Research on Optimization Method of Green Wave Coordinated Signal Considering Carbon Emission Reduction

Resumen Técnico: Método de Optimización de la Señalización Coordinada de Ola Verde Considerando la Reducción de Emisiones de Carbono

Planteamiento del Problema
La congestión del tráfico urbano y la contaminación por gases de escape representan limitaciones significativas para el desarrollo sostenible. Si bien el control de la señalización coordinada de ola verde es un método probado para mejorar la eficiencia en arterias, las investigaciones actuales suelen carecer de una comprensión sistemática de la correlación dinámica entre los parámetros de la señal (longitud del ciclo, tiempo de verde, desfase/offset) y las emisiones de carbono. Además, los modelos de emisiones actuales suelen depender de promedios macroscópicos o están construidos sobre entornos de tráfico extranjeros (por ejemplo, EE. UU.), lo que genera sesgos de adaptación al aplicarse a las redes viales chinas. Existe la necesidad de un enfoque localizado y microscópico que integre la simulación de tráfico con la estimación de emisiones para optimizar la temporización de las señales específicamente para la reducción de carbono sin comprometer la eficiencia del tráfico.

Metodología
El estudio emplea una metodología de múltiples etapas que combina simulación, modelado y optimización:

1. Construcción de la Plataforma (Integración VISSIM-MOVES):

   • Se construyó una plataforma de simulación microscópica de emisiones de carbono de tráfico integrando VISSIM (simulación de flujo de tráfico) y MOVES (modelado de emisiones).
   • Localización: El modelo MOVES fue localizado para el contexto chino. Los parámetros geográficos fueron calibrados utilizando datos climáticos de Jinán (emparejados con Minneapolis, EE. UU., como línea base), las distribuciones de edad de los vehículos fueron ajustadas basándose en encuestas de campo, y las características del combustible (contenido de azufre y benceno) fueron actualizadas para alinearse con los estándares VIA de China.
   • Interacción de Datos: Scripts de Python facilitaron el intercambio de datos de velocidad y aceleración segundo a segundo desde VISSIM para calcular la Potencia Específica del Vehículo (VSP), la cual impulsa los cálculos de emisiones de MOVES. La plataforma fue validada contra datos medidos en campo mediante PEMS, logrando un margen de error dentro del 8%.

2. Evaluación y Análisis de Correlación:

   • Se seleccionaron métricas de evaluación centrales: retraso promedio del vehículo, número promedio de paradas y longitud promedio de la cola.
   • El análisis de correlación de Pearson confirmó una fuerte correlación positiva (coeficientes > 0.92) entre estas métricas operativas de tráfico y las emisiones de carbono, validando su uso como indicadores para la optimización de emisiones.

3. Clasificación de Escenarios:

   • Las arterias de ola verde se categorizaron en escenarios diferenciados basados en características espacio-temporales (por ejemplo, espaciamiento entre intersecciones, estados de flujo de tráfico como flujo libre/estable/inestable) para considerar la heterogeneidad en los efectos de optimización.

4. Desarrollo del Modelo de Optimización:

   • Estimación de Emisiones: Se derivó un modelo matemático para estimar las emisiones totales de CO₂ basándose en la teoría VSP. Este descompone las emisiones en cuatro fases: aceleración, deceleración, ralentí (cola) y crucero. El modelo vincula las emisiones totales directamente con el número total de paradas y el tiempo total de retraso.
   • Modelado de Retraso: Se seleccionó el modelo de retraso de Webster por su idoneidad en condiciones de flujo estable (saturación < 1).
   • Estrategia de Optimización: Se propuso un método de "restricción de desfase óptimo — optimización colaborativa de múltiples parámetros".
     • Paso 1: Determinar el desfase óptimo para mantener el ancho de banda de la ola verde.
     • Paso 2: Optimizar la longitud del ciclo común, el tiempo de verde de la dirección coordinada y la velocidad de la ola verde para minimizar las emisiones totales de carbono, sujeto a restricciones de saturación, seguridad peatonal y división de señales.
     • Paso 3: Ajustar finamente el desfase para finalizar el esquema.
   • Solucionador: Se utilizó un algoritmo genético para resolver el modelo de optimización.

Resultados Clave
La metodología fue validada mediante un estudio de caso de una arteria de flujo estable con espaciamiento de intersección normal en Jinán (cuatro intersecciones, I1–I4).

• Ajustes de Parámetros: La optimización resultó en un aumento en la longitud del ciclo común (220s a 235s), un aumento promedio de 15s en el tiempo de verde de la dirección coordinada y un aumento en la velocidad de la ola verde (55 km/h a 62 km/h).
• Mejoras de Desempeño:
  • Retraso Promedio del Vehículo: Disminuyó un 16.47% (de 84.79s a 70.83s).
  • Número Promedio de Paradas: Disminuyó un 14.34% (de 1.234 a 1.057).
  • Emisiones Totales de Carbono: Disminuyeron un 4.78% (de ~4.49 millones de g a ~4.28 millones de g).
  • Ancho de Banda de la Ola Verde: Aumentó en 20 segundos (una mejora del 31% en la efectividad de la coordinación).
• Análisis de Mecanismo: La reducción de emisiones fue impulsada principalmente por la reducción del ciclo de "deceleración-ralentí-aceleración". La reducción de paradas eliminó eventos de aceleración de altas emisiones, mientras que la reducción del retraso disminuyó las emisiones en ralentí. La velocidad optimizada de la ola verde mantuvo a los vehículos en rangos de VSP más bajos (0–6 kW/t), reduciendo las emisiones por unidad de distancia en un 8.6%.

Significancia y Contribuciones
El artículo reclama las siguientes contribuciones al campo de la gestión de tráfico bajo en carbono:

1. Modelado de Emisiones Localizado: Aborda la brecha en la propiedad intelectual independiente nacional para el modelado de emisiones al localizar con éxito el modelo MOVES para las condiciones geográficas, de vehículos y de combustible de China, mejorando la precisión de la estimación.
2. Diferenciación Basada en Escenarios: A diferencia de estudios previos que asumen escenarios homogéneos, esta investigación analiza sistemáticamente cómo los parámetros de control afectan las emisiones a través de diferentes escenarios espacio-temporales (por ejemplo, espaciamiento de intersecciones corto vs. largo), revelando que las estrategias de optimización deben ser diferenciadas (por ejemplo, las intersecciones de espaciamiento corto son más sensibles a los cambios de tiempo de verde debido a los riesgos de desbordamiento de colas).
3. Marco de Optimización Novedoso: El método propuesto de "restricción de desfase óptimo" resuelve el conflicto entre la reducción de emisiones y la eficiencia del tráfico. Al fijar primero el desfase para preservar el ancho de banda de la ola verde, el método evita el error de las optimizaciones tradicionales que podrían romper la coordinación al buscar la reducción de emisiones.
4. Mejora Sinérgica: El estudio demuestra que minimizar las emisiones de carbono mediante la optimización de la señalización puede mejorar simultáneamente la eficiencia del tráfico (reduciendo el retraso y las paradas), ofreciendo una solución técnica viable para la gestión de arterias bajas en carbono.

Limitaciones y Trabajo Futuro
Los autores reconocen que el estudio actual depende de datos de simulación calibrados con mediciones de campo, pero carece de un monitoreo empírico de emisiones de múltiples fuentes para los resultados finales de la optimización. Se sugiere que investigaciones futuras incorporen flujos de tráfico mixtos que incluyan vehículos de nueva energía y validen los modelos con datos de monitoreo de campo más amplios.