Integrating adaptive signal control and autonomous vehicles for urban congestion relief and carbon reduction

Resumen Técnico: Integración del Control Adaptativo de Señales y Vehículos Autónomos para el Alivio de la Congestión Urbana y la Reducción de Carbono

Planteamiento del Problema
Los sistemas de transporte urbano enfrentan un desafío dual: la creciente congestión del tráfico y el aumento de las emisiones de carbono, exacerbados por la rápida urbanización y motorización. Si bien el Control Adaptativo de Señales de Tráfico (ATSC, por sus siglas en inglés) y los Vehículos Autónomos (AV) son reconocidos como soluciones prometedoras, sus impactos sistémicos coordinados aún se comprenden poco. La investigación existente sufre de una fragmentación metodológica, evaluando a menudo el ATSC y los AV de forma aislada bajo supuestos simplificados o exógenos. Además, la mayoría de los estudios se limitan a simulaciones microscópicas de una sola intersección o redes pequeñas, sin lograr capturar los efectos emergentes a escala de la ciudad, la heterogeneidad entre ciudades y la viabilidad económica de un despliegue a gran escala. Existe una brecha crítica en la comprensión de cómo la interacción entre el control de señales y el comportamiento vehicular reconfigura los estados operativos para reducir la dinámica de arranque y parada (stop-and-go), y cómo estos beneficios varían a través de diversos contextos urbanos.

Metodología
Los autores desarrollaron un marco de evaluación integral a escala de la ciudad que integra la simulación de tráfico microscópica, la estimación de emisiones a nivel de vehículo y el aprendizaje automático interpretable.

• Plataforma de Simulación: El estudio utilizó CBEngine, una plataforma de simulación de tráfico microscópica, para modelar las trayectorias e interacciones de los vehículos.
• Estrategias de Control: Se construyeron cinco escenarios para un corredor urbano representativo de 17 km en Shenzhen:
  1. Línea Base: Control de señales de tiempo fijo (método de Webster, actualizado cada 15 minutos).
  2. WB: Control de señales adaptativo de actualización periódica.
  3. MP: Control de señales adaptativo en tiempo real utilizando el algoritmo Max-Pressure, que ajusta dinámicamente las fases basándose en las diferencias de colas aguas arriba y aguas abajo.
  4. AV: Vehículos autónomos con control longitudinal mejorado (límites de aceleración/deceleración más altos y tiempos de respuesta más rápidos mediante lógica de Control de Crucero Adaptativo) bajo señales de tiempo fijo.
  5. MP_AV: Despliegue sinérgico que combina el control Max-Pressure en tiempo real con AVs.
• Modelado de Emisiones: Las emisiones de carbono se estimaron utilizando el marco del Simulador de Emisiones de Vehículos Motorizados (MOVES), calculando la Potencia Específica del Vehículo (VSP) basada en la velocidad y aceleración instantáneas para derivar las tasas de emisión.
• Análisis a Escala de la Ciudad: El marco se aplicó a 100 ciudades principales de China. Para analizar la heterogeneidad, los autores emplearon modelos de Máquina de Potencia de Gradiente Ligero (LightGBM) con Explicaciones Aditivas de Shapley (SHAP) para interpretar cómo las características urbanas (por ejemplo, densidad de carreteras, velocidad base, densidad de población, PIB) influyen en las métricas de desempeño.
• Evaluación Económica: Se realizó un análisis de costo-beneficio (BCA), calculando los costos de inversión pública (actualizaciones del sistema de señales) frente a los beneficios socioeconómicos (ahorro de tiempo de viaje, reducción de carbono y ahorro de combustible).

