From Optimization to Prediction: Transformer-Based Path-Flow Estimation to the Traffic Assignment Problem

Resumen Técnico: De la Optimización a la Predicción: Estimación de Flujos de Trayectoria Basada en Transformers para el Problema de Asignación de Tráfico

1. El Problema

El Problema de Asignación de Tráfico (TAP) busca determinar cómo se distribuyen los flujos de vehículos en una red de transporte, basándose generalmente en el principio de Equilibrio de Usuario (UE) de Wardrop. Tradicionalmente, este problema se resuelve mediante programas matemáticos de optimización (como el algoritmo Frank-Wolfe).

Sin embargo, los métodos tradicionales enfrentan dos desafíos críticos:

• Complejidad Computacional: El tiempo de cálculo crece de forma no lineal con el número de pares origen-destino (OD) y el número de rutas posibles, lo que los hace prohibitivos para redes de gran escala o aplicaciones en tiempo real.
• Rigidez ante Escenarios "What-if": Cualquier cambio en la demanda (tráfico) o en la topología de la red (cierre de calles) requiere resolver todo el problema de optimización desde cero, lo que impide análisis rápidos de planificación urbana.

2. Metodología Propuesta

Los autores proponen un cambio de paradigma: pasar de la optimización a la predicción mediante aprendizaje supervisado. La innovación central es el uso de una arquitectura de Transformer para predecir directamente la distribución de los flujos de trayectoria (path flows).

Componentes clave del modelo:

• Arquitectura Encoder-Decoder: Utiliza un codificador para procesar la información de la red (capacidad, longitud de enlaces, tiempos de viaje) y la demanda OD, y un decodificador para generar la distribución de flujos.
• Mecanismo de Atención Global (Self-Attention): A diferencia de las Redes Neuronales de Grafos (GNN) que dependen de mensajes locales entre nodos vecinos, el Transformer emplea atención global. Esto permite que el modelo capture dependencias de largo alcance y correlaciones complejas entre pares OD distantes en la red.
• Enfoque Basado en Trayectorias (Path-based): En lugar de predecir flujos en los enlaces (links), el modelo predice flujos en las rutas. Esto permite que la conservación de la demanda y las restricciones de flujo se cumplan de forma implícita por diseño, alineándose con la interpretación teoría de juegos del equilibrio de usuario.
• Entrada Multidimensional: El modelo integra características de los enlaces, tiempos de viaje en flujo libre, matrices de demanda OD y conjuntos de trayectorias factibles.

3. Contribuciones Principales

1. Nuevo Marco de Aprendizaje: Es el primer modelo de TAP que emplea una arquitectura de aprendizaje de secuencias basada en Transformers con atención global tanto en el codificador como en el decodificador.
2. Eficiencia Computacional: Elimina la necesidad de pasos de optimización iterativos, permitiendo inferencias órdenes de magnitud más rápidas.
3. Robustez y Generalización: El modelo es capaz de manejar perturbaciones simultáneas en la oferta (cambios en la red) y la demanda (datos OD incompletos) sin necesidad de reentrenamiento.
4. Capacidad Multi-clase: El modelo puede distinguir y asignar flujos para diferentes tipos de vehículos (por ejemplo, coches y camiones) con distintas dinámicas de viaje.

4. Resultados Experimentales

El modelo fue probado en redes sintéticas (Manhattan-like) y redes urbanas reales (Sioux Falls, Eastern-Massachusetts y Anaheim).

• Velocidad: En la red de Anaheim, el modelo fue más de 20,000 veces más rápido que el optimizador Gurobi (0.0017s frente a 36s por matriz de demanda).
• Precisión: A pesar de trabajar con datos de demanda incompletos (30% de datos faltantes), el modelo mantuvo errores bajos (MAPE de trayectoria de ~5.5% en la red sintética).
• Adaptabilidad: En escenarios de "qué pasaría si" (eliminación de enlaces o cambios topológicos), el modelo demostró una alta capacidad de generalización, manteniendo el retraso de la red cerca de los valores óptimos de equilibrio.
• Comparación con otros modelos: Superó significativamente al modelo MLP (Perceptrón Multicapa) en términos de precisión, ya que el MLP no puede capturar las interdependencias estructurales de la red.

5. Significado e Impacto

Este trabajo representa un avance significativo para la ingeniería de transporte y la planificación urbana inteligente. Al transformar un problema de optimización costoso en un problema de predicción ultra rápido, permite a los planificadores realizar análisis de escenarios masivos en tiempo real. La capacidad del modelo para "entender" la estructura de la red mediante atención global lo hace una herramienta escalable y robusta para la gestión de infraestructuras críticas y la toma de decisiones basada en datos en entornos urbanos complejos y dinámicos.