ACADEMIAJOURNALS.

COM
Revista de la Ingeniera Industrial
Volumen 3, No. 1, 2009 ISSN 1940-2163

Evaluacin de un Sistema Inteligente de Semaforizacin Mediante Simulacin para la Ciudad de Orizaba, Veracruz
M.C. Constantino Gerardo Moras Snchez t_moras@yahoo.com.mx Instituto Tecnolgico de Orizaba Departamento de Ingeniera Industrial Orizaba, Veracruz, Mxico Instituto Tecnolgico de Orizaba Departamento de Ingeniera Industrial Orizaba, Veracruz, Mxico Instituto Tecnolgico de Orizaba Departamento de Ingeniera Industrial Orizaba, Veracruz, Mxico Instituto Tecnolgico de Orizaba Departamento de Ingeniera Industrial Orizaba, Veracruz, Mxico

Ing. Juan Carlos Corts Gutirrez juancarlos0013@hotmail.com

Dr. Luis Carlos Flores vila lcflores@yahoo.com

Dr. Alberto A. Aguilar Laserre aguilar@itorizaba.edu.com

Resumen
Se realiz un estudio comparativo, en la zona centro de la ciudad de Orizaba, entre el sistema de control de trnsito actual conformado por semforos de tiempo fijo y cruces uno por uno, y tres propuestas de solucin, cuyo funcionamiento radica en la utilizacin de semforos inteligentes. Dicha comparacin se bas en los resultados promedio de determinadas medidas de desempeo, y costos del tipo automotriz en que incurren los conductores al ejecutar la espera de sus vehculos. Este estudio requiri el uso del software especializado de simulacin llamado ProModel, aplicando el mtodo cientfico, adems de herramientas como la estadstica, la ingeniera de trnsito, etc., obteniendo resultados que ayudaron a elegir aquella alternativa de solucin que mejorara en mayor grado el desempeo del sistema actual.

Palabras clave: Simulacin, ProModel, control de trfico, semforos inteligentes.

Introduccin
El incremento en el uso de automotores para el transporte ha provocado un aumento en el nmero de congestionamientos de trnsito, evidencindose en mayor grado en las reas urbanas. Esta situacin se ha agravado con el crecimiento elevado de la poblacin, la falta de planeacin y la falta de educacin vial.

Con la finalidad de encontrar soluciones que logren controlar y agilizar el trfico vehicular, se han establecido en la ciudad de Orizaba, Veracruz, Mxico programas de control de trfico vehicular como semforos de tiempo fijo, calles con preferencia1 y cruces uno por uno. El presente trabajo analiz el sistema de trfico actual de la zona centro de la ciudad de Orizaba mediante la tcnica de simulacin, con el objetivo de evidenciar las dificultades que ste presenta cuando el flujo vehicular aumenta considerablemente en las horas pico. Se evaluaron tres alternativas de solucin, las cuales funcionan de manera distinta pero comparten el uso de un dispositivo llamado semforo inteligente, cuya forma de operar difiere de forma considerable respecto del semforo de tiempo fijo. En las ltimas secciones del artculo se presentan recomendaciones en base a los resultados de la simulacin. En la actualidad existen diversos trabajos referentes a las tcnicas utilizadas para el anlisis del trfico vehicular en las ciudades. Particularmente, en la ciudad de Orizaba nicamente existe el estudio realizado por Moras y Ojeda (2007) acerca de la evaluacin de la eficiencia del programa de trnsito cruces uno por uno establecido en esta ciudad, con la finalidad de observar su manera de operar ante diferentes volmenes de trfico vehicular. El presente trabajo es el nico que ha tratado el tema de la implementacin de semforos inteligentes en la ciudad de Orizaba, aunque es importante mencionar que se han desarrollado diversos estudios acerca del uso de semforos o sistemas inteligentes. Tal es el caso de Warberg (2008), Cools et al. (2006), Wiering (2003), Domnguez y Aguirre (2007) y Albagul et al. (2006) que han creado sistemas que intentan variar el tiempo de duracin del estado verde en los semforos, basndose en las condiciones presentes del trfico, con la finalidad de disminuir los tiempos de espera de los vehculos. Otros autores (Gilmore y Abe, 1995 y Wiering et al. 2004) han hecho uso de la inteligencia artificial y redes neuronales para desarrollar sistemas de control de trfico inteligentes que aprendan con el tiempo la manera de comportarse de los automviles y determinen el tiempo de duracin del estado de verde de los semforos en los cruceros. Particularmente, Wahle et al. (2001) presenta un sistema de simulacin en lnea que recibe constantemente informacin del trfico en tiempo real. Algunos trabajos se enfocan a simular el comportamiento de los automviles con la finalidad de obtener la informacin necesaria para crear nuevos sistemas que puedan controlar dicho comportamiento al simular el flujo de automviles previamente estudiado bajo diferentes escenarios, como lo mencionan Ehlert y Rothkrantz (2001), Cao et al. (2006) y Ludmann et al. (1997). Penner et al. (2002) establece que la informacin referente al comportamiento de los vehculos puede ser utilizada para establecer las secuencias de los semforos. Finalmente, Chung y Hui (1995) y Sasaki y Nagatani (2003) se enfocan en estudiar los efectos de los congestionamientos en los semforos de tiempo fijo, semforos que varan su ciclo, semforos que crean una onda de verdes a lo largo de varios cruceros e incluso en semforos que tienen algn defecto en su funcionamiento y no pueden operar adecuadamente.

e .

d o s

l a

a p

s e

a n

n a v

u e l

e l

s e

i r

x p

e m

i e i

c s

n a

e r

r t

f o

e a

r l

p r o

e p

s o

e d

l n

a a l

c u

e c r

d i c

a s

m o l

t u

s c

s h

l e

e v

n e

E u

1
q

Formulacin del problema

La ciudad de Orizaba, como muchas otras, est viviendo un incremento en el nmero de automviles que circulan por sus calles. Este incremento ha creado problemas de congestionamiento vehicular en las zonas de mayor afluencia de autos, lo que provoca que el sistema actual de control de trfico, formado por semforos de tiempo fijo, cruces uno por uno y calles con preferencia, presente problemas para dar fluidez a tantos automviles, especialmente en las llamadas horas pico.

Recoleccin de datos y definicin del modelo

Se decidi estudiar el rea correspondiente a la zona centro de la ciudad de Orizaba, ya que es la que sufre con mayor frecuencia de problemas de congestionamiento. Dicha rea se delimit por las calles Sur 2, Coln oriente, Sur 5 y Oriente 6. En total se estudiaron 27 calles y 12 cruceros, como se puede apreciar en la figura 1. Orizaba presenta el tpico trazado de las ciudades coloniales de Mxico con calles perpendiculares, de acuerdo al sistema conocido como Red de Manhattan en honor a la famosa isla neoyorquina.

