Análisis estadístico de datos de tráfico para optimizar el diseño de carreteras y sistemas de transporte.

Abstract

A lo largo de los años en el Ecuador, el crecimiento del parque automotor ha provocado el aumento de los problemas de congestión vehicular. A esto se le añade, la existencia de sistemas de tránsito inadecuados que generan la necesidad de estudios óptimos de sistemas de transporte. Para obtener diseños óptimos y una mejor planificación vial es clave contar con una serie temporal histórica del volumen del tráfico que permita realizar predicciones de una manera correcta. Por tal motivo, la presente investigación tiene el propósito de aplicar técnicas de análisis estadístico de datos de tráfico vehicular para identificar patrones, tendencias y problemas en la infraestructura vial y sistemas de transporte con el fin de obtener recomendación para su optimización. El análisis de datos se los realizó mediante una serie temporal mensual del volumen de tráfico de una intersección de Riobamba entre los años 2000 y 2022. Los modelos estadísticos aplicados para la predicción fueron ARIMA, SARIMA, redes neuronales multicapa (MLP) y redes neuronales recurrentes RNN LSTM, analizados de acuerdo a la naturaleza de los datos y evaluados mediante la raíz del error cuadrático medio RMSE. Adicionalmente, se utilizó el modelo de teoría de colas de dos carriles para analizar el comportamiento vehicular. El modelo predictivo que mejor se ajustó es el modelo SARIMA con un RMSE de 3353,10; y mediante la teoría de colas se identificó que existe un 45% de probabilidad de congestión durante las horas pico y un 28% que exista la posibilidad de espera de un vehículo. De esta manera, se ha evidenciado que los modelos de ajustan de acuerdo a la naturaleza de los datos y permiten tomar decisiones al momento del diseño y planificación vial.