⚡ electrical engineering

Stochastic and Dynamic Fundamental Diagram for Mixed Traffic

Este estudio propone un marco de diagrama fundamental estocástico y dinámico para el tráfico mixto que demuestra cómo tanto la tasa de penetración como la secuencia específica de vehículos automatizados y conducidos por humanos influyen significativamente en la magnitud y la variabilidad de la histéresis del tráfico.

Autores originales: Jiwan Jiang, Soyoung Ahn

Publicado 2026-04-29

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jiwan Jiang, Soyoung Ahn

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 tráfico como una larga fila de personas tomadas de la mano, intentando caminar al mismo ritmo. A veces, la persona del frente tropieza o acelera, y ese pequeño bamboleo se propaga a lo largo de la fila. En ingeniería de tráfico, este bamboleo se denomina "bucle de histéresis". Piénsalo como una banda elástica: cuando la estiras (el tráfico se congestiona), vuelve a su lugar de forma diferente a como se estiró. El artículo demuestra que si solo observas el número promedio de personas en la fila, te pierdes toda la historia de cómo esa banda elástica se estira y se contrae.

Esto es lo que hace este artículo, desglosado en conceptos sencillos:

1. El Problema: El Mapa "Estático" vs. El Viaje "Real"

Tradicionalmente, los ingenieros utilizan un "Diagrama Fundamental" para predecir el tráfico. Imagina esto como un mapa estático de una ciudad. Te dice: "Si hay 50 coches por milla, la velocidad será de 30 mph". Asume que el tráfico es tranquilo y constante.

Pero el tráfico real es caótico. Es más como un video en directo de una montaña rusa. Cuando ocurre una perturbación (como una frenada repentina), el tráfico no solo se desplaza a lo largo del mapa; traza un bucle elíptico y desordenado. El artículo llama a esto "histéresis del tráfico". Los mapas antiguos no pueden explicar por qué el tráfico a veces se queda atascado incluso después de que la carretera se despeja.

2. Los Nuevos Actores: Humanos vs. Robots

Ahora, estamos mezclando Vehículos Conducidos por Humanos (HDV) con Vehículos Automatizados (AV).

Los Humanos son como un grupo de amigos caminando juntos. Reaccionan de forma diferente dependiendo de la velocidad a la que van, de lo cansados que estén y de cuánto espacio tengan. Sus reacciones son no lineales y un poco caóticas. Si la persona del frente se mueve un poco, un humano podría reaccionar en exceso y pisar el freno de golpe.
Los AV (Robots) son como una banda de marcha. Siguen reglas estrictas. Si el líder se mueve, el robot calcula exactamente cómo moverse. Sus reacciones son lineales y predecibles.

El artículo pregunta: ¿Qué sucede cuando mezclas a los amigos caóticos con la banda de marcha?

3. El Ingrediente Secreto: "Análisis de Función Descriptiva"

Las matemáticas del artículo son pesadas, pero la idea es sencilla. Los autores utilizan un truco llamado Análisis de Función Descriptiva.
Imagina que intentas entender cómo reacciona un objeto inestable y no lineal (como un conductor humano) a un ritmo constante (como un latido de tambor). En lugar de intentar resolver la ecuación imposible para cada bamboleo individual, los autores dicen: "Simplemente observemos el ritmo principal". Transforman el comportamiento humano desordenado en una versión "aproximadamente lineal" que pueden calcular. Es como convertir una línea irregular y garabateada en una línea recta y suave, justo lo suficiente para que las matemáticas funcionen.

4. El Gran Descubrimiento: No es Solo Cuántos, Sino Dónde

Los investigadores ejecutaron miles de simulaciones por computadora (como lanzar dados millones de veces) para ver cómo se comporta el tráfico con diferentes mezclas de humanos y robots. Descubrieron dos cosas enormes:

A. El Orden Importa (El Plano de Asientos)
No importa solo cuántos robots hay en la fila; importa dónde se sientan.

Escenario 1: Robots Primero. Si los robots están al frente, inician un bamboleo muy preciso y rítmico. Cuando los humanos detrás de ellos sienten este bamboleo, se confunden y reaccionan en exceso porque los humanos se ponen más nerviosos cuanto mayor es el bamboleo. Esto crea un bucle enorme y desordenado (grandes atascos).
Escenario 2: Humanos Primero. Si los humanos están al frente, crean un bamboleo desordenado. Pero cuando los robots detrás de ellos lo sienten, lo suavizan con calma. Esto crea un bucle más pequeño y compacto (menos problemas de tráfico).
Analogía: Imagina una fila de personas pasando un cubo de agua. Si la primera persona (robot) vierte el agua perfectamente, la segunda persona (humano) podría entrar en pánico y derramarla. Pero si la primera persona (humano) derrama un poco, la segunda persona (robot) podría recogerla perfectamente. El orden cambia el resultado.

