⚡ ingeniería eléctrica

Dynamic passenger flow assignment in metro stations using density–queue feedback

Este estudio propone y valida un método de asignación dinámica de flujo de pasajeros para estaciones de metro que utiliza la retroalimentación de densidad-cola para superar a los esquemas de asignación fijos al reducir significativamente la densidad de los nodos, las longitudes de las colas y los tiempos de espera de los pasajeros, manteniendo al mismo tiempo la eficiencia del flujo.

Autores originales: Guangheng Wu, Peng Zhao, Dewei Li, Zhichao Cao, Yanrong Fu, Biao Zhang

Publicado 2026-10-16

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Guangheng Wu, Peng Zhao, Dewei Li, Zhichao Cao, Yanrong Fu, Biao Zhang

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 multitudes en los centros de tránsito son una vista familiar, pero gestionarlas es un complejo rompecabezas de física y comportamiento humano. Cuando miles de personas llegan a una estación al mismo tiempo, no se distribuyen de manera uniforme; tienden a agruparse alrededor de los puntos de entrada más cercanos o evidentes, creando cuellos de botella que ralentizan a todos. Los métodos tradicionales para gestionar estos flujos suelen basarse en reglas fijas, como dirigir un porcentaje determinado de personas a un torniquete y el resto a otro, independientemente de lo que esté sucediendo en tiempo real. Sin embargo, al igual que un semáforo que permanece en verde para una calle lateral incluso cuando no hay coches presentes desperdicia tiempo, una regla fija puede desplazar la congestión de un lugar a otro sin resolver el problema subyacente. El objetivo de la gestión de tránsito moderna es encontrar una forma de guiar a las personas de manera dinámica, ajustando el flujo basándose en las condiciones reales de la estación, asegurando que ninguna zona se vea desbordada mientras otras permanecen vacías.

Investigadores de varias universidades chinas y un operador de metro han desarrollado una nueva forma de abordar este desafío, centrándose en la dinámica específica de una estación concurrida en Tianjin. Crearon una simulación por computadora que actúa como un gemelo digital del mundo real, permitiéndoles probar cómo funcionan diferentes estrategias de guía bajo presión. En su modelo, la estación se divide en zonas distintas: las áreas públicas donde la gente se reúne antes de elegir un torniquete, y las zonas específicas de los torniquetes de pago donde pasan para entrar al sistema de trenes. El núcleo de su innovación es un bucle de retroalimentación que monitorea constantemente dos cosas: qué tan concurrido está un espacio físicamente, medido por cuántas personas hay de pie en un área determinada, y cuánto tiempo están esperando las filas para pasar por los torniquetes. Al combinar estas dos piezas de información en una sola medida de "presión", el sistema puede decidir qué camino es mejor para el siguiente grupo de pasajeros que llega.

El estudio probó tres enfoques diferentes para ver cuál funcionaba mejor. El primero fue una regla simple e invariable donde la mitad de las personas se enviaba a un conjunto de torniquetes y la otra mitad a otro. El segundo fue una proporción fija que enviaba a más personas a un lado, pero que aun así no cambiaba según lo que estaba sucediendo. El tercer enfoque fue el nuevo método dinámico, que utilizaba los datos en tiempo real de la simulación para actualizar constantemente las probabilidades de hacia dónde deberían ir las personas. Si un área de torniquetes se congestionaba demasiado o la fila crecía demasiado, el sistema automáticamente reducía la probabilidad de que los recién llegados fueran dirigidos allí, guiándolos suavemente hacia una alternativa menos concurrida. Este proceso de toma de decisiones se suavizó a lo largo del tiempo para evitar que el sistema saltara de un lado a otro de forma demasiado errática, asegurando que la guía se mantuviera estable y comprensible.

Cuando los investigadores ejecutaron sus simulaciones con casi mil pasajeros entrando en la estación, los resultados fueron claros. El método de retroalimentación dinámica superó significativamente a las reglas estáticas. Comparado con el enfoque simple de división igualitaria, el nuevo método redujo la densidad promedio de personas en las áreas de reunión pública en un 34.1 por ciento y acortó la longitud promedio de las colas en un 20.6 por ciento. Quizás lo más importante es que redujo el tiempo promedio que los pasajeros pasaron en la estación en un 12.2 por ciento. El sistema logró esto equilibrando la carga; evitó que las áreas públicas se volvieran peligrosamente concurridas y también aseguró que las zonas de los torniquetes no se sobrecargaran con filas largas. En contraste, el método de proporción fija, aunque efectivo para despejar el área pública, tendía a volcar demasiada gente en las zonas laterales, creando nuevos cuellos de botella allí.

