💻 computer science

Multi-Scale Unsupervised Change Point Detection in Long-Term Urban Traffic Time Series: A Kernel-Based Framework Applied to Rotterdam

Este artículo presenta un marco genérico no supervisado basado en núcleos que combina indicadores de tráfico macroscópicos y microscópicos para detectar automáticamente y localizar espacialmente tanto las grandes perturbaciones en toda la red como los cambios de comportamiento sutiles y localizados en series temporales de tráfico urbano a largo plazo, tal como lo demuestra un análisis de siete años de los datos de Róterdam.

Autores originales: Géraldine Viel, Irene Martínez, Ludovic Leclercq

Publicado 2026-09-28

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Géraldine Viel, Irene Martínez, Ludovic Leclercq

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Las ciudades son sistemas vivos, que respiran constantemente hacia adentro y hacia afuera con el ritmo de sus habitantes. Durante décadas, los ingenieros de tráfico han dependido de bucles de cable enterrados bajo el asfalto para contar coches y medir la velocidad, creando un vasto y continuo registro de cómo se mueve la gente. Sin embargo, gran parte de estos datos permanece inactiva, tratada como un archivo estático en lugar de una historia dinámica. Los planificadores suelen observar el tráfico de dos maneras: o bien se acercan tanto a una sola calle que pierden de vista el panorama general, o bien se alejan tanto para observar la ciudad entera que desdibujan los detalles de los cambios locales. El resultado es una brecha en la comprensión. Sabemos cuándo un evento importante, como una pandemia, detiene el tráfico, pero a menudo pasamos por alto los cambios más silenciosos y sutiles que ocurren cuando se repara un puente, cambia un límite de velocidad o un barrio se adapta lentamente a nuevos hábitos. Sin una forma de ver estos momentos con claridad, es difícil saber si una ciudad está cambiando realmente o si solo está fluctuando con el clima.

Un equipo de investigadores ha desarrollado una nueva forma de escuchar el latido de la ciudad, una que puede oír tanto las estruendosas perturbaciones como los tenues susurros del cambio. Crearon un método para escanear años de datos de tráfico y señalar automáticamente las fechas exactas en las que el comportamiento de la red vial cambió de una manera duradera. En lugar de adivinar cuándo mirar, su sistema escanea toda la cronología, desde los patrones generales de toda la ciudad hasta las condiciones específicas de segmentos de carretera individuales. Lo hace comparando cómo fluye el tráfico hoy frente a cómo fluía ayer, buscando momentos en los que el ritmo se rompió y un nuevo patrón se consolidó. Los investigadores aplicaron este método a siete años de datos de Róterdam, una importante ciudad portuaria de los Países Bajos, para ver qué historias había estado contando la red vial todo este tiempo.

El enfoque funciona como una investigación cuidadosa y por capas. Primero, los investigadores construyeron un conjunto de puntuaciones diarias que describen la salud de toda la red vial. Estas puntuaciones miden cosas como la velocidad a la que circulan los coches cuando las carreteras están vacías, cuánta capacidad de tráfico puede manejar la red antes de congestionarse y cuánto duran las horas punta. También analizaron las condiciones específicas de las carreteras individuales, pero con un giro ingenioso: en lugar de limitarse a observar la velocidad bruta en una calle, rastrearon cómo el rendimiento de esa calle se clasificaba en comparación con todas las demás calles de la ciudad. Esto les permitió ver si una carretera específica se estaba volviendo relativamente más lenta o más rápida que el resto de la red, un signo de un problema o mejora local que podría estar oculto en un promedio de toda la ciudad.

Una vez que estas puntuaciones diarias estuvieron listas, los investigadores utilizaron un algoritmo informático para encontrar los momentos en que las puntuaciones cambiaron de forma permanente. El algoritmo fue diseñado para ignorar el ruido a corto plazo, como un día festivo temporal o un descanso escolar, y centrarse únicamente en cambios que duraran al menos dos meses. Funcionó de una manera descendente, buscando primero cambios que afectaran a toda la ciudad a la vez. Si encontraba un cambio importante, marcaba esa fecha y luego buscaba cambios más pequeños y específicos que ocurrieran entre esas fechas principales. Esto aseguró que el sistema no se confundiera al detectar un mismo gran evento múltiples veces. Finalmente, examinó las carreteras individuales para ver si algún segmento específico había cambiado su comportamiento en relación con el resto de la red.