Figura 1. Calles y cruceros estudiados. Una vez delimitada el rea de estudio, se procedi a recolectar la siguiente informacin: Capacidad mxima de las calles, es decir, el nmero de autos que simultneamente pueden estar presentes en una calle. Nmero de autos por hora que entran al sistema a travs de cada una de las ocho calles de entrada. Tiempo que le toma a cada auto recorrer una calle tomando en cuenta la presencia o ausencia de otros autos. Nmero mximo de autos en cada calle. El tiempo total de recoleccin de informacin fue de 14 horas diarias a partir de las 7 a.m. durante dos semanas, ya que incluy las horas de trfico normal y las horas de trfico pico. Las medidas de desempeo que fueron analizadas mediante pruebas estadsticas para la validacin del modelo de simulacin del sistema actual son: 3

 Longitud promedio de las colas en las calles. Longitud mxima de las colas calles. Nmero total de autos que pasaron por cada calle.

Anlisis estadstico de los datos

Se procedi a determinar si los datos recopilados se ajustaban o no a alguna funcin de probabilidad terica. Este anlisis se realiz utilizando el programa Stat:fit, incluido en las herramientas de ProModel. Se aplicaron las pruebas de bondad de ajuste Chi-cuadrada, Anderson Darling y Kolmogorov-Smirnov a los datos correspondientes a la tasa de llegadas utilizando un nivel de significancia de =0.05. Los resultados obtenidos reflejan que los datos recolectados no se ajustaron a ninguna distribucin de probabilidad terica que contiene el programa Stat:fit. Es por esto que se emplearon funciones de probabilidad empricas, que fueron introducidas en el modelo de simulacin mediante la opcin arrival cycles.

Construccin del modelo de simulacin

Se cre un modelo de simulacin que representara al sistema de control de trfico actual en la zona centro de la ciudad de Orizaba utilizando el software ProModel. Se utilizaron los datos previamente recolectados y analizados. En la figura 2 se muestra grficamente el modelo construido.

Pruebas piloto
Se realizaron varias pruebas piloto del modelo construido para detectar y corregir las posibles fallas que pudieran haber ocurrido durante la construccin del modelo. Esto tambin ayud a determinar si el modelo funcionaba adecuadamente, representando al sistema actual.

Figura 2. Modelo de simulacin referente al sistema actual de control de trfico del centro de la ciudad de Orizaba.

Validacin del modelo de simulacin

Para realizar la validacin del modelo de simulacin del sistema actual, se aplic la prueba estadstica t-apareada, siguiendo el mtodo propuesto por Law y Kelton (2000), con un nivel de significancia de =0.05. Esta tcnica compara los resultados arrojados por el modelo de simulacin contra los datos reales observados, con la finalidad de corroborar que el programa arroje datos estadsticamente iguales a los del sistema actual. La prueba t-apareada se describe a continuacin. Suponga que se recolectan m conjuntos de datos independientes del sistema y n conjuntos de datos del modelo. Sea XJ el promedio de las observaciones en el j-simo conjunto de datos del sistema, y YJ el promedio de las observaciones en el j-simo conjunto de datos del modelo. Las XJ son variables aleatorias IID con media x=E(XJ), y las YJ son variables aleatorias IID (asumiendo que los n conjuntos de datos se obtuvieron de replicaciones diferentes) con media y=E(YJ), por lo que se tratar de comparar el modelo con el sistema construyendo un intervalo de confianza para:

Z = x y

(1)

utilizando la prueba t-apareada (se requiere que m = n). Las ecuaciones que se usan son las siguientes:

Z i = X i Yi

(2)

Z (n ) =
n

__

Z
i =1

(3)

n
2

__ Z i Z (n ) __ Var Z (n ) = i =1 n(n 1)

(4)

El intervalo de confianza es 100(1- ):

__ __ Z (n ) t n1,1 / 2 Var Z (n )

(5)

Sea l( ) y u( ) el lmite de confianza inferior y superior respectivamente. Si 0 [l( ),u( )], entonces la diferencia observada entre x y y

X (n ) Y (n )

__

__

se dice que es estadsticamente significante al nivel hiptesis nula

. Esto es equivalente a rechazar la

H0 : x = y
en favor de la alternativa: 5

(6)

(7)

H1 : x y

(8)

Si 0 [l( ),u( )], cualquier diferencia observada entre x y y no es estadsticamente significante al nivel y puede ser explicada por fluctuaciones aleatorias, aceptando as que el modelo es vlido. Al aplicar la prueba t-apareada a las medidas de desempeo correspondientes a la longitud promedio de las calles, la longitud mxima de las calles y al nmero total de autos que pasaron por cada calle, se observ la inclusin del cero en los intervalos de confianza construidos, por lo que se acept como vlido el modelo de simulacin del sistema actual.

Diseo de experimentos
Para la determinacin del nmero ptimo de replicaciones, se aplic la ecuacin que sugiere Law y Kelton (2000):

s 2 (n ) n * ( ) = min i n : ti 1,1 / 2 i

(9)

Esta ecuacin se utiliza para estimar la media poblacional =E(x), con un error especfico permitido (), una vez que el modelo ha sido validado. Tomando como medida de desempeo el nmero promedio de autos en cada calle, estableciendo un error =0.8 autos y con un nivel de confianza del 90%, el valor de i fue incrementndose hasta obtener un nmero ptimo de corridas de 30; nmero que cumpli con la condicin establecida en la ecuacin 9.

Alternativas de solucin
Se determin utilizar semforos inteligentes para la regulacin del trnsito, como una propuesta de solucin a la problemtica que se ha venido tratando a lo largo de este trabajo. Antes de explicar el funcionamiento general de los semforos inteligentes, se deben considerar las siguientes definiciones: Estado de verde permanente. Estado en el cual el tiempo de la luz verde del semforo permanecer constante, es decir, sin posibilidad de cambio a mbar. Esto se debe a que la calle perpendicular no tiene presencia alguna de automviles. Estado de verde variable. Estado en el cual el tiempo de la luz verde dejar de ser constante y tendr un tiempo de duracin que depender de la presencia o no de autos en la misma calle a la cual se le est dando el estado de luz verde, el cual puede variar de un tiempo mnimo de seis segundos a un tiempo mximo de 20 segundos

El tiempo de ciclo para los semforos de tiempo fijo comnmente utilizados es constante en todo momento, es decir, los tiempos destinados para el verde, mbar y rojo no cambian a lo largo del da sin importar el nivel de trfico presente en un determinado crucero con un semforo de este tipo. Por otro lado, los semforos inteligentes tienen la particularidad de variar su tiempo de ciclo de acuerdo al flujo de automviles que exista en las calles pertenecientes al crucero donde el dispositivo est colocado. Los semforos inteligentes pretenden variar los tiempos de los estados de verde, mbar y rojo, dependiendo de la cantidad de automviles presentes en las calles bajo su dominio. 6

La manera de operar cada semforo inteligente se presenta a continuacin, teniendo en consideracin que N representa el nmero de autos en una determinada calle, la cual puede tomar valores desde cero hasta valores mximos de 12, 13, 14 y 15 autos, dependiendo de las capacidades mximas para contener autos en las calles estudiadas. Es necesario sealar que la luz mbar siempre tiene una duracin de diez segundos y el tiempo de duracin de la luz roja depender totalmente de la duracin del estado verde de la calle perpendicular. En la figura 3 se pueden observar las calles 1 y 2, as como el semforo inteligente. Inicialmente se puede observar la ausencia de autos en ambas calles, por lo que el semforo inteligente mantiene el estado de verde permanente en la calle 1 y el estado rojo en la calle 2.

