Multi-Scale Equilibrium under Variable Indicator Dimensionality: Faithful Reduction of Dynamic Attractors in Urban Mobility Systems

Resumen Técnico: Equilibrio Multiescala bajo Dimensionalidad Variable de Indicadores

Planteamiento del Problema
Los sistemas de movilidad urbana se modelan cada vez más como atractores dinámicos de alta dimensión definidos por un vector de indicadores (p. ej., capacidad de flujo, redundancia, equidad, estrés). Sin embargo, la disponibilidad de datos varía significamente entre ciudades y durante las perturbaciones, lo que significa que el vector de indicadores completo es a menudo inobservable. El problema matemático central abordado es la bien posedidad de un atractor dinámico de alta dimensión cuando solo se dispone de un subconjunto, una proyección o una agregación de sus indicadores.

La literatura existente ofrece resultados maduros sobre reducción de dimensión local (p. ej., teoría de la variedad central), agregación de redes multicapa y sensibilidad de indicadores compuestos; sin embargo, ninguno de estos marcos aborda directamente el desafío específico donde un atractor de equilibrio debe satisfacer simultáneamente tres requisitos concurrentes:

1. Estabilidad Asintótica: El sistema proyectado debe preservar la clase de estabilidad de la capa de rendimiento.
2. Interpretación de Punto Fijo: Las capas de rendimiento y estratégica reducidas deben retener la misma estructura jerárquica de punto fijo (acoplamiento de asignación de tráfico, división modal y aprendizaje de capacidad).
3. Poder de Decisión Estadística: El conjunto de indicadores reducido debe retener información suficiente para distinguir entre recuperación, resiliencia y antifragilidad mediante una regla de decisión estadística.

Los métodos de proyección estándar suelen centrarse en la reconstrucción de la trayectoria o la preservación espectral, pero no garantizan la preservación de las reglas de decisión externas o la estructura jerárquica específica de los puntos fijos acoplados.

Metodología
El artículo propone un marco formal de reducibilidad de equilibrio multiescala bajo dimensionalidad variable de indicadores. La metodología procede en cuatro etapas:

1. Formulación del Modelo: Los autores definen un atractor de equilibrio dinámico multicapa para la movilidad urbana perturbada.

   • Capa de Rendimiento: Una variable de estado de relajación rápida $E(t)$ evoluciona hacia una función objetivo $\bar{E}(x)$ definida sobre un vector de indicadores normalizado de 12 dimensiones $x$.
   • Capa Estratégica: Un punto fijo jerárquico de escala temporal lenta que combina la asignación de tráfico de equilibrio de usuario (programa de Beckmann), la división modal (logit multinomial) y el aprendizaje de capacidad.
   • Regla de Antifragilidad: Una regla de decisión estadística que compara la relación de rendimiento post-evento con un umbral dependiente de la línea base para clasificar el comportamiento del sistema.

2. Teoría de Reducción: El artículo define la fidelidad (faithfulness) relativa al atractor en lugar de solo la reconstrucción de la trayectoria. Introduce cuatro resultados teóricos:

   • Preservación de la Estabilidad: Condiciones necesarias y suficientes para preservar la estabilidad asintótica local bajo proyección lineal de indicadores, formuladas mediante la proyectabilidad del campo vectorial y la propiedad de Hurwitz del Jacobiano reducido. Esto se extiende a la proyectabilidad aproximada, acotando los errores de trayectoria utilizando el defecto de proyectabilidad ($\varepsilon_\Pi$) y la tasa de contracción ($\alpha$), incluyendo una corrección para la amplificación transitoria no normal.
   • Preservación del Punto Fijo: Un teorema que demuestra que un punto fijo acoplado de dos capas se preserva si la reducción mapea de forma conmutativa con el operador de punto fijo y la matriz de acoplamiento reducida sigue siendo una contracción ($\rho(K_\Pi) < 1$). Se acota el desplazamiento del punto fijo cuando la conmutación es solo aproximada.
   • Preservación de la Información: Un modelo de medición que vincula las variables de estado con los Indicadores Clave de Desempeño (KPI) observables mediante una ecuación de observación lineal-gaussiana. Los autores derivan la información de Fisher retenida en forma cerrada y demuestran que el poder de detección es monótono en soportes de indicadores anidados. Muestran que la selección codiciosa (greedy) de indicadores es exactamente óptima para canales independientes.
   • Sesgo de Tiempo de Restauración: Una prueba de que el tiempo de restauración estimado desde un conjunto de indicadores reducido es sesgado de un solo lado: nunca excede, y genéricamente subestima, el tiempo de restauración del sistema completo.