Al aplicarse a Róterdam, el sistema produjo una cronología clara de la evolución de la ciudad entre 2016 y 2023. El cambio más obvio apareció en marzo de 2020, cuando la red colapsó repentinamente al comenzar el confinamiento por la pandemia. El algoritmo identificó correctamente esto como una disrupción masiva y de toda la ciudad que afectó a cada métrica medida. Pero el sistema también encontró cambios que una mirada simple a los datos habría pasado por alto. Por ejemplo, detectó un cambio en el verano de 2019 que coincidió con la reapertura total del Maastunnel, un importante cruce de río que había estado bajo construcción durante dos años. Los datos mostraron que, una vez que el túnel reabrió, el flujo de tráfico a través del río se reorganizó, cambiando la capacidad de toda la red.

Otro hallazgo significativo ocurrió en abril de 2021, cuando la principal avenida central de la ciudad, la Coolsingel, reabrió tras una reconstrucción de tres años que había reducido sus carriles. El algoritmo señaló la fecha exacta en la que la velocidad de flujo libre en la red cambió, confirmando que la reducción permanente de la capacidad vial tuvo un impacto duradero. El sistema también captó un cambio sutil pero rápido a principios de 2022, justo después de que el gobierno levantara los mandatos de teletrabajo. Aunque el tráfico general de la ciudad no mostró un aumento masivo, los datos revelaron que el flujo de los trabajadores pendulares se reorganizó casi de la noche a la mañana, con diferentes corredores absorbiendo a los trabajadores que regresaban de manera desigual. Este fue un cambio tan específico del flujo local de personas que habría sido invisible para un estudio que solo observara los promedios de toda la ciudad.

El poder de este método reside en su capacidad para conectar los puntos entre el panorama general y los detalles locales. Al rastrear cómo cada carretera individual cambió su clasificación en comparación con sus vecinas, los investigadores pudieron ver exactamente dónde se sintió el impacto de un cambio. Por ejemplo, encontraron que una carretera cerca del Maastunnel, que había sufrido una fuerte congestión durante la construcción, se volvió significativamente más resiliente a los atascos una vez que el túnel reabrió. Por el contrario, también descubrieron que algunos proyectos de construcción importantes, como la renovación de un cruce en 2023, no dejaron una marca detectable en el comportamiento general de la red, lo que sugiere que los cambios fueron demasiado graduales o demasiado localizados para alterar los patrones de tráfico principales de la ciudad.

Este trabajo sugiere que las ciudades están reescribiendo constantemente sus propias historias, a menudo de formas que son demasiado sutiles para que el análisis tradicional las detecte. Los investigadores no pretendieron haber resuelto el misterio de por qué ocurrió cada cambio, ni demostraron que su método sea perfecto para cada ciudad. En su lugar, proporcionaron una herramienta que puede generar automáticamente un registro fechado y puntuado de cuándo y dónde cambió la red de tráfico. Este registro ofrece a los planificadores una forma sistemática de auditar sus datos, evaluar los efectos a largo plazo de proyectos pasados e identificar periodos estables que sean adecuados para realizar estudios adicionales. Al convertir años de números brutos en una narrativa clara de cambios estructurales, el método ofrece una nueva forma de comprender la compleja y evolutiva vida de una red vial urbana.