Figura 3. Calles 1 y 2 sin presencia de autos. Cuando comienzan a circular automviles sobre la calle 1, el semforo continuar dando la luz verde a la calle 1 de manera permanente, mientras no existan autos en la calle 2, como se muestra en la figura 4. Al momento en que los autos comienzan a fluir a travs de la calle 2, como se muestra en la figura 5, el verde permanente de la calle 1 cambia a un estado de verde variable haciendo que ste tome distintos valores de tiempo, dependiendo de la presencia o no de autos en la calle 1. Esto es, cada determinado tiempo el semforo inteligente preguntar si existen o no autos en la calle 1; si los hay, el tiempo del verde se extender cada vez ms hasta un mximo de 20 segundos; si por el contrario no llegaran a existir autos, el tiempo del verde se reducir hasta un mnimo de seis segundos. Es importante mencionar que el estado de verde variable no puede cambiar al estado de verde permanente hasta que se haya completado el ciclo, es decir, hasta que el mbar y rojo hayan sucedido. Una vez terminado el tiempo del verde variable en la calle 1, el estado cambia a color mbar como se muestra en la figura 6.

Una vez terminado el tiempo del mbar en la calle 1, el estado del semforo inteligente cambiar a rojo, cambiando simultneamente a verde en la calle 2. Nuevamente, el verde de la calle 2 ser permanente o variable, dependiendo de la existencia o no de autos en la calle 1, como se muestra en la figura 7. Todas estas operaciones conformarn el ciclo del semforo inteligente.

Figura 4. Presencia de autos en calle 1.

Figura 5. Presencia de autos en calle 2.

Figura 6. Color mbar en calle 1. Se realizaron algunas modificaciones al modelo de simulacin del sistema actual, a fin de evaluar a la solucin propuesta bajo las mismas condiciones y observar si los resultados arrojados muestran una mejora en lo referente al flujo de automviles y a los costos generados por circular en la zona de estudio. Debido a la gran cantidad de cruceros existentes en la zona centro de la ciudad de Orizaba, se evaluaron tres modelos, conteniendo varias combinaciones en la colocacin de los semforos inteligentes con semforos de tiempo fijo a fin de observar y comparar los resultados arrojados por cada modelo de simulacin y elegir como el mejor aqul que brinde los mejores resultados para la ciudad de Orizaba. 8

Figura 7. Verde permanente o variable en calle 2.

Alternativa 1: Red de semforos inteligentes en todos los cruceros

La alternativa 1 (A1) presenta un modelo de simulacin conformado por una red de semforos inteligentes en el rea de estudio. Esto es, se coloc un dispositivo en cada uno de los cruceros con la finalidad de tener un control total de stos sobre el flujo vehicular, haciendo un total de 12 semforos inteligentes.

Alternativa 2: Semforos de tiempo fijo en la calle Francisco I. Madero y semforos inteligentes en los cruceros restantes
La alternativa 2 (A2) presenta una combinacin de semforos de tiempo fijo con semforos inteligentes. Dicho modelo contiene tres semforos de tiempo fijo a lo largo de los tres cruceros de la calle Francisco I. Madero, una de las ms transitadas de la ciudad debido a la presencia de muchos comercios. Por otro lado, se colocaron semforos inteligentes en los nueve cruceros restantes, haciendo un total de nueve dispositivos inteligentes, con la finalidad de observar el funcionamiento de esta combinacin en la zona de estudio.

Alternativa 3: Semforos inteligentes en la calle Francisco I. Madero y semforos de tiempo fijo en los cruceros restantes
La alternativa 3 (A3) contiene una vez ms una combinacin de semforos inteligentes con semforos de tiempo fijo. Este modelo presenta tres semforos inteligentes en cada crucero de la calle Francisco I. Madero, ratificada por los resultados arrojados por el modelo del sistema actual como una de las ms transitadas. Tambin se instal un semforo de tiempo fijo en cada uno de los nueve cruceros restantes del modelo. Cabe mencionar que las tres alternativas presentadas se simularon 30 veces, es decir, se corrieron el nmero de replicaciones arrojadas por el diseo de experimentos para el modelo del sistema actual. En las secciones posteriores se presenta el anlisis y comparacin de los resultados de cada alternativa de solucin respecto al modelo del sistema actual.

Comparacin de resultados entre cada alternativa de solucin respecto al modelo del sistema actual
Se realiz una comparacin entre los resultados arrojados por cada una de las alternativas de solucin propuestas y el modelo de simulacin del sistema actual, con el fin de analizar el 9

rendimiento de cada propuesta de solucin y determinar la mejor de todas. Dicha comparacin se llev a cabo en base a una serie de medidas de desempeo, que fueron clasificadas en tres grandes rubros: Medidas de desempeo referentes a la cantidad de autos. Medidas de desempeo de tiempo. Medidas de desempeo de costos.

