⚡ electrical engineering

Bulk Service Queueing for Transit Resilience under Short Random Service Suspensions

Este artículo desarrolla un marco analítico que combina un proceso de movimiento de vehículos de dos estados con un modelo de colas de servicio en bloque para cuantificar la resiliencia de las líneas de tránsito frente a suspensiones de servicio aleatorias y breves, revelando que tales incidentes impactan desproporcionadamente a las estaciones congestionadas y que la duración del incidente y la frecuencia programada a menudo pesan más que la capacidad del vehículo en la determinación del rendimiento del sistema.

Autores originales: Baichuan Mo, Li Jin, Zhengzhong Ricky You, Haris N. Koutsopoulos, Zuo-Jun Max Shen, Jinhua Zhao

Publicado 2026-07-22

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Baichuan Mo, Li Jin, Zhengzhong Ricky You, Haris N. Koutsopoulos, Zuo-Jun Max Shen, Jinhua Zhao

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el sistema de transporte público de una ciudad como un gigante y vivo río de personas que fluye a través de tuberías. En un mundo ideal, este río se mueve en pulsos rítmicos perfectos: un autobús o un tren llega, todos suben y este parte exactamente a tiempo, listo para el siguiente grupo. Pero en el mundo real, el río se vuelve agitado. A veces, un autobús se queda atrapado en un semáforo en rojo que dura demasiado tiempo, o la puerta de un tren se atasca durante unos minutos. Estas son "suspensiones de servicio": pausas cortas y aleatorias que desequilibran todo el horario. Cuando un vehículo se retrasa, el que viene detrás lo alcanza, creando un "grupo" de vehículos que llegan juntos, dejando un largo intervalo antes de que venga el siguiente. Esto es una mala noticia para los pasajeros, que terminan esperando más tiempo y haciendo filas más largas.

Para entender cómo solucionar esto, los científicos utilizan una rama de las matemáticas llamada "teoría de colas". Piensa en ello como el estudio de las filas. Si alguna vez has esperado en una fila en una cafetería, sabes que si los clientes llegan más rápido de lo que el barista puede atenderlos, la fila crece indefinidamente. Si llegan más lento, la fila se mantiene corta. La parte complicada es cuando el barista de repente deja de trabajar durante un tiempo aleatorio. ¿La fila crece fuera de control o eventualmente se estabiliza? Este artículo aborda exactamente esa pregunta para el transporte público, pero con un giro: se centra en paradas muy cortas y aleatorias (como un retraso de 2 minutos) en lugar de un autobús averiado durante horas. El objetivo es averiguar exactamente cómo estos pequeños y frecuentes contratiempos afectan la longitud de la fila y el tiempo que la gente pasa esperando, y predecir cuándo una estación podría volverse tan congestionada que el sistema colapse.

El Artículo: "Colas de Servicio en Bloque para la Resiliencia del Transporte ante Suspensiones de Servicio Cortas y Aleatorias"

Este artículo es como una historia de detectives sobre por qué las paradas de autobús se llenan de gente, pero en lugar de buscar al culpable, los autores buscan una fórmula matemática que prediga el caos. Los autores, un equipo de investigadores de universidades de China, EE. UU. y el Reino Unido, construyeron un nuevo "microscopio matemático" para observar de cerca qué sucede cuando una línea de transporte es golpeada por una ráfaga de retrasos cortos y aleatorios.

La Configuración: El Autobús, Los Pasajeros y el Fallo
Imagina una ruta de autobús como una larga cinta transportadora. Los pasajeros llegan a las estaciones como gotas de lluvia golpeando una acera. Normalmente, un autobús llega, recoge a tantas personas como pueda admitir (hasta su capacidad) y parte. Esto se llama una cola de "servicio en bloque" porque el autobús sirve a un "bloque" de personas a la vez, no de una en una.

Ahora, imagina que cada vez que un autobús viaja entre estaciones, tiene la posibilidad de sufrir un "fallo": una suspensión corta donde deja de moverse. Tal vez un pasajero tropieza, una señal falla o el tráfico se vuelve extraño. Los autores modelan estos fallos como un juego de "parar y seguir". El autobús viaja a una velocidad normal, luego entra repentinamente en un "estado de interrupción" donde se detiene por completo durante un tiempo aleatorio (como un pinchazo que se arregla en 30 segundos).