Resumen Técnico: Detección de Puntos de Cambio Multiescala No Supervisada en Series Temporales de Tráfico Urbano a Largo Plazo

Planteamiento del Problema
Las redes viales urbanas generan extensos conjuntos de datos de tráfico a largo plazo, sin embargo, su pleno potencial espacio-temporal sigue siendo subexplotado. Los enfoques analíticos existentes sufren de dos limitaciones primarias:

Sobreagregación: Los estudios centrados en el comportamiento de toda la red suelen agregar datos durante periodos prolongados o sobre redes completas, lo que oscurece la granularidad espacial y omite cambios localizados e imprevistos.
Sesgo impulsado por eventos: Muchos estudios retrospectivos dependen de eventos preidentificados (por ejemplo, proyectos de infraestructura específicos) para realizar comparaciones de antes y después, fallando al detectar cambios estructurales imprevistos o reorganizaciones de comportamiento sutiles.
Falta de marcos sistemáticos: Si bien se han estudiado extensamente eventos mayores como la pandemia de COVID-19, no existe una metodología única que permita detectar y fechar sistemáticamente todos los cambios estructurales en una red sin supuestos previos, cubriendo tanto las disrupciones globales como las reorganizaciones locales.

Metodología
Los autores proponen un marco genérico, no supervisado y de dos etapas aplicado a datos de detectores de bucle y vehículos de sonda. El flujo de trabajo es jerárquico y descendente (top-down), diseñado para filtrar el ruido y la estacionalidad mientras aísla cambios estructurales genuinos.

Etapa 1: Generación de Indicadores de Desempeño
El marco computa series temporales diarias en dos escalas complementarias:
- Escala Macroscópica (A nivel de red): Los indicadores agregan mediciones para caracterizar el estado global de la red. Estos incluyen:
  - Parámetros inspirados en la MFD (Función de Distribución de Flujo): Velocidad de flujo libre ( $V_f$ ), flujo máximo ( $Q_{max}$ ), densidad crítica ( $K_c$ ) e indicadores de curvatura ( $\Delta_s$ ) derivados de modelos lineales por tramos de las relaciones flujo-velocidad.
  - Métricas de demanda y congestión: Longitud Total de Viaje normalizada ( $TTL_{norm}$ ), duración de la hora pico ( $D^{AM}_{peak}, D^{PM}_{peak}$ ), ratios de intensidad de pico ( $\eta$ ) y heterogeneidad espacial de la velocidad ( $\sigma_v$ ).
- Escala Microscópica (Local): Los indicadores se computan para segmentos de vía individuales. Crucialmente, en lugar de rastrear valores brutos, el método rastrea el rango de cada detector dentro de la distribución de la red (por ejemplo, la pertenencia a un cuartil). Esto distingue un cambio local en la importancia relativa de un segmento de los cambios en la demanda de toda la red. Los indicadores incluyen estados de tráfico extremos ( $v_{10}^{peak}, q_{90}$ ), percentiles de la distribución de velocidad de flujo libre y membresías de cuartiles específicas de los bucles ( $Q_{l,t}$ ).
- Preprocesamiento: Se aplica un filtro de Hampel para eliminar valores atípicos no físicos (errores de sensores) preservando al mismo tiempo los cambios estructurales.
Etapa 2: Detección de Puntos de Cambio (CPD) Jerárquica
Se aplica un algoritmo de CPD basado en kernels (KernelCPD con un kernel RBF) utilizando un flujo de trabajo secuencial de cuatro pasos. Los puntos de cambio detectados en los pasos anteriores se imponen como límites fijos en los pasos posteriores para evitar la detección redundante del mismo evento.
1. Conjunto Macroscópico: Análisis simultáneo de todos los indicadores macroscópicos para detectar disrupciones mayores a nivel de red.
2. Individual Macroscópico: Análisis univariante de cada indicador macroscópico para detectar cambios específicos de dimensión que fueron enmascarados durante el análisis conjunto.
3. Conjunto Microscópico: Análisis simultáneo de indicadores de distribución microscópica (excluyendo la serie de cuartiles de alta dimensionalidad) para detectar reorganizaciones espaciales generalizadas.
4. Individual Microscópico: Análisis univariante de la serie de membresía de cuartiles de cada bucle para identificar cambios precisos y localizados en segmentos de vía específicos.
Puntuación de Impacto: A cada punto de cambio detectado se le asigna una puntuación de impacto objetiva definida por la reducción relativa en la función de costo de segmentación, lo que permite la comparación de la intensidad del evento entre distintas escalas.

