizado de viaje. El objetivo buscado, en este caso,
consistió en replicar algunos indicadores importantes (básicamente flujos observados) al asignar una
matriz observada, usando un conjunto dado de valores para dichos parámetros. Sin embargo, en la
aplicación descrita no se disponía para ninguno de los modos de transporte público de la matriz
observada mencionada más arriba. Por este motivo, fue necesario considerar un proceso de
estimación de matrices para obtener una matriz de viajes ("matriz observada") que debía ser
asignada sobre la red que se estaba calibrando. Esta matriz se obtuvo, en cada caso, a partir de una
matriz a priori y de un conjunto de conteos de flujos en arcos, usando el modelo ESMATUC (De
Cea y Cruz, 1986). El proceso utilizado para calibración consistió, en líneas generales, en lo
siguiente: se realizó una precalibración en la que se definió la red. A continuación, se estimó una
"matriz observada" utilizando dicha red, a partir de una matriz a prion y conteos observados de
flujos en arcos. Esta "matriz observada" se asignó sobre la red y de acuerdo a los resultados
obtenidos, se modificaron los valores de los parámetros de calibración señalados antenormente.
Con la nueva red definida se inició una nueva estimación de la "matriz observada", continuándose el
procedimiento descrito, hasta satisfacer algunos cntenos en la reproducción de flujos observados en
arcos.
Este proceso combinado de estimación de una matriz de viajes y de su asignación, para fines de
calibración de las redes, presenta algunas limitaciones importantes. En pnmer lugar, la matriz
"observada" que se supone representa la realidad es estimada a partir de una matriz a priori y de
conteos observados. Esto constituye en sí un problema importante, pues el modelo en el que
descansa el procedimiento de estimación de matrices está basado en hipótesis (distribución según
maximización de la entropía del sistema) que aunque aceptables no necesanamente son válidas al
punto de que se pueda tomar el resultado obtenido como una realidad para fines de calibración. Por
otro lado, la estimación de la "matriz observada" requiere de una red calibrada, lo que obliga a
plantear el procedimiento iterativo descrito, que no presenta indicios de ser convergente a una
solución óptima (ni local ni global). Finalmente, el procedimiento de "calibración", en la etapa de
asignación de la matriz "observada", constituye un mero tanteo de diferentes conjuntos de valores de
los parámetros del problema. Naturalmente, este proceso de "tanteo" no asegura la obtención de
684 ™" ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995)
CALIBRACIÓN DE MODELOS DE ASIGNACIÓN DE VIAJES A REDES DE TRANSPORTE PUBLICO
valores óptimos para dichos parámetros, sino más bien, termina una vez que el analista considera
que se han determinado "buenos" valores, que permiten replicar de una manera aceptable los flujos
observados.
Con el objeto de obviar las limitaciones anteriores, se ha desarrollado una nueva metodología de
calibración de redes de transporte público, que presenta dos cambios fundamentales respecto a la
usada hasta ahora en Santiago.
Dado que para el año de aplicación de esta metodología de calibración (1991) se cuenta con una
encuesta origen-destino de viajes a partir de la que se han estimado matrices aceptables de viajes por
modo, estas matrices son consideradas como la realidad observada. La ventaja de este enfoque
radica en que la matriz observada es obtenida de una forma absolutamente independiente de la red
que se desea calibrar. Si bien esto lleva a la obtención de peores ajustes que los obtenidos mediante
el procedimiento anterior, las redes resultantes son mejores para fines de predicción puesto que el
modelo no es forzado a replicar los conteos, como sucede con el procedimiento basado en la
estimación de matrices. La segunda modificación importante al procedimiento de calibración consiste
en reemplazar la etapa de "tanteo" para los parámetros de la red por el uso del algontmo propuesto
por Hooke y Jeeves (1961).