Medidas de desempeo referentes a la cantidad de autos

Estas medidas de desempeo estn relacionadas con los automviles que interactuaron dentro del modelo de simulacin construido, tanto para las alternativas de solucin como para el sistema actual. La primera medida de desempeo evaluada fue la referente al nmero total de autos que pasaron por cada calle a lo largo de 14 horas de simulacin, como se muestra en la figura 8. Se pretende que las propuestas de solucin agilicen la circulacin de los automviles, incrementando as el nmero de autos en las calles. La segunda medida de desempeo se relaciona con el total de autos que salieron del sistema por hora a lo largo de toda la simulacin. Cabe mencionar que debido a que en las horas pico el nmero de autos se incrementa considerablemente, es de esperarse que las salidas aumenten proporcionalmente en cada modelo construido, como se observa en la figura 9. Las alternativas de solucin propuestas debern agilizar el flujo vehicular, disminuyendo el tiempo de espera de los autos y como consecuencia elevar el nmero de salidas del sistema. La tercera medida de desempeo es aquella relacionada con las llegadas fallidas, es decir, el nmero de autos que no pudieron ingresar al sistema, debido a que las calles a las cuales estaban destinados a llegar se encontraban a su mxima capacidad, lo que provoca que ProModel literalmente las destruya, generando un reporte estadstico para esta situacin. Esto se puede apreciar en la figura 10. Las llegadas fallidas se presentaron en las ocho calles de entrada que alimentan al sistema. Esta informacin es muy til para el investigador, ya que es una medida de qu tan saturado se encontraba el sistema actual a lo largo de la simulacin. Con las alternativas de solucin propuestas se pretende agilizar el trfico vehicular, disminuyendo los congestionamientos y el nmero de llegadas fallidas al sistema. Se puede apreciar en la figura 8 que la calle que tuvo mayor presencia de automviles a lo largo de las 30 replicaciones fue la calle Madero Sur izq. A, correspondiente a la alternativa A2 y que registr un promedio de 6167.6 autos. Como se especifica en la figura 9, la alternativa A2 fue la que present mayor nmero de salidas del sistema, destacando el promedio de 4575 autos entre las 14 y 15 horas, aunque la alternativa A1 tambin present un nmero de salidas considerablemente alto. Como se puede observar el nmero de salidas se increment considerablemente en todos los modelos en las horas pico. El modelo del sistema actual fue el que present mayores congestionamientos a lo largo de la simulacin, ya que el nmero de autos que no pudieron ingresar al sistema fue mayor respecto a las alternativas de solucin, como se puede observar en la figura 10.

10

Es importante sealar que la alternativa A2 fue la que present un sistema ms fluido, sobresaliendo la entrada E Sur 5C con nicamente un promedio de 0.43 autos que no pudieron ingresar al sistema a lo largo de las 30 replicaciones.
Nmero total de autos que pasaron por cada calle
7 6
Miles de autos

Sistema actual 3.52357

A1, 5.70593

A2, 6.1676 A3, 4.35087

5 4 3 2 1 0
E Colon poniente A Colon poniente B Colon oriente A Colon oriente B E Oriente2 C Oriente2 B Oriente2 A Poniente3 B E Poniente5 A Poniente5 B Oriente4 A Oriente4 B E Norte3 Sur2 A Sur2 B E MaderoSur izq C MaderoSur izq B MaderoSur izq A MaderoSur der A

Figura 8. Comparacin del nmero total de autos que pasaron por cada calle.

Nmero total de autos que salieron del sistema por hora

5.0 A2, 4.57537 4.5 A1, 4.3471 4.0 3.5 Miles de autos 3.0 2.5 2.0 1.5 1.0 0.5 0.0
7-8 hrs 8-9 hrs 9-10 hrs 10-11 hrs 11-12 hrs 12-13 hrs 13-14 hrs 14-15 hrs 15-16 hrs 16-17 hrs 17-18 hrs 18-19 hrs 19-20 hrs 20-21 hrs

MaderoSur der B

Sistema actual

E MaderoSur der C

E Norte2

Sur3 A

Sur3 B

A1

E Sur5 C

A2

Sur5 B

Sur5 A

A3

Sistema actual 3.22613

A3, 3.64427

Hora del da

Sistema actual

A1

A2

A3

Figura 9. Comparacin del total de autos que salieron del sistema por hora.

Medidas de desempeo de tiempo

Se describe en esta seccin el anlisis de las medidas de desempeo que estn ntimamente ligadas al tiempo transcurrido en el sistema por los automviles. La primera de estas medidas es el porcentaje del tiempo en estado de espera en el sistema, es decir, el tiempo que los automviles permanecieron encendidos pero sin movimiento, ya sea por la espera ocasionada por la luz roja del semforo o quiz por encontrarse en alguna calle congestionada, ya que se pretende disminuir los tiempos de espera de los automviles al poner en funcionamiento el semforo inteligente. Este porcentaje se refiere al tiempo efectivo que pasaron los automviles en estado de espera, respecto del tiempo total de simulacin, como se muestra en la figura 11. La informacin recolectada para esta medida de desempeo fue reportada cada hora.

11

Nmero total de autos que no pudieron ingresar al sistema

3,000 2,500 2,000 Autos 1,500 1,000 500 0 E Colon poniente A E Oriente2 C E Poniente5 A E Norte3 E MaderoSur izq E MaderoSur der C C E Norte2 E Sur5 C

A1 235.8 A3 859.06

Sistema actual 1262.37 A2 0.43

Sistema actual

A1

A2

A3

Figura 10. Comparacin del promedio de autos que no pudieron ingresar al sistema.

El mayor porcentaje del tiempo de espera se present nuevamente en las horas pico. Esto se debe principalmente al incremento de automviles en el sistema en esos momentos del da, como se aprecia en la figura 11. Cabe mencionar que la alternativa A1 fue la que present un menor porcentaje en esta medida de desempeo, lo que se traduce en un sistema ms fluido.
Porcentaje del tiempo en espera de los autos por hora
100% Sistema actual, 94.30% 80%

60% A2 26.25% 40% A1 13.86% 20%

A3 35.55%

0%
7-8 hrs 8-9 hrs 9-10 hrs 10-11 hrs 11-12 hrs 12-13 hrs 13-14 hrs 14-15 hrs 15-16 hrs 16-17 hrs 17-18 hrs 18-19 hrs 19-20 hrs 20-21 hrs

Hora del da

Sistema actual

A1

A2

A3

Figura 11. Comparacin del porcentaje del tiempo en espera de los autos por hora. La segunda medida de desempeo se refiere al tiempo promedio de permanencia en el sistema por auto, es decir, el tiempo que transcurri desde que un automvil entr al sistema hasta que sali de ste en cada replicacin corrida en el modelo de simulacin, como se observa en la figura 12. Se puede observar que la alternativa A1 fue la que present un menor tiempo de permanencia en el sistema a lo largo de todas las corridas, destacando el valor de 92.35 segundos como el ms pequeo de todos y que ocurri en la corrida nmero 23.

Medidas de desempeo de costos

Una de las medidas de desempeo que tienen gran impacto en cualquier sistema es la referente a los costos. Particularmente, cualquier alternativa de solucin que agilice la circulacin de automviles, reducir los congestionamientos y por lo tanto los costos 12

generados por circular dentro del sistema. Como medida convencional se consideraron para este estudio slo los vehculos de motor a gasolina, ya que son los que circulan con mayor frecuencia por las calles de una ciudad, en relacin con los autobuses de pasaje, que son de motor a diesel.
Tiempo promedio de permanencia en el sistema por auto
130 125 120

A2 109.75

A3 104.09

Sistema actual 99.65

A1 92.35

Tiempo (seg.)