El Gran Desafío: El Efecto Dominó
El verdadero problema no es solo un autobús deteniéndose; es lo que sucede después. Si el Autobús A se detiene un minuto, el Autobús B (que debía ir detrás) lo alcanza. Cuando el Autobús A finalmente se mueve, el Autobús B está justo en su estela. Esto crea un "grupo" de autobuses. Pero aquí está el detalle: si el Autobús A está lleno de gente, el Autobús B podría llegar a una estación con muy pocos asientos vacíos, o tal vez incluso cero. Los pasajeros que querían subir al Autobús B se quedan atrás, y tienen que esperar al siguiente. Esto crea un efecto dominó donde un retraso de apenas 1 minuto puede convertirse en una espera de 10 minutos para alguien en la siguiente parada.

La Solución: Una Nueva Forma de Contar
Los autores desarrollaron una nueva y astuta forma de calcular esto. En lugar de intentar rastrear cada uno de los autobuses y cada uno de los pasajeros en una simulación gigante y desordenada (lo cual es difícil de hacer rápidamente), crearon un "marco analítico". Piensa en esto como una fórmula de atajo.

Hicieron algunas suposiciones inteligentes para que las matemáticas funcionaran:

La Suposición de "Independencia": Asumieron que el tiempo entre autobuses (el "headway") actúa como un lanzamiento de dados fresco para cada par de autobuses, ignorando el hecho de que, en la vida real, un retraso en el Autobús A suele afectar al Autobús B. Esta es una simplificación, pero hace que las matemáticas sean resolubles.
La Aproximación "Normal": Se dieron cuenta de que el tiempo total perdido debido a muchos pequeños fallos se acumula de una manera que se parece mucho a una "curva de campana" (una distribución normal). Esto les permitió usar herramientas matemáticas estándar para predecir el caos.

Lo Que Encontraron
Utilizando sus nuevas fórmulas, los autores descubrieron algunas cosas sorprendentes sobre cómo los sistemas de transporte gestionan el estrés:

El "Punto de Inflexión": Encontraron una regla específica para determinar cuándo una estación se vuelve inestable. Si el número de personas que llegan a una estación es demasiado alto en comparación con los asientos disponibles en los autobuses, la fila crecerá indefinidamente. Sus matemáticas muestran exactamente cómo factores como la frecuencia de los fallos, cuánto duran y cuántos autobuses hay, determinan si se alcanza este punto de inflexión.
Los Fallos Cortos Afectan Más a los Ya Congestionados: El estudio muestra que los retrasos cortos y aleatorios no afectan a todos por igual. Golpean con más fuerza a las estaciones que ya están congestionadas. Si una estación ya está ocupada, un pequeño retraso de 1 minuto puede causar un aumento masivo en los tiempos de espera.
Capacidad vs. Frecuencia: Los autores realizaron simulaciones para ver qué soluciona mejor el problema. Descubrieron que simplemente añadir más autobuses (aumentar la capacidad) no siempre es la solución más efectiva. A veces, cambiar el horario para que los autobuses pasen con más frecuencia (headways más cortos) o reducir el tiempo que los autobuses pasan detenidos (duración del incidente) tiene un impacto mucho mayor en la reducción de los tiempos de espera. De hecho, para algunos escenarios, cambiar el horario fue más poderoso que añadir más asientos al autobús.

¿Qué Tan Seguros Están?
Los autores no solo conjeturaron; probaron sus matemáticas. Compararon sus nuevas fórmulas contra una simulación informática masiva que rastreaba cada autobús y cada pasajero en un mundo de "Primero en Entrar, Primero en Salir" (FIFO), donde los retrasos realmente se propagan por el sistema.

Los resultados fueron impresionantes. Para la mayoría de los escenarios, sus fórmulas fueron muy cercanas a los resultados de la simulación, con errores que usualmente fueron menores al 5%. Sin embargo, sí encontraron un límite. Cuando los retrasos eran muy largos (como 2 minutos en promedio) o el sistema estaba extremadamente congestionado, su atajo de "independencia" empezó a alejarse de la realidad. En esos casos extremos, el error al predecir la longitud de la cola aumentó hasta un 16%. Esto nos indica que su método es excelente para suspensiones aleatorias "cortas", pero podría necesitar un ajuste para retrasos más largos y caóticos.

