Resumen Técnico: Estimación Libre de Simulación de Flujos de Tráfico a partir de Datos de Conteo Dispersos

Planteamiento del Problema

El desafío central abordado es la estimación de patrones de flujo de tráfico variables en el tiempo y trayectorias a nivel de arco a partir de conteos de vehículos agregados y dispersos recolectados por sensores fijos (por ejemplo, bucles de inducción, cámaras). Este problema es intrínsecamente subdeterminado, ya que múltiples configuraciones de trayectoria pueden reproducir los mismos conteos agregados.

Los enfoques existentes enfrentan compromisos significativos:

• Métodos basados en simulación: Logran una alta precisión ajustando iterativamente los parámetros de la demanda hasta que los conteos simulados coinciden con las observaciones. Sin embargo, requieren ejecutar simulaciones de tráfico completas en cada iteración, lo que conlleva costos computacionales prohibitivos que dificultan la escalabilidad para redes a nivel de ciudad.
• Métodos analíticos/offline: Son más rápidos pero a menudo dependen de supuestos fuertes (por ejemplo, condiciones de flujo libre, modelos de elección de ruta predefinidos), requieren matrices de Origen-Destino (OD) previas o dependen de una cobertura de sensores densa y datos de trayectoria (por ejemplo, sondas GPS) para restringir el espacio de la solución.

El artículo se pregunta si es posible estimar flujos de tráfico variables en el tiempo de manera precisa a partir únicamente de conteos de sensores dispersos, sin retroalimentación de simulación o matrices OD previas, a un costo computacional escalable a redes de nivel de ciudad.

Metodología

El método propuesto es un marco jerárquico libre de simulación que reconstruye los flujos de tráfico en dos etapas distintas: Asignación a Nivel de Región y Asignación a Nivel de Arco.

1. Asignación a Nivel de Región (Optimización Global)

El área de estudio se particiona en regiones espaciales ($R$). En lugar de optimizar inmediatamente a nivel de arco, el método resuelve un problema de optimización global para asignar flujos de vehículos a rutas de región a región ($\Phi$) factibles.

• Matriz de Contribución ($C$): Una matriz de contribución ponderada codifica la cobertura de los sensores. Cada entrada $C(\phi, \rho)$ representa la proporción ponderada de los sensores en la región $\rho$ atravesados por la ruta regional $\phi$. Esta ponderación orienta al optimizador hacia configuraciones de flujo directamente observables por los sensores.
• Objetivo de Optimización: El método resuelve un problema de mínimos cuadrados ponderados para encontrar flujos de ruta no negativos ($x_t$) que minimicen la discrepancia entre los conteos regionales predichos ($\hat{y}_t = C^\top x_t$) y los conteos observados ($y_t$). La función de pérdida $L(x_t)$ combina dos términos:
  • Pérdida Regional Ponderada ($L_{reg}$): Penaliza las discrepancias por región, ponderadas inversamente por los conteos observados para evitar que las regiones de alto volumen dominen el gradiente.
  • Pérdida Agregada ($L_{aggr}$): Penaliza la desviación relativa entre los volúmenes de tráfico totales predichos y observados para asegurar la consistencia global.
• Solucionador: El problema se resuelve utilizando el optimizador basado en gradientes Adam con recorte de gradiente (gradient clipping). Las restricciones de no negatividad se imponen mediante una transformación softplus.

2. Asignación a Nivel de Arco (Refinamiento de Trayectoria)

Una vez determinados los flujos regionales, el método refina cada ruta regional en trayectorias concretas a nivel de arco.

• Generación de Rutas: Para una ruta regional, se seleccionan arcos "vía" representativos dentro de cada región. Se calculan las rutas más cortas entre los arcos vía consecutivos para formar rutas candidatas a nivel de arco.
• Calificación y Selección: Las rutas candidatas se califican según dos criterios:
  1. Cobertura de Volumen: La fracción del tráfico regional capturado por los sensores a lo largo de la ruta del arco.
  2. Similitud de Forma Temporal: La similitud entre el perfil de demanda temporal de la ruta y el perfil agregado de la ruta regional de la que proviene (medida mediante el producto interno normalizado en $L_1$).
• Muestreo: Las rutas se clasifican por una puntuación combinada y se convierten en una distribución de probabilidad mediante softmax. Los vehículos asignados a la ruta regional se distribuyen entonces entre las rutas de arco candidatas mediante el muestreo de esta distribución.