B. Más Robots Generalmente Ayuda, Pero la Ubicación es Clave
Generalmente, tener más robots en la fila hace que el tráfico sea más fluido y reduce el tamaño de esos "bucles de histéresis". Los robots actúan como amortiguadores. Sin embargo, el artículo advierte que si colocas a los robots en los lugares equivocados (como en el propio frente), podrían hacer que los conductores humanos estén más nerviosos, lo que llevaría a problemas mayores que si tuvieras menos robots.

5. La Conclusión

El artículo concluye que para entender el tráfico, no podemos simplemente contar el número de robots. Tenemos que observar la secuencia.

La Vieja Forma: "Tenemos un 50% de robots, por lo que el tráfico será un 50% mejor".
La Nueva Forma: "Tenemos un 50% de robots, pero como están sentados al frente, el tráfico podría ser en realidad peor que si estuvieran al final".

En resumen, el tráfico es un baile. El artículo muestra que conocer la música (el número de robots) no es suficiente; tienes que saber quién lidera el baile (la secuencia) para entender cómo se moverá toda la fila.

A continuación se presenta un resumen técnico detallado del artículo "Diagrama Fundamental Estocástico y Dinámico para Tráfico Mixto" de Jiwan Jiang y Soyoung Ahn.

1. Planteamiento del Problema

La teoría tradicional del flujo vehicular se basa en el Diagrama Fundamental (DF), que representa una relación estática y determinista entre flujo, densidad y velocidad bajo equilibrio de estado estacionario. Sin embargo, el tráfico real rara vez permanece en equilibrio; exhibe histéresis del tráfico, donde la trayectoria flujo-densidad traza un bucle elíptico en lugar de una única curva.

La literatura existente enfrenta tres brechas críticas al abordar el tráfico mixto (compuesto por Vehículos Automatizados [AV] y Vehículos Conducidos por Humanos [HDV]):

Suposiciones Deterministas: La mayoría de los modelos tratan el comportamiento de seguimiento de vehículos (CF) como determinista, ignorando la aleatoriedad intrínseca de los tiempos de reacción humanos y la incertidumbre paramétrica de los controladores AV.
Omisión de la Secuenciación: Si bien las tasas de penetración (el porcentaje de AV) se estudian a menudo, la secuencia espacial (ordenamiento) de los AV y HDV dentro de un pelotón se pasa por alto con frecuencia. Las observaciones de campo sugieren que la agrupación frente a la dispersión aleatoria impacta significativamente el rendimiento macroscópico.
Complejidad Dinámica: Existe una falta de un marco integral que integre la dinámica de vehículos de alto orden, el comportamiento estocástico y la secuenciación de vehículos para explicar cómo evolucionan los bucles de histéresis en el tráfico mixto.

2. Metodología

Los autores proponen un marco de DF Dinámico Estocástico Basado en Secuencias que conecta los comportamientos de conducción microscópicos con los estados de tráfico macroscópicos. La metodología consta de tres componentes centrales:

A. Análisis de Función Descriptiva (DFA)

Para manejar la no linealidad de los modelos de seguimiento de vehículos HDV (por ejemplo, OVM, GFM, FVDM, IDM) manteniendo la capacidad de realizar análisis en el dominio de la frecuencia, los autores emplean DFA.

Linealización: DFA aproxima los sistemas no lineales reteniendo solo el armónico fundamental de la salida cuando se impulsa con una entrada sinusoidal.
Funciones de Transferencia: Esto permite la derivación de funciones de transferencia lineales aproximadas y dependientes de la amplitud ( $G(j\omega)$ ) para leyes de CF no lineales. Esto cierra la brecha entre los modelos no lineales de HDV y los controladores lineales AV.
Balance Armónico: El método asegura la consistencia dinámica resolviendo la amplitud y el desplazamiento de fase donde la respuesta sinusoidal asumida coincide con la salida del sistema.

B. Marco Probabilístico para Pelotones Mixtos

El estudio modela un pelotón de $N$ vehículos liderado por una perturbación sinusoidal.

Modelo Recursivo de Amplitud: La amplitud de oscilación del $l$ -ésimo vehículo ( $A_l$ ) se calcula recursivamente basándose en la amplitud del predecesor ( $A_{l-1}$ ) y la ley de CF específica del vehículo y sus parámetros.
Fuentes de Incertidumbre: El marco incorpora:
1. Heterogeneidad de Modelos: Diferentes leyes de CF (por ejemplo, IDM vs. OVM para HDV; Lineal vs. Orden superior para AV).
2. Aleatoriedad Paramétrica: Los parámetros de CF se tratan como variables aleatorias extraídas de distribuciones previas (calibradas mediante Computación Bayesiana Aproximada en los conjuntos de datos NGSIM y MA).
3. Variabilidad de Secuencia: Enumeración explícita del ordenamiento de vehículos (por ejemplo, AV primero, HDV primero, alterno, aleatorio).