Por Qué Es Importante
Este artículo ofrece a los planificadores de transporte una nueva herramienta. En lugar de simplemente adivinar cuántos autobuses necesitan o con qué frecuencia deben circular, pueden usar estas fórmulas para predecir exactamente qué tan resiliente es su sistema. Pueden preguntar: "¿Si tenemos un 10% más de fallos el próximo año, nuestro sistema colapsará?" o "¿Es mejor comprar autobuses más grandes o hacer que circulen con más frecuencia?".

Los autores sugieren que este marco puede ayudar a las ciudades a diseñar sistemas de transporte que no solo sobrevivan a los retrasos cortos y molestos, sino que realmente mantengan un movimiento fluido incluso cuando las cosas salen mal. Convierte el desorden caótico de un autobús retrasado en un patrón predecible, ayudando a los planificadores a construir sistemas más robustos y confiables para todos.

Resumen Técnico: Colas de Servicio en Bloque para la Resiliencia del Transporte bajo Suspensiones de Servicio Aleatorias Cortas

Planteamiento del Problema
Los sistemas de transporte público (PTS, por sus siglas en inglés) experimentan frecuentemente suspensiones de servicio cortas y no planificadas (por ejemplo, fallos de señalización, comportamiento de pasajeros, problemas de infraestructura) que son difíciles de cuantificar operativamente. Si bien la literatura existente aborda las colas de servicio en bloque bajo operaciones normales o modela las averías de los servidores con tamaños de lote fijos, existe una falta de marcos analíticos que vinculen las suspensiones de servicio aleatorias con los intervalos de paso (headways) estocásticos, la capacidad variable de los vehículos y el remanente de pasajeros a lo largo de una ruta de tránsito. Específicamente, los modelos actuales tienen dificultades para capturar cómo las interrupciones cortas erosionan la resiliencia mediante el crecimiento de las colas y la variabilidad del tiempo de espera cuando la capacidad de embarque disponible en una estación depende de la carga a bordo propagada desde estaciones aguas arriba.

Metodología
Los autores desarrollan un marco de colas de servicio en bloque analítico para una ruta de PTS única bajo suspensiones de servicio aleatorias cortas. La metodología avanza a través de cuatro componentes principales:

Movimiento de Vehículos y Modelado de Suspensión: El movimiento del vehículo se modela como un proceso de Markov de dos estados (Estado Normal y Estado de Disrupción). En el Estado Normal, los vehículos viajan a una velocidad constante; en el Estado de Disrupción, se detienen inmediatamente. Las duraciones de los incidentes siguen una distribución exponencial. Esto crea un "intervalo de paso bruto" definido por la diferencia entre los intervalos de paso programados ajustados por incidentes y la duración acumulada de los incidentes de vehículos consecutivos.
Aproximación de Renovación Independiente: Para asegurar la tractabilidad analítica, los autores proponen una aproximación de renovación independiente para los intervalos de paso. En lugar de propagar retrasos de forma recursiva (lo que crea dependencia serial), el modelo asume que los intervalos de paso son independientes e idénticamente distribuidos (i.i.d.). Se construye la distribución marginal común tomando la parte positiva de un intervalo de paso bruto. El intervalo de paso bruto se aproxima mediante una distribución normal derivada de la diferencia de dos variables de Poisson compuesto exponenciales independientes (que representan las duraciones de los incidentes). Se utiliza una aproximación normal censurada con una masa de punto en cero para manejar la restricción de no negatividad, lo que permite la derivación de una función generadora de momentos (MGF) y una función generadora de probabilidad (PGF) de llegada de pasajeros dentro de un intervalo de paso.
Propagación de Probabilidad a Nivel de Ruta: El modelo vincula las estaciones secuencialmente. Propaga recursivamente la distribución de los espacios disponibles en el vehículo (después del descenso de pasajeros) y las colas de pasajeros. Se emplea un supuesto de "desacoplamiento marginal de la ruta", que postula que la carga restante a bordo y la cola local de pasajeros son independientes en cada estación. Esto permite que los indicadores de resiliencia (media y varianza de la longitud de la cola y el tiempo de espera) se calculen secuencialmente desde el nodo central hasta la estación final.
Implementación Numérica: Para resolver este modelo de cola de servicio en bloque basado en transformadas, los autores desarrollan un algoritmo de búsqueda de raíces recursivo. Este algoritmo utiliza una búsqueda basada en interpolación con inicialización estructurada y certificación de multiplicidad para encontrar todas las raíces complejas de la ecuación característica requerida para los cálculos de probabilidad de la cola, abordando los cuellos de botella numéricos de los resolvedores estándar.