Resultos Clave

• Desempeño Sinérgico: En el corredor de Shenzhen, la estrategia coordinada MP_AV superó significativamente a los enfoques de tecnología única. Redujo el tiempo de viaje promedio aproximadamente un 32% (de 28.93 min a 19.47 min) y las emisiones de CO₂ por vehículo en un 36% (de 5,678 g a 3,621 g) en comparación con la Línea Base.
• Mecanismo de Mejora: Las ganancias no fueron meramente aditivas, sino que resultaron de una reconfiguración sistémica de los estados operativos de los vehículos. La estrategia coordinada suprimió los regímenes de altas emisiones y altos retrasos (como el ralentí prolongado y los ciclos frecuentes de aceleración-deceleración) y mejoró la continuidad del flujo de tráfico. Específicamente, el tiempo total de ralentí cayó de 8.98 min a 1.88 min.
• Umbrales de Despliegue: Existe una relación no lineal entre la tasa de despliegue del control adaptativo y el desempeño del sistema. Las mejoras de velocidad en todo el sistema se estancaron cuando el control adaptativo cubría aproximadamente el 80% de las intersecciones clave durante los períodos pico, lo que sugiere que se puede lograr un rendimiento cercano al óptimo sin una cobertura total de la red.
• Heterogeneidad entre Ciudades: En 100 ciudades chinas, el despliegue coordinado produjo beneficios sustanciales pero variables. Todas las ciudades vieron mejoras en la velocidad de tráfico superiores al 20% y reducciones de emisiones mayores al 10%. Sin embargo, la magnitud de los beneficios dependió fuertemente de las características urbanas:
  • Eficiencia del Tráfico: Mayor en ciudades con velocidades base más bajas y densidad de red vial moderada. Las redes excesivamente densas o la alta proporción de intersecciones de cuatro vías tendieron a disminuir las ganancias marginales.
  • Viabilidad Económica: Se observaron Relaciones Beneficio-Costo (BCR) elevadas en ciudades con suministro de infraestructura moderado y un valor económico fuerte, pero no saturado. Los BCR más altos se concentraron en las ciudades centrales del Delta del Río Perla y el Delta del Río Yangtze.
• Impacto Económico: Agregado en las 100 ciudades, la estrategia genera aproximadamente 7 millones de horas de ahorro de tiempo de viaje anual (valoradas en ~US$70 mil millones), junto con ~US$46.1 mil millones en beneficios ambientales y ~US$50.6 mil millones en ahorros de combustible.

Significancia y Reclamaciones
El artículo sostiene que la inteligencia coordinada entre infraestructura y vehículos ofrece una vía viable para la mitigación de la congestión a gran escala y la descarbonización sin depender de la expansión continua de las carreteras. El estudio demuestra que los beneficios surgen de la reestructuración conjunta del control de tráfico y las operaciones de los vehículos, en lugar de la simple superposición de tecnologías.

Las contribuciones clave incluyen:

1. Perspectiva de Nivel de Sistema: Proporcionar evidencia de que el ATSC y los AV interactúan para suprimir la dinámica de arranque y parada y reconfigurar los estados operativos de los vehículos, un mecanismo que a menudo se pasa por alto en las evaluaciones desacopladas.
2. Despliegue Diferenciado: Identificar que la eficacia de estas tecnologías es altamente dependiente del contexto. Los hallazgos sugieren que un despliegue de "talla única" es subóptimo; en su lugar, las estrategias deben priorizar ciudades con condiciones estructurales específicas (por ejemplo, densidad vial moderada, tráfico no saturado) y enfocarse en intersecciones de alto impacto en lugar de la cobertura total de la red.
3. Relevancia de Política: Ofrecer evidencia robusta e interpretable para apoyar el despliegue gradual y diferenciado de las tecnologías de transporte inteligente, alineándose con los objetivos nacionales para las transiciones urbanas de bajo carbono y la gobernanza de ciudades inteligentes.

Los autores concluyen que, si bien el despliegue a gran escala requiere una inversión significativa en infraestructura y coordinación, los retornos socioeconómicos —impulsados principalmente por el ahorro de tiempo pero apoyados por la reducción de emisiones y combustible— justifican la estrategia en una amplia gama de contextos urbanos, particularmente aquellos con un suministro de infraestructura moderado y un alto potencial de mejora operativa.