El contenido de este artículo ha sido organizado como sigue. Luego de esta breve introducción, en la
sección 2 se describe someramente el modelo de asignación que se desea calibrar. En la secciones 3 y
4 se formula el problema de calibración como un problema de optimización con función objetivo no
explícita, y se explica como puede resolverse usando el algoritmo de Hooke y Jeeves. A
continuación, en la sección 5 se reporta una aplicación del método para el caso de la red de buses de
Santiago. Finalmente, en la sección 6, se presentan algunos comentarios y conclusiones.
El modelo de equilibrio propuesto considera una red G( N, S), en la que N representa la unión de
los conjuntos de centroides (N')y nodos ruteadores (N" ) y S la unión de los conjuntos de arcos
de acceso ( S ' ) y arcos de transporte público (S" ) que contienen conjuntos de "líneas atractivas"
para viajar entre determinados pares de nodos ruteadores. Si para viajar entre dos nodos de A/'
existen líneas "rápidas" y líneas "lentas" (definidas en términos de su tiempo de viaje en vehículo)
dan origen a arcos paralelos de transporte público. El primero de ellos contendrá a las líneas
"rápidas" en tanto los restantes contendrán subconjuntos disjuntos de las líneas "lentas".
En general, sobre una red del tipo G{N,S) existirán muchas secuencias alternativas de arcos (rutas)
para viajar entre un par de centroides determinado. El modelo propuesto supone que los viajeros
seleccionan aquella ruta que minimiza su tiempo (costo o costo generalizado) de viaje. Dado que se
considera que el sistema tiene capacidad limitada, al aumentar el flujo de pasajeros aumentará el
tiempo de viaje, debido al aumento de los tiempos de espera en los paraderos. Así, cuando algunos
caminos o rutas se congestionan los pasajeros considerarán otras rutas para realizar su viaje y el
número de alternativas crecerá al crecer la congestión. Para mayores detalles referentes a las
suposiciones básicas de este modelo se sugiere ver De Cea y Fernández (1993).
2.2 Notación
El modelo de equilibrio propuesto usa una red G( /v, S), ya definida, y la siguiente notación básica:
El modelo supone que los viajeros esperan "un arco de transporte público" (conjunto de líneas
atractivas) en lugar de una línea específica. En general el tiempo de espera experimentado por un
pasajero que desea utilizar el arco s (un vehículo de las líneas que pertenecen a él) en su nodo origen
i(s) dependerá de:
i) el flujo total de pasajeros que desean utilizar el arco s,
ü) el flujo total de pasajeros que desean utilizar otros arcos con nodo inicial
/ (s), que contienen líneas pertenecientes a s , y
iii) el flujo de pasajeros que suben a todas las líneas pertenecientes al arco s
en un nodo anterior a i(s) y bajan en un nodo posterior a / (s).
Si se denota por Vs a la suma de los flujos (ii) e (iii), el costo de viaje para un arco de transporte
público puede ser expresado de la siguiente forma:
(1)
Si se supone que los usuarios de la red G(N, S) se comportan de acuerdo al primer principio de
Wardrop, un vector factible de flujos en las rutas será de equilibrio si y sólo si satisface las siguientes
condiciones:
(2)
donde uw es el costo de equilibrio de todas las rutas usadas que conectan el par w. Estas
condiciones de equilibrio son equivalentes al siguiente problema variacional:
(3)
donde C es el vector de flujos en las rutas, H * es un vector de flujos de equilibrio en las rutas, H
un vector factible de flujos en las rutas y Cl es el conjunto que contiene todos los vectores factibles
de flujos en las rutas, definido por las siguientes restricciones:
mm
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) 587
JOAQUÍN DE CEA CH. - J.ENRIQUE FERNANDEZ L.
(4)
(6)
(7)
Las restricciones (4), (5) y (7) son las restricciones clásicas de los problemas de equilibno en redes,
en tanto las restricciones (6) representan la repartición de los flujos en los arcos de transporte
público(\/ ) entre las secciones de línea que pertenecen a ellos. Normalmente, para los modelos sin
congestión, el flujo total sobre un arco es distribuido entre las líneas que pertenecen a él,
proporcionalmente a sus frecuencias nominales (Chriqui, 1974).