115 110 105 100 95 90

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

Nmero de la corrida

Sistema actual

A1

A2

A3

Figura 12. Comparacin del tiempo promedio de permanencia en el sistema por auto.

A continuacin se presenta una estimacin promedio de los costos por vehculo, en base a informacin obtenida de libros especializados y opiniones de expertos en mecnica automotriz entrevistados en la ciudad de Orizaba. La primera medida de desempeo de costos es la relacionada con el movimiento de frenado y arranque por automvil, como se observa en la figura 13. El frenado es aquella accin que genera una sucesin de movimientos en el sistema mecnico automotriz, el cual resulta en la presin de un conjunto de balatas que se desgastan cada vez que se realiza tal accin. Para fines de estimar el costo de frenado en cada uno de los sistemas expuestos, se consider $0.07 pesos2 como una estimacin promedio del desgaste de balatas por vehculo cada vez que un conductor efecta una accin de frenado. Para quitar un vehculo de su estado de reposo, se requiere del uso de energa que se genera del combustible que se suministra al motor de un vehculo, por esta razn el costo de arranque-aceleracin est directamente relacionado con el nmero de cilindros del motor. En la tabla 1 se muestra una estimacin del costo de arranque-aceleracin de los vehculos cada vez que se realiza la actividad correspondiente. Este costo es muy importante, ya que se incrementar cada vez que existe un embotellamiento vehicular, lo que provoca entre otras cosas, un desgaste prematuro de las balatas del automvil y un consumo extra de gasolina. La segunda medida de desempeo es el costo por permanecer en estado ralent por auto, es decir, mantener un automvil encendido pero sin realizar un avance efectivo, como se aprecia en la figura 14. En base a la informacin adquirida acerca del consumo de gasolina por hora de los automviles en el llamado estado ralent o de funcionamiento en fro (Arias-Paz, 2006), se obtuvo la informacin que presentamos en la tabla 2.
s o s e p 5 1 $ e t n e m a d a m i x o r p a e d a s a t a n u a a b a z i t o c e s o n a c i x e m o s e p l e , o l u c t r a e t s e r a c i l b u p e . d r a l o t n D e S m U o 1 m $ l r A o

2
p

13

Tabla 1. Costo de arranque-aceleracin de vehculos (en pesos mexicanos). Nmero de cilindros del motor 4 6 8 Costo por arranque-aceleracin (por accin) $0.04 $0.06 $0.08

Tabla 2. Consumo de gasolina en litros/hora en estado ralent. Consumo de gasolina en Nmero de cilindros del motor estado ralent (litros por hora) 4 cilindros 6 6 cilindros 8.4 8 cilindros y ms 11.7 Al incrementarse el flujo vehicular en las calles bajo el sistema actual de control de trnsito, las calles comienzan a congestionarse provocando que los automviles tengan que esperar con sus autos encendidos y sin poder realizar algn tipo de movimiento. La tercera medida de desempeo se refiere al costo debido al consumo de gasolina por auto al circular por el rea de estudio (figura 15). Este costo se calcul utilizando la informacin de la tabla 2 y representa un indicador importante para el presente trabajo, ya que se traduce en una gran cantidad de gasolina consumida por todos los autos, nicamente en este cuadro de la ciudad a lo largo de un da simulado. La ltima medida de desempeo es la del costo total presente en la zona centro de la ciudad. Este costo es el resultado de sumar todos los costos descritos en los prrafos anteriores. La grfica del costo total se muestra en la figura 16. Se espera que las alternativas de solucin disminuyan los costos y como se puede apreciar en la figura 13, las alternativas 2 y 3 reducen el costo de frenado-arranque en el sistema por auto; sin embargo, la alternativa 1 no logr disminuirlo debido a los costos tan altos que present en algunas corridas. La alternativa A3 es la que brind el costo ms pequeo en la corrida 21, el cul fue en promedio de $0.06167 por auto. La alternativa A1 es la que present una mayor reduccin del costo por permanecer en estado ralent por auto a lo largo de todas las replicaciones, como se muestra en la figura 14. Se destaca el valor promedio de $0.0946 por auto presentado en la corrida nmero 23. En la figura 15 se presenta el costo debido al consumo de gasolina por auto. Se observa que una vez ms la alternativa A1 es la que present el menor costo en todas las replicaciones, sobresaliendo el costo promedio mostrado en la corrida nmero 23 como el ms pequeo de todas las alternativas.

14

Costo de frenado-arranque en el sistema por auto

0.0624 0.0623 0.0622

Pesos $

0.0621 0.062 0.0619 0.0618 0.0617 0.0616

A2 $0.06172

A1 $0.06180

A3 $0.06167

Sistema actual $0.06171

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

Nmero de la corrida

Sistema actual

A1

A2

A3

Figura 13. Comparacin del costo de frenado-arranque en el sistema por auto.

Costo por permanecer en estado ralent por auto

0.29

A2, $0.1460
0.24

Sistema actual $0.142

A1 $0.0946

A3 $0.1481

Pesos $

0.19

0.14

0.09

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

Nmero de la corrida

Sistema actual

A1

A2

A3

Figura 14. Comparacin del costo por permanecer en estado ralent por auto.

Costo debido al consumo de gasolina por auto

2.2

A2, $1.806
2.1

A3, $1.713
2.0

Sistema actual $1.641

A1 $1.523

Pesos $

1.9 1.8 1.7 1.6 1.5 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Nmero de la corrida

Sistema actual

A1

A2

A3

Figura 15. Comparacin del costo debido al consumo de gasolina por auto. La alternativa A1 fue la que present el menor costo total a lo largo de todas las replicaciones respecto de las dems alternativas, destacando el costo de la replicacin nmero 23 con un valor promedio de $1.67 por auto, mostrado en la figura 16.

15

Costo total por auto

2.6

A2 $2.01
2.4

A3 $1.92

Sistema actual $1.84

A1 $1.67

Pesos $

2.2

2.0

1.8

1.6 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Nmero de la corrida

Sistema actual

A1

A2

A3

Figura 16. Comparacin del costo total por auto en el sistema actual de control de trfico.