Contribuciones Clave

Marco Analítico: Desarrollo de un marco de colas de servicio en bloque que modela explícitamente las suspensiones de servicio aleatorias mediante un proceso de velocidad del vehículo, proporcionando una interpretación operativa directa de las averías de los servidores en el tránsito.
Aproximación de Renovación para Intervalos de Paso: Derivación de una aproximación de renovación analíticamente tratable para los intervalos de paso bajo suspensiones. Esto incluye la construcción de la distribución marginal a partir de la parte positiva de un intervalo de paso bruto (formado por programas ajustados por incidentes y variables de Poisson compuesto) y la obtención de momentos de forma cerrada para las llegadas de pasajeros.
Modelo de Propagación a Nivel de Ruta: Creación de un modelo de propagación de probabilidad que vincula recursivamente el descenso de pasajeros, la capacidad disponible, las colas de la estación y las cargas de salida, permitiendo el cálculo de indicadores de resiliencia a lo largo de toda la ruta.
Algoritmo Numérico: Implementación de un algoritmo de resolución de raíces basado en interpolación que certifica la existencia y multiplicidad de las raíces para el modelo basado en transformadas, haciendo que el análisis sea computacionalmente factible para capacidades de vehículos realistas.

Resultados
Experimentos numéricos en una ruta de autobús de diez estaciones demuestran la utilidad del marco:

Análisis de Sensibilidad: Las suspensiones cortas afectan desproporcionadamente a las estaciones congestionadas. Los incrementos en la frecuencia de incidentes ( $\gamma$ ) y la duración ( $1/\theta$ ) aumentan significativamente tanto la media como la varianza de las longitudes de las colas y los tiempos de espera, particularmente en estaciones con alta demanda.
Impacto Comparativo: Los cambios en la duración del incidente y el intervalo de paso programado pueden dominar a cambios comparables en la capacidad del vehículo respecto a su impacto en las longitudes de las colas.
Estabilidad: La condición de estabilidad derivada ( $\rho < 1$ ) identifica cómo la frecuencia del incidente, la duración, la demanda, el intervalo de paso programado y la capacidad del vehículo determinan conjuntamente si la cola de una estación permanece acotada.
Validación: Las comparaciones con una simulación recursiva de Primero en Llegar, Primero en Ser Atendido (FIFO) muestran que las aproximaciones analíticas son precisas dentro del rango de parámetros probados. Los errores relativos $L_1$ para la longitud media de la cola y el tiempo de espera son generalmente bajos (por ejemplo, <6% para la configuración de referencia), aunque los errores aumentan cuando las duraciones de los incidentes son largas en relación con el intervalo de paso, tensionando la premisa de "suspensión corta".

Significancia y Reivindicaciones
El artículo afirma proporcionar una "manera tratable" de evaluar la capacidad, el intervalo de paso programado y las decisiones de mitigación de incidentes para mejorar la resiliencia del transporte. Al derivar expresiones de forma cerrada para la media y la varianza de la longitud de la cola y el tiempo de espera, el marco permite a los planificadores:

Evaluar la estabilidad de las líneas de tránsito bajo incidentes frecuentes y cortos.
Cuantificar la pérdida de capacidad inducida por los incidentes.
Informar decisiones de diseño y planificación, como determinar la capacidad óptima del vehículo o los ajustes de intervalo de paso para mantener los tiempos de espera por debajo de umbrales específicos.
Identificar las estaciones críticas que son más vulnerables a las suspensiones de servicio.

Los autores enfatizan que el modelo es un primer paso hacia una representación general de incidentes, específicamente adaptada para suspensiones cortas donde el abandono de pasajeros es insignificante. Reconocen las limitaciones, señalando que la aproximación de renovación independiente omite la dependencia serial y la propagación de retrasos, que pueden volverse significativas bajo disrupciones largas o sobresaturación persistente.

Más como este