Optimal Scheduling of Road Maintenance Jobs Considering Impact on Traffic Flows

Imagina la ciudad como un rompecabezas gigante y viviente donde cada carretera es una pieza y cada conductor es un jugador intentando resolverlo. Cuando una carretera se cierra para reparaciones, es como quitar una pieza del rompecabezas; de repente, todos tienen que apresurarse para encontrar un nuevo lugar, y toda la imagen se desplaza. Este es el mundo de la ingeniería de tráfico, un campo dedicado a comprender cómo las personas se mueven a través de estas complejas redes. En el corazón de este rompecabezas se encuentra un concepto llamado "equilibrio", que es solo una forma elegante de decir que todos han encontrado una ruta en la que no pueden llegar a su destino más rápido cambiando de camino. Si alguna vez te has quedado atrapado en el tráfico mientras tu GPS te redirige, solo para encontrar que el nuevo camino está igual de congestionado, has experimentado este equilibrio en acción. La gran pregunta para los planificadores urbanos es: ¿cómo programamos las reparaciones de las carreteras para no convertir la reparación de un pequeño bache en una pesadilla de tráfico en toda la ciudad? Tradicionalmente, resolver esto ha sido como intentar resolver una ecuación matemática masiva cada vez que se considera un nuevo plan de reparación, un proceso tan lento y pesado que a menudo impide que los planificadores tomen las mejores decisiones.

Este artículo, presentado en la Conferencia Anual IISE de 2026, aborda ese pesado problema matemático enseñando a las computadoras a adivinar la respuesta en lugar de calcularla desde cero cada vez. Los autores, Charitha Nandepu y su equipo, analizaron una red de tráfico del mundo real en Newark, Nueva Jersey, centrándose específicamente en un corredor concurrido conocido como el Garden State Parkway. Comenzaron ejecutando una simulación informática súper precisa, pero muy lenta, para determinar exactamente cómo fluiría el tráfico si se cerraran las carreteras. Piensa en esto como el "estándar de oro" o la "verdad fundamental": la clave de respuestas perfecta. Utilizaron estos datos para entrenar cuatro tipos diferentes de inteligencia artificial (IA), esencialmente enseñándoles a observar hacia dónde quiere ir la gente (demanda de Origen-Destino) y a predecir instantáneamente cómo se comportaría el tráfico sin necesidad de realizar la matemática pesada.

El equipo probó cuatro "cerebros" diferentes para su IA: una red multicapa estándar (MLP), un detector de patrones (CNN), un experto en la estructura de la red (GNN) y un modelo que presta atención a las relaciones entre todas las partes del sistema (Red Neuronal basada en Atención). Los resultados fueron claros: el modelo que prestaba atención al panorama general fue el ganador. La red neuronal "basada en Atención" fue la estrella del espectáculo, prediciendo correctamente los patrones de tráfico aproximadamente el 98% de las veces (una puntuación R² de 0.9835) y cometiendo los menores errores en las carreteras más concurridas. En contraste, los otros modelos, especialmente los estándares, tropezaron significativamente cuando el tráfico se volvió pesado, con errores que aumentaron a casi 1,000 vehículos por hora en enlaces críticos. El modelo basado en grafos (GNN) hizo un trabajo decente, pero el modelo basado en atención fue el más preciso, con una tasa de error de solo 35.87 vehículos por hora en total.

El artículo no afirma haber resuelto todo el problema de la programación de las reparaciones de las carreteras para siempre. En cambio, sugiere que el uso de estos modelos de IA rápidos y basados en datos es una forma prometedora de acelerar el proceso de planificación. Al reemplazar los cálculos lentos y pesados con una rápida predicción de IA, los gestores de la ciudad podrían potencialmente probar muchos más programas de reparación en el tiempo que antes se utilizaba para probar solo uno. El estudio muestra que para el área de Newark, este enfoque funciona lo suficientemente bien como para ser una herramienta útil, ofreciendo una forma de mantener el tráfico fluyendo suavemente incluso cuando las carreteras están bajo construcción. Es un paso hacia la reducción de la congestión en nuestras ciudades, una predicción inteligente a la vez.