Prueba de todos contra todos para determinar la mejor alternativa

Se construyeron una serie de intervalos de confianza para determinar estadsticamente cul es la mejor alternativa. Esto es, con los intervalos se detectaron y cuantificaron las diferencias significativas entre las tres propuestas de solucin. Una de las tcnicas apropiadas para este caso es la prueba t-apareada, con la cual se compararon todas las alternativas contra todas. Una de las condiciones para aplicar esta tcnica es asegurar que el nmero de corridas para cada una de las alternativas sea el mismo. La prueba t-apareada consiste en formar intervalos de confianza para las diferencias de i 2 i1 , para toda i1 e i2 entre 1 y k sistemas, con i1 < i2, donde i es el nmero de corrida y j el nmero del sistema. De esta manera, se forma un nmero de intervalos iguales a k(k-1)/2, donde cada intervalo es calculado a un nivel de confianza de 1- /[k(k-1)/2]. Esto se realiza con el objetivo de lograr que el nivel de confianza global sea de 1- . La tcnica menciona que si el intervalo de confianza contiene al cero, no existe una diferencia significativa entre los sistemas. En caso contrario, si el intervalo excluye al cero, existe una diferencia significativa y por lo tanto, un sistema puede ser considerado ser mejor que otro, dependiendo si el intervalo es positivo o negativo. A continuacin se presentan las frmulas utilizadas en la prueba t-apareada (Law, 2000) para la prueba de todos contra todos:

Z (n ) =

__

Z
j =1

(10)

n
2

__ Z j Z (n) __ j =1 Var Z (n ) = n(n 1) n

(11)

__ __ Z (n ) t n1,1 / 2 Var Z (n )

(12)

16

donde:

Zj

= Diferencias entre los sistemas. = Promedio de las diferencias entre los sistemas.
__

Z (n )
__

Var Z (n )
__ __ Z (n ) t n1,1 / 2 Var Z (n )

= Varianza de las diferencias entre los sistemas.

= Intervalo de confianza.

Debido a que en el presente estudio se proponen tres alternativas de solucin, se tiene que k=3, por lo tanto el nmero de intervalos ser igual a k(k-1)/2 = 3(3-1)/2=3. En la tabla 3 se muestran los intervalos construidos para las tres alternativas de solucin propuestas. Tabla 3. Intervalos de confianza para las tres alternativas de solucin. Alternativa 2 (A2) Alternativa 1 (A1) Alternativa 2 (A2) Alternativa 3 (A3) El clculo del nivel de confianza para los intervalos individuales se presenta a continuacin: Para un = 5% se tiene: Nivel de confianza global = 1 = 1 0.05 = 0.95 = 95% Nivel de confianza individual= 1- /[k(k-1)/2] = 1- 0.05/[3(3-1)/2] = 0.983 = 98.3% Se compararon todas las medidas de desempeo referentes a la cantidad de autos, al tiempo y costos, explicadas en las secciones anteriores. La prueba de todos contra todos requiere de un valor para todas las medidas de desempeo evaluadas denominado n, el cual se refiere al nmero de veces que se corri cada modelo de simulacin. Esto es, todos los modelos de simulacin construidos para el presente estudio fueron corridos 30 veces. Por lo tanto, el valor ideal de n sera de 30 para todas las medidas de desempeo; sin embargo, algunas de estas medidas como el nmero total de autos que pasaron por cada calle o el nmero total de autos que salieron del sistema por hora, no necesitaron informacin por cada corrida, sino por calle (27 calles) y por hora de simulacin (14 horas) respectivamente. Es importante mencionar que la informacin recolectada para cada calle y hora transcurrida se calcul como el promedio de las 30 corridas, por lo que su valor de n ser de 27 y 14 respectivamente, con la finalidad de no afectar a la prueba. Cabe sealar que las medidas de desempeo de costos s necesitaron informacin por cada corrida realizada, por lo que su valor de n ser de 30. La relacin de los valores se presenta en la tabla 4. Los valores de la distribucin t-student utilizada para los intervalos individuales se muestra en la tabla 5 utilizando un =1.7% y los valores de n establecidos en la tabla 4.

Alternativa 3 (A3) Intervalo 2 (A3 vs A1) Intervalo 3 (A3 vs A2)

Intervalo 1 (A2 vs A1)

17

Tabla 4. Relacin de valores asignados a n para la prueba de todos contra todos. Medida de desempeo n: nmero de corridas Nmero total de autos que pasaron por cada calle Nmero total de autos que salieron del sistema por hora Nmero total de autos que no pudieron ingresar al sistema Porcentaje del tiempo en espera de los autos por hora Tiempo promedio de permanencia en el sistema por auto Costo frenado-arranque en el sistema por auto Costo por permanecer en estado ralent por auto Costo debido al consumo de gasolina por auto Costo total por auto 27 14 8 14 30 30 30 30 30

Tabla 5. Clculo de la t-student para los intervalos de confianza. Valores de n t-student 8 14 27 30

t n 1,1 / 2 = t 7, 0.9915 = 3.113 t n 1,1 / 2 = t13, 0.9915 = 2.736 t n 1,1 / 2 = t 26, 0.9915 = 2.55 t n 1,1 / 2 = t 29, 0.9915 = 2.532

En la tabla 6 se presenta la prueba estadstica de todos contra todos para la medida de desempeo referente al nmero total de autos que salieron del sistema por hora. Se observa que las columnas correspondientes a cada alternativa (A1, A2 y A3) presentan los datos referentes a la medida de desempeo evaluada. Las tres columnas (A2 vs A1, A3 vs A1 y A3 vs A2) presentan las diferencias entre las alternativas de solucin de dicha medida. Posteriormente se calcula la media y la varianza de esas diferencias para finalmente construir los intervalos de confianza. Por ltimo, se puede apreciar que ninguno de los intervalos contiene al cero, por lo tanto, s existe una diferencia significativa entre las tres alternativas de solucin evaluadas. Adems, se puede afirmar que estadsticamente la alternativa 2 present un mayor nmero de salidas respecto de las alternativas 1 y 3. Las pruebas realizadas a las medidas de desempeo restantes se concentraron en las tablas 7, 8 y 9, las cuales presentan nicamente los intervalos de confianza construidos. Como se puede observar en dichas tablas, existieron intervalos que s incluyeron al cero y por otro lado, los que no lo incluyeron debido a que obtuvieron slo valores positivos o slo valores negativos. La interpretacin de estas tablas para cada medida de desempeo se describe a continuacin.