Cuando existe congestión, sin embargo, una fracción de los vehículos que lleguen a i(s) estarán
llenos y los viajeros que deberían subir a ellos no podrán hacerlo. Para representar este fenómeno se
ha introducido el concepto de "frecuencia efectiva", que en general es una función del vector de flujos
en los arcos V (ver De Cea y Fernández, 1993). Así, cuando hay congestión, los flujos V* se
deberían distribuir entre las líneas correspondientes, proporcionalmente a sus frecuencias efectivas.
El problema (3) puede formularse también en términos del vector de flujos en los arcos, de la
siguiente manera:
(8)
La principal dificultad para resolver el problema (8) radica justamente en las restricciones no lineales
(6). Con el objeto de resolver el problema se propone un modelo simplificado en el cual las
restricciones (6) son reemplazadas por las siguientes restricciones lineales:
(9)
En esta formulación simplificada, el flujo V* es repartido entre las líneas pertenecientes al arco de
transporte público s, proporcionalmente a las frecuencias nominales de las líneas que lo componen.
De esta forma, el efecto de congestión es considerado para obtener un equilibrio sobre la red
G(N,S). Sin embargo, la distribución de los flujos V* entre sus correspondientes líneas es
independiente del nivel de uso de la red.
Así, reemplazando el conjunto original r> por D. (cambiando las restncciones (6) por las
restricciones lineales (9)) el problema (8) se transforma en:
(10)
(11)
y estará formada por arcos de acceso (al inicio y final del viaje) con un tiempo de caminata asoaado
(TCAM ), arcos de transbordo con una penalidad asociada (TTRAN), y arcos de viaje en
transporte público, con elementos de costo como los de la ecuación (1): tarifa (TAR), tiempo de
viaje en vehículo (TVIA ) y tiempo de espera (TESP). El costo generalizado de viaje sobre la ruta
p, CGEN ( p ) , corresponde a la suma ponderada de sus diferentes elementos de costo. Así,
Considérese ahora una red de servicios de transporte público que operan sobre una red vial
G = (N,A) donde N representa el conjunto de centroides y nodos ruteadores ya definidos y A
un conjunto de arcos (calles). Sea Ac el conjunto de arcos de la red vial sobre los que existen
conteos observados de pasajeros de buses. Sean además f° el flujo de pasajeros de buses observado
en el arco a y fa el flujo modelado de pasajeros de buses en el arco a . El flujo modelado sobre un
arco es el resultado de la asignación de equilibrio (óptimo de usuarios) de la matnz observada de
viajes sobre la red de servicios de transporte público (buses en este caso).
Está implícito que los atributos de los arcos de la red de servicios, con la excepción del tiempo de
espera, son constantes e independientes de los flujos que existan sobre ella. De esta forma, dados los
tiempos de espera (función de los flujos de pasajeros, cuyos parámetros han sido calibrados con
anterioridad a la calibración del modelo de asignación), los tiempos de viaje en vehículo (que están
determinados por las condiciones de equilibrio de la red vial), los tiempos de caminata y las tanfas
(costos de viaje), las únicas "variables de ajuste" para intentar reproducir los conteos observados al
asignar la matriz de viajes son los parámetros de la función de costo generalizado de viaje Así, si se
define el vector de parámetros de calibración X = (x,, x2, , x n ), se puede representar el flujo
modelado sobre un arco a como función del vector de parámetros X, lo que se debe interpretar
como que el flujo modelado (asignado) de pasajeros sobre el arco a depende de los valores de los
(Pl)
(13)
s.a.
(14)
(15)
Dicho algoritmo es un procedimiento iterativo usado para resolver problemas de optimización con
función objetivo no convexa y sin expresión explícita para sus derivadas respecto de las variables de
decisión del problema. Sí se requiere que la función objetivo sea cxjntinua y evaluable para cualquier
valor factible de las variables.
