Analysis of Network Classification and Optimization Based on Comprehensive Evaluation of Public Transportation Network – A Case Study of Guangzhou

Resumen Técnico: Análisis de la Clasificación y Optimización de Redes Basado en la Evaluación Integral de la Red de Transporte Público – Un Estudio de Caso de Guangzhou

Planteamiento del Problema
Las redes de autobuses urbanos en las megaciudades enfrentan una tríada de desafíos: la disminución de la demanda, ineficiencias estructurales e inequidad espacial. Los marcos de evaluación existentes suelen tratar la racionalidad topológica, la diversidad de funciones de servicio y la equidad social de forma aislada. Además, existe una falta de estrategias de optimización cuantificables diseñadas específicamente para rutas de autobús "funcionalmente ambiguas", aquellas que carecen de un propósito operativo claro pero consumen recursos significativos de la red. Este estudio aborda estas brechas proponiendo un marco de evaluación y optimización integrado aplicado a Guangzhou, China, donde la demanda de autobuses ha caído un 52% en comparación con los niveles prepandemia, y la demanda por kilómetro en las zonas suburbanas sigue siendo críticamente baja.

Metodología
El estudio emplea un enfoque metodológico de tres fases:

1. Evaluación Topológica: Un sistema de seis indicadores evalúa la racionalidad estructural de la red. Los indicadores incluyen densidad de red ($P_1$), tasa de cobertura ($P_2$), cobertura de paradas ($P_3$), longitud de ruta ($P_4$), coeficiente de repetición ($P_5$) y coeficiente de no linealidad ($P_6$). Estos se contrastan con estándares como el Informe 165 de la TCRP y las Especificaciones Técnicas de China para la Planificación del Tráfico Vial Urbano.
2. Clasificación Funcional mediante Aprendizaje Automático: Un proceso de dos etapas clasifica 3,214 rutas de autobús basadas en cinco indicadores funcionales: índice de oferta, cobertura de población, coeficiente de Gini (equidad), flujo de pasajeros y coeficiente de solapamiento con el metro.
   • Etapa 1 (No supervisada): El agrupamiento K-means determina el número óptimo de tipos funcionales, identificando $k=4$ mediante el método del codo (elbow method).
   • Etapa 2 (Validación supervisada): Un clasificador de Bosque Aleatorio (Random Forest) valida los grupos, logrando una precisión de validación cruzada del 92.3%. El análisis de importancia de características destaca el solapamiento con el metro y el flujo de pasajeros como los principales discriminadores.
3. Optimización Bi-objetivo: Para las rutas identificadas como "funcionalmente ambiguas", se formula un modelo de optimación multiobjetivo utilizando el algoritmo NSGA-II. El modelo minimiza simultáneamente la redundancia (penalización por solapamiento) y maximiza la mejora de la equidad (reducción del coeficiente de Gini), sujeto a restricciones de linealidad de la ruta, intervalo de tiempo (headway) y reducción de la longitud total de la red.

Contribuciones Clave
El artículo realiza cuatro contribuciones específicas al campo de la planificación del transporte público:

1. Marco Integrado: Desarrollo de un novedoso sistema de índices de evaluación "estructura–función–equidad" que unifica métricas topológicas con métricas funcionales y de equidad distributiva.
2. Clasificación Basada en ML: Un marco de aprendizaje automático validado que categoriza las rutas de autobús en cuatro tipos de servicio distintos, permitiendo una optimización dirigida en lugar de enfoques uniformes.
3. Diagnóstico Empírico: Un análisis exhaustivo de la red de Guangzhou que revela deficiencias estructurales severas, incluyendo un coeficiente de repetición de toda la red de 4.9 (que supera ampliamente el recomendado de 2.5) y una prevalencia del 27% de rutas funcionalmente ambiguas.
4. Optimización Accionable: Un modelo bi-objetivo que genera estrategias concretas para las rutas ambiguas, pasando del diagnóstico teórico a intervenciones específicas y cuantificables.

Resultos
La aplicación del marco a la red de Guangzhou (3,214 rutas, 6,968 paradas, 54,000 km) arrojó los siguientes hallazgos:

• Ineficiencias Topológicas: Aunque la densidad de la red cumple con los estándares nacionales, existen disparidades significativas. Las zonas rurales representan el 59% de la longitud de la red pero solo el 17% del flujo de pasajeros (200 viajes/km/día). La longitud promedio de la ruta (16.7 km) es más del doble de la distancia promedio de viaje real (7.5 km). El área central exhibe un solapamiento extremo de rutas, con un coeficiente de repetición superior a 10.
• Clasificación Funcional: El agrupamiento K-means identificó cuatro tipos de rutas:
  • Orientada a la Seguridad Social (30.8%): Bajo flujo pero con servicio equitativo para grupos vulnerables.
  • Orientada al Beneficio (6.1%): Alta demanda (45.6% del flujo total) pero alta inequidad, concentrada en el núcleo.
  • Integrada con el Metro (36.4%): Alto solapamiento con las líneas de metro, funcionando como conectores de transferencia.
  • Funcionalmente Ambigua (27.0%): Baja oferta, bajo flujo y solapamiento moderado, representando el principal objetivo de optimización.
• Estrategias de Optimización: El modelo NSGA-II produjo tres estrategias accionables para las 868 rutas ambiguas:
  1. Acortamiento de Rutas con Alto Solapamiento: Reducción de 17 rutas con >50% de solapamiento con el metro en un promedio de 4.2 km, disminuyendo la penalización por solapamiento en un 38% y la presión estimada del tráfico terrestre en un 12%.
  2. Conversión a Alimentadoras: Conversión de 112 rutas proyectadas para solaparse con extensiones de metro planificadas (Líneas 10, 11, 12) en servicios alimentadores de alta frecuencia, mejorando la conectividad de última milla para 340,000 residentes.
  3. Reasignación Rural: Aumento de la frecuencia e introducción de zonas de respuesta a la demanda para 22 rutas rurales, reduciendo el coeficiente de Gini para la población de edad avanzada de 0.42 a 0.35 y proyectando un aumento del 15% en la demanda.

Significancia y Limitaciones
El artículo sostiene que este marco proporciona a los planificadores de tránsito un enfoque transferible y basado en datos para diagnosticar ineficiencias de red y diseñar intervenciones conscientes de la equidad. Demuestra que el aprendizaje automático puede identificar eficazmente rutas que carecen de propósitos operativos claros, permitiendo una reasignación de recursos que equilibra la eficiencia con la equidad social.

Sin embargo, los autores reconocen modestamente varias limitaciones:

• Temporalidad de los Datos: El análisis se basa en datos de tarjetas IC de octubre de 2023; el comportamiento de viaje post-pandemia puede no ser estacionario.
• Supuesto de Equidad Estática: El coeficiente de Gini se calcula utilizando rejillas de población estáticas, sin capturar las variaciones temporales en la equidad (por ejemplo, la congestión en horas punta frente a horas valle).
• Validación en una Sola Ciudad: El modelo de clasificación fue entrenado y validado únicamente con datos de Guangzhou; su transferibilidad a otras megaciudades con diferentes formas urbanas requiere de más pruebas.

El trabajo futuro propuesto por los autores incluye la incorporación de datos en tiempo real para una evaluación dinámica, el desarrollo de marcos de aprendizaje de transferencia entre ciudades y la integración del modelo de optimización en plataformas de gemelos digitales para el análisis interactivo de escenarios.