18

Tabla 6. Prueba de todos contra todos respecto al nmero total de autos que salieron del sistema por hora. Nmero total de autos que salieron del sistema por CORRIDA A2 vs A1 A3 vs A1 A3 vs A2 hora A1 A2 A3 1 3338.87 3307.60 3096.40 -31.27 -242.47 -211.20 2 1946.43 1955.83 1945.77 9.40 -0.66 -10.06 3 942.53 942.46 945.46 -0.07 2.93 3.00 4 958.83 957.60 958.20 -1.23 -0.63 0.60 5 915.26 915.33 916.50 0.07 1.24 1.17 6 1122.97 1124.30 1124.03 1.33 1.06 -0.27 7 2235.33 2232.20 2219.83 -3.13 -15.50 -12.37 8 4347.10 4575.37 3644.27 228.27 -702.83 -931.10 9 2479.10 2852.23 1422.97 373.13 -1056.13 -1429.26 10 900.33 1042.33 522.26 142.00 -378.07 -520.07 11 1207.53 1392.80 697.30 185.27 -510.23 -695.50 12 2664.47 3074.00 1529.47 409.53 -1135.00 -1544.53 13 3924.03 4457.53 2176.03 533.50 -1748.00 -2281.50 14 2639.48 3068.03 1468.28 428.55 -1171.20 -1599.75 Intervalo Media Varianza Lmite inferior Lmite superior Desigualdad 1 162.53 2819.19 17.28 307.77 A2>A1 2 -496.82 23799.47 -918.84 -74.80 A3<A1 A3 < A1 < A2 3 -659.35 42706.02 -1224.66 -94.03 A3<A2

Los intervalos construidos para el nmero total de autos que pasaron por cada calle no contienen al cero, por lo que s existe una diferencia significativa entre ellos, como se muestra en la tabla 7. Adems, se puede concluir que estadsticamente la alternativa 2 present un nmero mayor de autos que las alternativas 1 y 3. Los intervalos construidos para el nmero total de autos que no pudieron ingresar al sistema no contienen al cero, por lo que s existe una diferencia significativa entre ellos. Adems, se puede decir que estadsticamente la alternativa 2 present un menor nmero de autos respecto de las alternativas 1 y 3, como se aprecia de nueva cuenta en la tabla 7. Los intervalos construidos para el porcentaje del tiempo en espera en el sistema de los autos por hora no contienen al cero, por lo que s existe una diferencia significativa entre ellos. Adems, se puede decir que estadsticamente la alternativa 1 present un menor porcentaje que las alternativas 2 y 3, como lo muestra la tabla 8. El tercer intervalo referente al tiempo promedio de permanencia en el sistema por auto e incluido en la misma tabla 8, contiene al cero (A3 vs A2), resaltando dicho intervalo con sombreado, por lo que no existe una diferencia significativa entre los resultados de las alternativas 3 y 2. Adems, se puede inferir que estadsticamente la alternativa 1 fue la que present un menor tiempo promedio de permanencia en el sistema. 19

Tabla 7. Intervalos de confianza construidos para las medidas de desempeo referentes a la cantidad de autos. Nmero total de autos que pasaron por cada calle Combinacin Intervalo Lmite Inferior Lmite superior Desigualdad A2 vs A1 1 269.20 337.80 A2>A1 A3 vs A1 2 -1064.60 -809.90 A3<A1 A3 < A1 < A2 A3 vs A2 3 -1398.80 -1082.80 A3<A2 Nmero total de autos que no pudieron ingresar al sistema A2 vs A1 1 -353.10 -204.50 A2<A1 A3 vs A1 2 510.93 1218.30 A3>A1 A2 < A1 < A3 A3 vs A2 3 726.39 1560.50 A3>A2

Tabla 8. Intervalos de confianza construidos para las medidas de desempeo de tiempo. Tiempo promedio de Porcentaje del tiempo en permanencia en el sistema por espera de los autos por hora auto Combinacin A2 vs A1 A3 vs A1 A3 vs A2 A2 vs A1 A3 vs A1 A3 vs A2 Intervalo 1 2 3 1 2 3 Lmite Inferior Lmite Superior Desigualdad 0.04 0.08 A2>A1 0.08 0.16 A3>A1 A1 <A2 < A3 0.03 0.09 A3>A2 7.34 10.38 A2>A1 8.14 12.20 A3>A1 A1 < A3 = A2 -0.58 3.21 A3=A2

Los intervalos 1 y 3 referentes al costo de frenado-arranque en el sistema por auto s contienen al cero, resaltando dichos intervalos con un sombreado, por lo que no existe una diferencia significativa entre todas las alternativas, es decir, sus datos son estadsticamente iguales, como se muestra en la tabla 9. Ahora, es difcil tomar una decisin ante esta situacin, ya que la prueba no arroja resultados que ayuden al investigador, por lo tanto, la decisin se basar en el intervalo 2 que muestra a la alternativa 3 como ms pequea que la alternativa 1, concluyendo que sta es la que presenta un menor costo de frenado-arranque por auto. La tabla 9 tambin presenta los intervalos construidos para el costo por permanecer en estado ralent por auto, los cuales no contienen al cero, por lo que s existe una diferencia significativa entre ellos. Adems, se puede decir que estadsticamente la alternativa 1 present un menor costo que las alternativas 2 y 3. El intervalo 3 referente al costo debido al consumo de gasolina por auto s contiene al cero, resaltando dicho intervalo con un sombreado de color amarillo, por lo que s existe una diferencia significativa entre las alternativas 3 y 2. Adems, se puede decir que estadsticamente la alternativa 1 present un menor costo respecto de las alternativas 2 y 3, como se aprecia en la tabla 9.

20

Por ltimo, los intervalos construidos para el costo total por auto no contienen al cero por lo que s existe una diferencia significativa entre ellos. Adems, se puede decir que estadsticamente la alternativa 1 present un menor costo total que las alternativas 2 y 3. Esto se observa en la tabla 9. Tabla 9. Intervalos de confianza construidos para las medidas de desempeo de costos. Costo frenado-arranque en el sistema por auto Combinacin Intervalo Lmite inferior Lmite superior Desigualdad A2 vs A1 1 -6.1E-4 4.7E-4 A2=A1 A3 vs A1 A3 vs A2 2 3 -2E-4 -3.7E-5 -4E-5 2.9E-5 A3<A1 A3=A2 A3 A1 = A2 Costo por permanecer en estado ralent por auto A2 vs A1 1 0.02 0.03 A2>A1 A3 vs A1 A3 vs A2 2 3 0.04 0.01 0.06 0.03 A3>A1 A3>A2 A1 < A2 < A3

Combinacin Intervalo Lmite inferior Lmite superior Desigualdad

Costo debido al consumo de gasolina por auto A2 vs A1 A3 vs A1 A3 vs A2 1 2 3 0.12 0.13 -0.01 0.17 0.20 0.05 A2>A1 A3>A1 A3=A2 A1 < A3 = A2

Costo total por auto A2 vs A1 1 0.14 0.20 A2>A1 A3 vs A1 A3 vs A2 2 3 0.18 0.008 0.26 0.08 A3>A1 A3>A2 A1 < A2 < A3

En base a las interpretaciones anteriores, se concluye que bajo la prueba de todos contra todos, la alternativa 1, que contiene una red de semforos inteligentes en los 12 cruceros, es estadsticamente la que presenta mejores resultados y es la que debe ser tomada en cuenta como la mejor de las tres.