Contribuciones Clave

1. Marco Libre de Simulación: El método estima modelos de tráfico directamente a partir de datos brutos de sensores sin requerir retroalimentación de un simulador de tráfico, eliminando el cuello de botella computacional de la simulación iterativa.
2. Sin Matriz OD Previa: A diferencia de muchos métodos de vanguardia, no requiere una matriz OD previa ni datos de trayectoria GPS; infiere flujos basándose en rutas plausibles en el grafo de la red vial.
3. Descomposición Jerárquica: Al abstraer el problema de calibración a agregados espaciales primero, el método asegura la concordancia regional por construcción y simplifica el panorama de optimización.
4. Escalabilidad y Eficiencia: La dimensionalidad del problema depende del número de rutas regionales en lugar de los enlaces de la red, y su objetivo totalmente diferenciable permite el uso de optimizadores eficientes basados en gradientes.

Resultados Experimentales

El método fue evaluado en la red vial de Bruselas utilizando datos de tráfico reales de 369 sensores (1 de marzo de 2024) y validado contra escenarios sintéticos.

• Desempeño vs. Baselines:
  • Método Propuesto: Logró un Error Absoluto Medio (MAE) de 44.16 y un RMSE de 51.80.
  • Baseline Basado en Simulación: Logró un MAE de 67.02 y un RMSE de 80.18.
  • RouteSampler (herramienta SUMO): Logró un MAE de 192.45 y un RMSE de 237.24.
• Costo Computacional:
  • El método propuesto requirió aproximadamente 23 segundos para evaluar la asignación a nivel de región durante 24 horas.
  • El baseline basado en simulación requirió un promedio de 69 minutos para converger.
  • El método propuesto es aproximadamente 180 veces más rápido que el baseline basado en simulación.
• Reconstrucción del Perfil de Tráfico: El método reprodujo con éxito el perfil de tráfico diario (incluyendo las estructuras de pico) y la estructura de la matriz de transición global. Aunque ocurrieron algunos errores a nivel de arco en distritos centrales de alta densidad debido a la naturaleza subdeterminada del problema, el ajuste a nivel regional fue robusto.
• Validación Sintética: En escenarios sintéticos con una verdad de campo conocida, el método recuperó la estructura de enrutamiento global y las probabilidades de transición con alta fidelidad, aunque ocasionalmente subdiversificó las salidas en regiones con cobertura de sensores dispersa.

Significancia y Reivindicaciones

El artículo afirma que el enfoque propuesto ofrece una solución práctica para la calibración del tráfico urbano donde los recursos computacionales son limitados o las actualizaciones en tiempo real son necesarias. Al operar a través de una estructura regional jerárquica, el método abstrae el problema de calibración a una aproximación más simple mientras asegura la concordancia regional.

Los autores enfatizan que el método recupera un modelo de tráfico plausible y regionalmente consistente, en lugar de un modelo "verdadero" único, reconociendo la naturaleza subdeterminada del problema inverso. La significancia radica en proporcionar una alternativa computacionalmente eficiente a la calibración basada en simulación que no depende de matrices de demanda previas o datos de trayectoria densos, lo que lo hace adecuado para redes de nivel de ciudad con cobertura de sensores dispersa.

Limitaciones Reconocidas

El artículo señala explícitamente tres limitaciones:

1. Subdeterminación: Sin datos adicionales (por ejemplo, trayectorias de sondas), múltiples configuraciones de flujo pueden ser consistentes con los datos; el método recupera una solución plausible, no necesariamente la verdad de campo.
2. Heurísticas de Elección de Ruta: El refinamiento a nivel de arco depende de heurísticas de ruta más corta, que pueden no capturar elecciones de ruta realistas bajo congestión.
3. Sensibilidad a las Iteraciones: Las iteraciones de optimización excesivas pueden llevar al sobreajuste, donde los flujos se concentran en las rutas cubiertas por sensores, degradando la precisión en corredores no observados.