C. Formulación del DF Dinámico Estocástico

Mapeo Macroscópico: Las oscilaciones microscópicas de espaciado y velocidad se mapean a la densidad macroscópica ( $\tilde{k}$ ) y al flujo ( $\tilde{q}$ ).
Simulación de Monte Carlo: Dado que las funciones de densidad de probabilidad (PDF) en forma cerrada para la distribución conjunta de densidad y flujo son intratables debido a la complejidad del proceso estocástico recursivo, los autores utilizan simulaciones de Monte Carlo. Muestrean miles de secuencias y conjuntos de parámetros para generar la PDF conjunta del DF dinámico.

3. Contribuciones Clave

Marco Novel: Desarrollo del primer DF dinámico estocástico basado en secuencias que cuenta explícitamente tanto con la heterogeneidad de clases de vehículos (AV vs. HDV) como con la secuenciación espacial.
Híbrido Analítico-Computacional: Integración exitosa del Análisis de Función Descriptiva (para la tratabilidad analítica de no linealidades) con la simulación de Monte Carlo (para capturar distribuciones estocásticas completas).
Cuantificación de Efectos de Secuenciación: Demostración de que el orden de los vehículos es tan crítico como la tasa de penetración para determinar la estabilidad del tráfico y la magnitud de la histéresis.
Calibración: Calibración de probabilidades y parámetros de modelos de CF utilizando datos de trayectoria de alta resolución del mundo real (conjuntos de datos I-80 e I-24) y experimentos controlados de AV (conjunto de datos MA).

4. Resultados Clave

El estudio realizó experimentos numéricos con un pelotón de 21 vehículos, variando las tasas de penetración de AV (0% a 100%) y los escenarios de secuenciación.

A. Impacto de la Secuenciación de Vehículos

Escenario AV-Primero (AV liderando): Produjo los bucles de histéresis más grandes y la mayor variabilidad de flujo.
- Mecanismo: Los AV inician oscilaciones estructuradas. A medida que estas se propagan a los HDV que siguen, el comportamiento no lineal y dependiente de la amplitud de los HDV amplifica las oscilaciones, dando lugar a bucles de histéresis erráticos y amplios.
Escenario HDV-Primero (HDV liderando): Produjo los bucles de histéresis más pequeños y la menor variabilidad.
- Mecanismo: Los HDV al frente generan perturbaciones iniciales, pero los AV subsiguientes (que son menos sensibles a la amplitud) atenúan y estabilizan las oscilaciones a medida que se propagan aguas abajo.
Alterno/Aleatorio: Dio como resultado resultados intermedios, confirmando que las estrategias de mezcla importan.

B. Impacto de la Tasa de Penetración de AV

Amortiguación de Histéresis: Generalmente, aumentar la penetración de AV reduce la magnitud (área) y la variabilidad del bucle de histéresis.
- Área de la Envoltura Convexa de Alta Densidad: Disminuyó de 861.82 (0% AV) a 694.34 (100% AV) $veh^2/(km \cdot h)$ .
- Desviación Estándar del Flujo: Disminuyó de 104.29 a 72.19 $veh/h$.
No Monotonía: La mejora no es estrictamente lineal. En algunos escenarios de penetración intermedia (por ejemplo, 33.3% o 66.7%), la variabilidad puede aumentar temporalmente dependiendo de la secuencia específica, destacando que "más AV" no siempre equivale a "mejor estabilidad" sin considerar la colocación.

C. Análisis de Respuesta en Frecuencia

Los modelos HDV (OVM, GFM, FVDM, IDM) generalmente exhiben estabilidad marginal (ganancia $|G| \approx 1$ ) a bajas frecuencias, lo que los hace propensos a la amplificación de ondas.
El IDM mostró la mayor sensibilidad a la elección de parámetros, resultando en la dispersión más amplia en la respuesta dinámica.

5. Significado e Implicaciones

Avance Teórico: El artículo va más allá de los DF estáticos y los modelos deterministas, proporcionando una base matemática rigurosa para comprender la naturaleza estocástica y dinámica del tráfico en la era de la automatización.
Política y Gestión:
- Formación de Pelotones: Las estrategias de gestión del tráfico deben considerar la secuenciación de vehículos. Por ejemplo, colocar AV en la parte trasera de un pelotón mixto (o asegurar que los HDV lideren) puede ser más efectivo para suprimir las ondas de parada y arranque que colocar AV al frente.
- Gestión de la Era de Transición: Durante la fase de adopción parcial de AV, simplemente aumentar el número de AV es insuficiente; su distribución espacial debe optimizarse para minimizar la histéresis y maximizar la capacidad.
Direcciones Futuras: El marco sugiere que el ajuste futuro de controladores para AV debe tener en cuenta explícitamente la naturaleza estocástica de los conductores humanos y el potencial de inestabilidad dependiente de la secuencia.

En conclusión, el estudio demuestra que la histéresis del tráfico en entornos mixtos no está gobernada solo por la composición de AV y HDV, sino críticamente por cómo interactúan a través de su secuenciación específica, ofreciendo una nueva lente para diseñar sistemas de tráfico mixto estables.