La convergencia global del algoritmo no está asegurada a menos que la función objetiva sea
estrictamente convexa, lo que no ocurre en este caso. Así, el algoritmo puede encontrar como
solución un óptimo local. Sin embargo puede trabajar con cualquier función continua, por extraña
que sea su forma. Con el objeto de aumentar las posibilidades de salir de óptimos locales se deben
probar distintos valores de los parámetro a y 8 • También se suele trabajar repitiendo la aplicación
del algontmo a partir de distintos puntos (soluciones iniciales factibles), escogidos en forma
aleatoria.
En el caso de la aplicación del algoritmo al problema de calibración de una red de transporte público,
las coordenadas del espacio de soluciones (variables de decisión del problema de optimización) son
los parámetros de calibración.
Debe notarse que aunque la función de costo generalizado de viaje es la suma de los tiempos de viaje
en vehículo, tiempos de espera, de caminata y costo de viaje o tarifa, multiplicados por los factores
de calibración, no se considera entre los parámetros a calibrar un factor para el tiempo de viaje en
vehículo. Esto, porque normalmente es necesario expresar todos los términos de la función de costo
generalizado de viaje en relación a uno de ellos, elegido arbitranamente. En este caso se ha elegido el
tiempo de viaje en vehículo como término de referencia.
La información básica utilizada para la calibración de la red de buses de Santiago está constituida
por la matnz observada de viajes (que incluye los viajes del modo bus más las etapas de viaje en bus
de los modos combinados metro-bus y taxicolectivo-bus), el conjunto de conteos de pasajeros en
buses para un determinado conjunto de arcos de la red vial, la red de buses (trazados de las líneas de
buses sobre la red vial y sus características de operación, arcos de acceso y arcos de transbordo) y
los tiempos de equilibrio sobre los arcos de la red vial, a partir de los cuales se obtienen los tiempos
de viaje en bus. Todos los datos menaonados están dados para el año de calibración (1991) que
corresponde al año de realización de la última encuesta origen-destino de viajes realizada en
Santiago. Las pnncipales dimensiones del problema de calibración que se reporta en este artículo son
las siguientes: 535 zonas, 3895 arcos, 1574 nodos ruteadores, 794 líneas unidireccionales, 1060
arcos de acceso y 326 arcos viales con conteos.
Con el objeto de probar el método de calibración propuesto se ha realizado una prueba para la red de
buses. Se calibraron los ponderadores del tiempo de caminata, tiempo de espera, y el factor de
conversión de unidades monetarias a unidades de tiempo. Los valores iniciales de dichos factores
fueron 16,00; 8,00 y 15,00 respectivamente. Los parámetros propios del algontmo, a y 8 , fueron
los siguientes: 8 parámetro 1 = 1,00; 8 parámetro 2= 0,50; 8 parámetro 3 = 0,60; a = 2,00.
En las tablas 1 y 2 se presentan los principales resultados del algoritmo de Hooke y Jeeves para la
aplicación reportada. En la tabla 1 se muestra la evolución de la función objetivo y del coeficiente
de correlación (al cuadrado) entre flujos observados y modelados. Se realizó un número fijo de 10
iteraciones y en los casos en que no aparecen datos significa que en esa iteración no se obtuvo mejora
de la función objetivo y, por lo tanto, no se obtuvo un mejor punto base que el que se tenía hasta ese
momento. En la tabla 2 se entrega la evolución de los valores de los parámetros de calibración en las
diferentes iteraciones del algoritmo. Como se puede apreciar en ella el mejor punto obtenido
corresponde a valores del factor de conversión de pesos a minutos, el ponderador del tiempo de
caminata y el ponderador del tiempo de espera de 1,00; 2,85 y 1,00 respectivamente.