El estudio también desglosó el nuevo método para entender exactamente qué partes estaban realizando el mayor esfuerzo. Encontraron que conocer la longitud de la cola era esencial para detectar cuándo un torniquete estaba teniendo dificultades para cumplir con la demanda, mientras que conocer la densidad física de la multitud ayudaba a gestionar qué tan apretadas estaban las personas. El mecanismo de suavizado, que evitaba que la guía cambiara de forma demasiado abrupta, también fue crucial para mantener la estabilidad del sistema. Sin estos componentes trabajando juntos, el sistema o bien fallaba al despejar el retraso o causaba que la guía fluctuara demasiado para ser útil. Los investigadores señalaron que el tiempo que tardaron todos los pasajeros en despejar la estación no cambió significativamente entre los métodos, lo que sugiere que la mejora provino de un flujo más suave y eficiente en lugar de una mayor velocidad de movimiento.

En última instancia, este trabajo demuestra que un sistema capaz de "sentir" la presión de una multitud y ajustar su guía en tiempo real puede hacer que una estación concurrida funcione mucho mejor. No requiere de nuevo hardware o cambios masivos en la infraestructura; en cambio, se basa en una forma más inteligente de utilizar la información ya disponible sobre dónde están las personas y cuánto tiempo están esperando. Al tratar la estación como un sistema vivo que reacciona a su propio estado, en lugar de un mapa estático con instrucciones fijas, los operadores de tránsito pueden reducir la congestión y mejorar la experiencia de todos los que pasan por allí. Los hallazgos sugieren que, si bien las reglas fijas tienen su lugar, el futuro de la gestión de multitudes reside en sistemas que se adaptan, aprenden y responden a la realidad cambiante de las personas a las que sirven.

Resumen Técnico: Asignación Dinámica del Flujo de Pasajeros en Estaciones de Metro mediante Retroalimentación de Densidad-Cola

Planteamiento del Problema
Durante eventos de gran magnitud, las estaciones de metro experimentan aumentos de demanda altamente direccionales y de corta duración. Cuando los pasajeros que ingresan desde varios puntos no se distribuyen uniformemente entre las zonas de torniquetes disponibles, la congestión local y la longitud de las colas aumentan rápidamente. Las estrategias de gestión existentes suelen basarse en ratios de desviación fijos y predefinidos. Sin embargo, el artículo sostiene que los ratios de asignación fijos pueden simplemente transferir la congestión a otras ubicaciones cuando las cargas locales camben, fallando al no adaptarse a las condiciones dinámicas de las zonas de torniquetes. El estudio aborda la necesidad de un método de asignación a nivel de estación que convierta la ocupación local y los estados de cola en probabilidades de ruta factibles y estables sin requerir pronósticos complejos de la demanda o un entrenamiento extensivo de modelos.

Metodología
El estudio propone un marco de asignación dinámica basado en la retroalimentación de densidad-cola, implementado a través de una simulación basada en agentes acoplada con un bucle de control basado en Python.

Arquitectura del Sistema: El sistema modela la estación de metro como una red bipartita dirigida que conecta grupos de entrada con áreas de torniquetes. Un controlador opera en intervalos fijos (1 segundo), leyendo variables de estado de los nodos de monitoreo y actualizando las probabilidades de elección de ruta para el siguiente intervalo.
Variables de Estado y Presión Compuesta: El controlador monitorea dos variables de estado clave para cada área de torniquete: la densidad de pasajeros ( $D_j$ ) y la longitud de la cola ( $Q_j$ ). Estas se normalizan y se combinan en una medida de "presión compuesta" ( $S_j$ ) utilizando coeficientes de ponderación. Esta presión compuesta representa la resistencia a asignar pasajeros adicionales a una zona específica.
Mecanismo de Actualización de Probabilidades:
1. Cálculo de Impedancia: Se calcula una impedancia compuesta ( $C_{ij}$ ) para cada ruta, impulsada principalmente por la presión compuesta del área de destino.
2. Mapeo Softmax: La función Softmax mapea estas impedancias a probabilidades de ruta objetivo, asegurando que una mayor presión resulte en una menor probabilidad de selección mientras mantiene una suma normalizada de 1.
3. Restricciones: Para garantizar la estabilidad y la viabilidad, las probabilidades objetivo están restringidas por un límite de probabilidad mínima ( $p_{min}$ ) para evitar que cualquier ruta se vuelva inaccesible.
4. Suavizado Exponencial: Se aplica un filtro de suavizado exponencial a las probabilidades implementadas para evitar fluctuaciones abruptas entre los intervalos de control, teniendo en cuenta los retrasos en la adquisición de estados y la respuesta de los pasajeros.
Entorno de Simulación: El estudio utiliza AnyLogic 8.9.5 para la simulación microscópica de peatones (modelando caminata, evitación de colisiones y procesos de servicio) y Python 3.9 para ejecutar la lógica de retroalimentación. El caso de estudio se centra en la Estación del Centro Nacional de Convenciones y Exposiciones en Tianjin, China, bajo un escenario de llegada concentrada (912 pasajeros).