Conclusiones
En el presente trabajo se trat la problemtica de la existencia de congestionamientos en las calles de la zona centro de la ciudad de Orizaba cuando el nivel de flujo vehicular aumenta considerablemente en las horas pico. En todo momento se busc una solucin a dicho problema mediante el anlisis previo del sistema actual de control de trfico, con la finalidad de resaltar su incapacidad para controlar la circulacin ante una demanda creciente en el nmero de autos. Se demostr que la combinacin de los programas de trnsito de semforos de tiempo fijo con cruces uno por uno en una misma zona, entorpece la circulacin de automviles, debido a la manera particular de operar de cada programa, ya que mientras el primero ofrece una mejor fluidez al sistema cuando el nivel de trfico es alto, el segundo mantiene un flujo constante de autos siempre y cuando el nivel de trfico sea bajo, adems de que provoca un nmero muy alto de paros causados por la naturaleza misma del programa. Una vez terminado este anlisis, surgieron tres propuestas de solucin, que si bien fueron viables respecto a los resultados arrojados, fue necesario realizar una comparacin estadstica entre ellas para seleccionar aqulla que brindara un mejor control y una fluidez tal al sistema que minimizara los costos y aumentara el rendimiento general de ste ante cualquier nivel de flujo vehicular. Cada alternativa de solucin cont con la presencia de un dispositivo llamado semforo inteligente, capaz de controlar el trfico vehicular y maximizar 21

el flujo de automviles. Cabe mencionar que este dispositivo fue capaz de operar de manera correcta sin importar las condiciones de trfico a las que se enfrent. Terminadas las evaluaciones y comparaciones de las alternativas de solucin, se concluy que la mejor propuesta fue aqulla que inclua una red de semforos inteligentes en los 12 cruceros del centro de Orizaba, debido a que en todo momento mantuvo un control total sobre el sistema, adems que disminuy en gran medida los costos totales por auto y mejor considerablemente las medidas de desempeo referentes al rendimiento del sistema.

Referencias bibliogrficas
Arias-Paz, M., Manual de automviles, Editorial Dossat, Espaa, 2006. Albagul A., M. Hrairi y M.F. Hidayathullah, Design and development of sensor base traffic light system, http://findarticles.com/p/articles/mi_7109/is_3_3/ai_n28395598, consultada el 28 de Diciembre del 2008. Aldape, C. R. y J. Jalle, Los semforos y el control dinmico del trnsito, Editorial Representaciones y servicios de Ingeniera S.A. de C.V., Mxico, 1986. Cal, R.l., R. Mayor y G. James Crdenas, Mxico, 1994. Ingeniera de Trnsito, Editorial Alfaomega,

Cao J., M. Li, L. Huang, R. Qinsheng y Y. Li, Towards Building an Intelligent Traffic Simulation Plataform, http://pdcc.ntu.edu.sg/dsgrid06/doc/0064_cao-trafficsimulation.pdf, consultada el 29 de Diciembre del 2008. Chung K.H. y P. M. Hui, Two-dimensional traffic flor problems with faulty traffic lights, http://prola.aps.org/abstract/PRE/v51/i1/p772_1, consultada el 30 de Diciembre del 2008. Cools S., C. Gershenson y B. D'Hooghe, Self-organizing Traffic Lights: A realistic simulation, http://arxiv.org/abs/nlin.AO/0610040, consultada el 4 de Enero del 2009. Coss Bu, R., Simulacin, Un enfoque prctico, Editorial Limusa, Mxico, 1990. Domnguez, J.H. y J.L. Aguirre, Traffic Light Control Through agent-based coordination, http://portal.acm.org/citation.cfm?id=1295328, consultada el 5 de Enero del 2009. Ehlert, P.A.M. y L.J.M. Rothkrantz, Microscopic traffic simulation with reactive driving agents, http://ieeexplore.ieee.org/xpl/freeabs_all.jsp?arnumber=948773, consultada el 7 de Enero del 2009. Gilmore J., y N. Abe, Neural network models for traffic control and congestion prediction, http://www.informaworld.com/smpp/content~content=a771394121~db=all, consultada el 4 de Enero del 2009. Hoover V. y R.F. Perry, Simulation, A Problem-Solving Approach, Editorial Addison-Wesley, U.S.A., 1990. Law, A.M. y D.W. Kelton, Simulation Modeling and Analysis, Editorial Mc Graw Hill, U.S.A., 2000.

22

Ludmann J., D. Neunzig y M. Weilkes, Traffic simulation with consideration of driver models, theory and examples, http://www.informaworld.com/smpp/content~content=a780809485~db=all, consultada el 3 de Enero del 2009. Moras Snchez, C. e I. Ojeda, Evaluacin de la eficiencia del programa de trnsito cruces uno por uno, en la ciudad de Orizaba, Veracruz, Mxico, mediante microsimulacin, Revista de la Ingeniera Industrial, Volumen 1, No. 1, 2007, consultada el 4 de Enero del 2009. http://academiajournals.com/downloads/MorasOjeda.pdf Penner J., R. Hoar y C. Jacob, Swarm-based traffic simulation with evolutionary traffic light adaptation, http://www.actapress.com/PaperInfo.aspx?PaperID=26033&reason=500, consultada el 6 de Enero del 2009. ProModel Corporation, Users Guide, U.S.A., 1999. Sasaki M. y T. Nagatani, Transition and saturation of traffic flow controlled by traffic lights, http://www.sciencedirect.com/science?_ob=ArticleURL&_udi=B6TVG-4891NS52&_user=10&_rdoc=1&_fmt=&_orig=search&_sort=d&view=c&_acct=C000050221&_versio n=1&_urlVersion=0&_userid=10&md5=5966b12b8dec9f3ed30091bd29337bfe, consultada el 28 de Diciembre del 2008. Warberg, A., Intelligent Traffic Light Management: Arterial Simulation & Optimization, http://www.man.dtu.dk/English/Research/Orbit_IPL.aspx?lg=showcommon&id=224465, consultada el 25 de Diciembre del 2008. Wahle, J., L. Neubert, J. Esser y M. Schreckenberg, A cellular automaton traffic flow model for online simulation of traffic, http://www.sciencedirect.com/science?_ob=ArticleURL&_udi=B6V12-42RDN10C&_user=10&_rdoc=1&_fmt=&_orig=search&_sort=d&view=c&_acct=C000050221&_versio n=1&_urlVersion=0&_userid=10&md5=4750bd97fa9e2219c6be9826e70203ef, consultada el 4 de Enero del 2009. Wiering, M., Intelligent traffic Light control, http://www.ercim.org/publication/Ercim_News/enw53/wiering.html, consultada el 28 de Diciembre del 2008. Wiering, M., J. Vreeken, J. Van Veenen y A. Koopman, Simulation and optimization of traffic in a city, http://ieeexplore.ieee.org/xpl/freeabs_all.jsp?isnumber=29469&arnumber=1336426&count =171&index=81, consultada el 30 de Diciembre del 2008.

23