Contribuciones Clave

Un Marco No Supervisado Genérico: El artículo introduce una metodología que no requiere conocimiento previo de las distribuciones de datos o eventos preidentificados, capaz de operar en cualquier red con datos de sensores disponibles.
Integración Multiescala: Al combinar la agregación macroscópica con el análisis de rango microscópico, el marco captura tanto las rupturas estructurales globales como las reorganizaciones espaciales sutiles y localizadas que serían invisibles para el promedio de toda la red.
1. Estrategia de Detección Jerárquica: El enfoque descendente (Conjunto $\to$ Individual, Macro $\to$ Micro) asegura que los eventos dominantes se identifiquen primero, permitiendo que la sensibilidad subsiguiente del algoritmo se concentre en transiciones más finas y sutiles dentro de periodos estables.
Cuantificación Objetiva del Impacto: El uso de una puntuación de impacto normalizada proporciona una forma sistemática de clasificar los eventos detectados por su magnitud.

Resultos: Caso de Estudio de Róterdam (2016–2023)
El marco se aplicó a siete años de datos de detectores de bucle de Róterdam.

Hallazgos Macroscópicos: El análisis identificó con éxito disrupciones mayores a nivel de red, notablemente el inicio del confinamiento por COVID-19 el 13 de marzo de 2020 (impacto: 11.08%). También detectó cambios en dimensiones específicas, como cambios en la velocidad de flujo libre ( $V_f$ ) que coincidieron con la reapertura de Coolsingel (abril de 2021) y cambios en la capacidad de flujo ( $Q_{max}$ ) vinculados a la reapertura del Maastunnel (junio–julio de 2019).
Hallazgos Microscópicos: El marco identificó cambios invisibles para la agregación global. Por ejemplo, se detectó un grupo de puntos de ruptura a finales de enero/principios de febrero de 2022, únicamente a nivel de micro escala individual, atribuido al regreso abrupto de los trabajadores de oficina tras el levantamiento de los mandatos de teletrabajo en los Países Bajos. Este evento mostró heterogeneidad espacial (redistribución desigual de la demanda) que no activó una señal a nivel de red.
Localización: El análisis de cuartiles a nivel de bucle permitió el mapeo preciso de los segmentos específicos afectados por los eventos. Por ejemplo, el bucle de Westzeedijk mostró un cambio persistente hacia cuartiles de velocidad más altos tras las obras del Maastunnel, indicando una mayor resiliencia en relación con la red.
Resultados Negativos: El marco también identificó la ausencia de señales para ciertos eventos (por ejemplo, la renovación del nudo de Roseknoop en 2023), ayudando a caracterizar el umbral de sensibilidad del método.

Significancia y Reivindicaciones
El artículo sostiene que este marco ofrece a los profesionales del transporte urbano una herramienta sistemática para:

Auditar Datos de Tráfico: Generar automáticamente un registro datado y con puntuación de impacto de los cambios en el comportamiento de la red.
Evaluar Intervenciones: Evaluar el efecto de intervenciones pasadas mediante la identificación de rupturas estructurales que se correlacionan con fechas específicas, sirviendo como una variable dependiente para futuros estudios de inferencia causal.
Identificar Periodos Estables: Delinear periodos de comportamiento estable de la red adecuados para el modelado posterior.

Los autores enfatizan que, si bien el marco detecta y fecha los cambios con éxito, no establece vínculos causales; la inferencia causal formal requiere un paso separado que compare la red afectada contra un contrafactual. Además, el método cuantifica la magnitud del cambio, pero no caracteriza inherentemente la naturaleza (por ejemplo, aumento vs. disminución) del cambio sin una interpretación adicional. El estudio concluye que el método propuesto aborda una limitación de larga data en el análisis del tráfico urbano al explotar plenamente la profundidad temporal y la granularidad espacial de los archivos de detectores de bucle existentes.

Más como este