Contribuciones Clave

Control de Retroalimentación Novedoso: El artículo desarrolla una regla de retroalimentación específica que integra tanto la densidad espacial como la longitud de la cola en una sola señal de control, distinguiendo entre el hacinamiento breve y los retrasos de servicio sostenidos.
Mecanismos de Estabilidad: La integración de un límite inferior de probabilidad y el suavizado exponencial aborda el problema de las oscilaciones en las probabilidades de ruta, asegurando que el sistema de control permanezca estable y sea factible en aplicaciones en tiempo real.
Análisis de Ablación: El estudio aísla sistemáticamente las contribuciones de la retroalimentación de densidad, la retroalimentación de cola y el suavizado exponencial, demostrando el papel específico que cada uno desempeña en el rendimiento del sistema.

Resultados
El esquema de retroalimentación dinámica propuesto (S2) se comparó con dos líneas base: probabilidades iguales fijas (S0) y un ratio de asignación fijo de 0.7/0.3 (S1). Basándose en 30 ejecuciones de simulación independientes:

Desempeño vs. Probabilidades Iguales Fijas (S0): El método de retroalimentación dinámica redujo la densidad media de los nodos públicos en un 34.1%, la longitud media de la cola de los nodos públicos en un 20.6% y el tiempo de permanencia medio ponderado por pasajero en un 12.2%.
Desempeño vs. Ratio Fijo (S1): Aunque el esquema de ratio fijo logró cargas menores en los nodos de monitoreo, causó una mayor acumulación en los nodos de monitoreo. En relación con S1, el método de retroalimentación dinámica redujo la densidad media en el nodo de monitoreo 2 en un 16.9% y redujo las longitudes máximas de cola en los nodos de monitoreo 1 y 2 en un 20.7% y 27.3%, respectivamente.
Eficiencia: El tiempo de finalización de la simulación no difirió significamente entre los tres esquemas, lo que indica que la redistribución de la carga no comprometió el rendimiento general.
Roles de los Componentes: Los experimentos de ablación revelaron que eliminar la retroalimentación de cola aumentó significativamente la densidad y el tiempo de permanencia en los nodos públicos, resaltando su papel en la detección de retrasos de servicio. Eliminar el suavizado exponencial aumentó las fluctuaciones de probabilidad, confirmando su papel en la estabilización de la señal de control.

Significancia y Reivindicaciones
El artículo afirma que el método desarrollado equilibra con éxito tres objetivos contrapuestos: aliviar las cargas de los nodos públicos, gestionar las cargas de los nodos de monitoreo y mantener la eficiencia del flujo de pasajeros. Los autores sostienen que el método proporciona un mecanismo de retroalimentación simple basado en reglas que convierte los estados locales de las instalaciones en probabilidades de ruta estables sin necesidad de optimizaciones complejas o calibraciones de comportamiento extensas.

El estudio señala explícitamente las limitaciones: no modela las tasas de cumplimiento de los pasajeros individuales, los retrasos de información o las fallas de las instalaciones, ya que no se disponía de datos de campo para estos parámetros. Por consiguiente, los autores presentan los resultados como una demostración del potencial del método bajo condiciones modeladas, más que como una prueba definitiva de su eficacia en el campo. Concluyen que, si bien los valores específicos de los parámetros son propios de cada caso, el marco respalda la asignación dinámica para grupos de entrada con múltiples instalaciones candidatas.

Más como este