Tabla 1
Aplicación del Método de H-J a la Calibración de la Red
de Buses de Santiago; Período Punta Mañana, Corrida 1
Variación de la Función Objetivo y r
2
ITERACIÓN F. OBJETIVO
r
Inicialización 7,897 x 109 0,7157
1 7,828 x 109 0,7141
9
2 7,388 x 10 0,7203
9
3 6,058 x 10 0,7447
9
4 4,317 x 10 0,7729
5
6 4,312 x 10 0,7732
9
7 4,304 x 10 0,7736
8
9
10
Tabla 2
Aplicación del Método de H-J a la Calibración de la Red
de Bnses de Santiago; Período Punta Mañana, Corrida 1
Variación de los Valores de los Parámetros Calibrados
Con el objeto de chequear que los parámetros obtenidos permiten obtener tiempos modelados de viaje
razonablemente similares a los observados (respuestas de la encuesta ongen-destino), se comparó el
histograma de la distribución de tiempos en ambos casos. Esta comparación se muestra en la tabla 3
y en la figura 3. Los valores promedio de dichos tiempos de viaje son de 41 minutos según
información de la encuesta y de 40 minutos según resultados de la asignaaon (debe recordarse que
los tiempos de viaje en bus para un arco determinado corresponden al tiempo de viaje en auto,
obtenido de la calibración de la red vial, multiplicado por un factor dado para cada tipo de arco).
Tabla 3
Histograma Agregado de Tiempos de Viaje
Comparación EOD vs Red Modelada
6. COMENTARIOS Y CONCLUSIONES
694
i ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995)
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995)
CALIBRACIÓN DE MODELOS DE ASIGNACIÓN DE VIAJES A REDES DE TRANSPORTE PUBLICO
asignaciones. El algoritmo ARTP (ver De Cea y Fernández, 1989), para la red utilizada, en un
computador DIGITAL DEC ALPHA AXP 3000/400, requiere del orden de 3 minutos de CPU.
Así, la coirida completa del algontmo de Hooke y Jeeves requiere del orden de 3,5 horas de CPU.
• -' •
REFERENCIAS
BAILEY, N.T.J. (1954) On queuing processes with bulk service. J. Royal Stat. Soc. (B) 16, 80-
87.
DE CEA, J. y CRUZ, G. (1986) Estimación de flujos ongen-destino sobre una red de transporte
público usando información de bajo costo. Tercer Congreso Latino-Iberoamericano de
Investigación Operativa e Ingeniería de Sistemas, Santiago, Chile, 18-22 Agosto, 1986.
DE CEA, J. y FERNANDEZ, J.E. (1989) Transit assignment to minimal routes: an effiaent new
algorithm. Traffic Engineering and Control 29 (10), 520-526
DOWTON, F. (1955) Waiting time in bulk service queues. J. Royal Stat. Soc. (B) 17, 256-261.
DOVVTON, F. (1956) On limiting distributions arising in bulk service queues. J. Royal Stat. Soc.
(B) 18, 265-274.
GENDREAU, M. (1984) Etude approfondie d'un modele d'équilibre pour 1' affectation des
passagers dans les réseaux de transport en commun. Pub. 384 Centre de Recherche sur les
Transport, Universidad de Montréal.
KADOSH, IYL (1976) Temps d'attente dans les transports urbains en commun. RA.I.O.RO, 10,
N°(2), 37-54.
KOTIAH, T.C.T., THOMPSON, J.W. y WAUGH, W.A. O'N. (1969) Use of Erlangian
distributions for single server queuing systems. J. App. Prob. 6, 584-593.
POWELL, W.B. (1981) Stochastic delays in transportation termináis: new results in the theory ans
application of bulk queues. Tesis de Ph. D., Departamento de Ingeniería Civil, MTT.
SECTU (1989) Estudio de evaluación y desarrollo del sistema del transporte urbano de la ciudad de
Santiago. Secretaría Ejecutiva, Comisión de Transporte Urbano, Chile.
WARDROP, P.G. (1952) Some theoretical aspects of road traffic research. Proceedings of the
Institute