3. Protocolo de Simulación: Los resultados teóricos se ilustran mediante un estudio de simulación en tres configuraciones de ciudades estilizadas (Bratislava, Larissa, Tesalónica) que representan soportes de indicadores completos, estándar y mínimos. Cinco experimentos verifican los límites teóricos sobre el error de proyección, la estructura espectral, la unicidad del punto fijo, el poder de decisión y el soporte mínimo admisible.

Contribuciones Clave
El artículo realiza cinco contribuciones teóricas distintas:

1. Un Formalismo de Atractor Autocontenido: Un modelo unificado para la movilidad urbana perturbada que integra una ley de relajación hacia el objetivo de rendimiento, un punto fijo estratégico jerárquico y una regla de antifragilidad estadísticamente contrastable.
2. Condiciones de Estabilidad y Fidelidad: Una condición necesaria y suficiente para preservar la estabilidad asintótica bajo proyección lineal, junto con una clasificación de "fidelidad práctica" que cuantifica los límites de error cuando la proyectabilidad es imperfecta.
3. Teorema del Punto Fijo Acoplado: Una prueba que establece la preservación del punto fijo conjunto rendimiento-estratégico, identificando la frontera de contracción donde se pierde la unicidad, y acotando el desplazamiento del punto fijo bajo conmutación aproximada.
4. Teoría de la Medición y la Información: Una derivación en forma cerrada de la información de Fisher retenida para cualquier soporte de indicadores bajo ruido gaussiano, demostrando la monotonicidad del poder de detección y la optimalidad exacta de la selección codiciosa para canales independientes.
5. Sesgo de Restauración de un Solo Lado: Una prueba de que el monitoreo reducido conduce inevitablemente a un sesgo optimista en los tiempos de restauración reportados, ya que los modos lentos en el núcleo de la proyección quedan ocultos.

Resultados
El estudio de simulación verifica las afirmaciones teóricas:

• Fidelidad Práctica: Los errores de proyección observados permanecen dentro de los límites analíticos derivados del defecto de proyectabilidad y la tasa de contracción. El nivel "mínimo" (3 indicadores) cruza el umbral de tolerancia a niveles de acoplamiento más bajos que el nivel "estándar" (6 indicadores).
• Tiempo de Restauración: Los sistemas reducidos reportan consistentemente tiempos de restauración más tempranos que el sistema completo, y la brecha se amplía a medida que el desplazamiento inicial excita los modos en el núcleo de la proyección.
• Convergencia del Punto Fijo: A medida que la matriz de acoplamiento reducida se acerca a la frontera de contracción ($\rho(K_\Pi) \to 1$), el número de iteraciones requeridas para la convergencia crece hiperbólicamente, y la dispersión de los puntos límite aumenta, señalando la pérdida de unicidad.
• Poder de Decisión: El conjunto de indicadores mínimo no logra alcanzar el poder estadístico objetivo (0.80) para la clasificación de la antifragilidad, mientras que los conjuntos estándar y completo sí lo logran. Esto confirma que la pérdida de información afecta desproporcionadamente a la clasificación del comportamiento post-perturbación.
• Selección Codiciosa: La adición codiciosa de indicadores basada en la ganancia de innovación produce el soporte mínimo admisible para la regla de decisión, confirmando la optimalidad teórica para canales independientes.

Significancia y Reivindicaciones
El artículo afirma proporcionar una base de principios para que las autoridades de las ciudades decidan qué indicadores deben mantenerse para sustentar afirmaciones de equilibrio específicas. Argumenta que la "reducción fiel" es una condición más fuerte que la simple aproximación; un modelo reducido puede ser numéricamente conveniente pero matemáticamente infiel si no preserva la estabilidad, la estructura del punto fijo o el poder de decisión.

El marco desplaza la definición de infraestructura de datos mínima desde la conveniencia administrativa hacia la necesidad matemática. Establece que:

• Una ciudad no necesita cobertura total de indicadores para todas las preguntas de cribado, pero necesita suficiente cobertura para preservar la propiedad específica que se pretende afirmar (p. ej., estabilidad frente a clasificación de antifragilidad).
• El monitoreo reducido solo puede subestimar la duración de la recuperación, nunca sobreestimarla, lo que implica que las mejoras reportadas en el tiempo de restauración bajo un monitoreo mínimo deben tratarse como límites superiores optimistas.
• La pérdida de un indicador tiene un doble papel: puede desplazar el valor objetivo de la capa de rendimiento y, simultáneamente, reducir el poder estadístico de la regla de decisión.

Los autores declaran explícitamente que el artículo es teórico y no pretende una validación empírica del marco sobre datos del mundo real, ni se basa en modelos de agentes generativos. La importancia reside en establecer las condiciones formales bajo las cuales la cobertura parcial de indicadores es admisible para el análisis de equilibrio, distinguiendo entre reducciones que son meramente aproximadas y aquellas que son estructuralmente fieles al atractor.