Professional Documents
Culture Documents
ESCUELA DE INGENIERIA
ANÁLISIS DE MODELOS DE
CAPACIDAD Y DEMORA EN
INTERSECCIONES PRIORITARIAS
Profesor Supervisor:
JUAN ENRIQUE COEYMANS AVARIA
RODRIGO FERNANDEZ A.
DOMINGO MERY Q.
DEDICATORIA
AGRADECIMIENTOS
Primero que todo debo agradecer al Profesor Juan Enrique Coeymans por su constante
guía y apoyo, y principalmente por la gran compañía que fue durante toda la
investigación.
Me gustaría mencionar la importantísima ayuda que recibí por parte del Profesor Juan
Carlos Herrera. Gracias por tu tiempo, dedicación y consejos.
No puedo dejar de lado a todas las personas que me acompañaron en las frías mañanas
de Santiago contando autos: Josefina, Carolina, Francisco, Vicente, Bernardita, Felipe y
a mi madre.
Por último, me gustaría agradecer a todos mis compañeros de batalla: Felipe Delgado,
Sebastian “Music Challenge” Raveau, Phillipe “Set of Skills” Burq y en especial, al
hombre más abrigado de Ingeniería (Felipe Zuñiga) quien resulto ser la segunda persona
que sabe más de IP en Chile.
ii
INDICE GENERAL
Pág.
DEDICATORIA….. .................................................................................................... ii
RESUMEN………...................................................................................................... ix
ABSTRACT………. .................................................................................................... x
1. INTRODUCCIÓN .............................................................................................. 1
1.1 Motivación ................................................................................................. 1
1.2 Objetivos .................................................................................................... 3
1.3 Alcances ..................................................................................................... 4
1.4 Estructura de la Tesis ................................................................................. 6
INDICE DE FIGURAS
Pág.
Figura 2–5: Efecto Pista Prioritaria Compartida Sobre Movimiento de Ranking 2 ........ 34
Figura 5–5: Factor de Ajuste por Pista Prioritaria Compartida (E3a) ............................ 118
Figura 5–6: Estimaciones Capacidad Pista Compartida – Experimento N°4 ................ 122
Figura 5–8: Ajuste Modelos de Demoras (Cola Inicial de 20 Vehículos) ..................... 128
INDICE DE TABLAS
Pág.
Tabla 5-2: Distribución de errores Experimento N°1 – Escenario (1) ........................... 110
Tabla 5-4: Distribución Errores Experimento N°2 - Escenario (1) ............................... 115
Tabla 5-5: Errores de estimación de E3a – Experimento N°3 (veh/hr) ......................... 116
Tabla 5-8: Error en estimación de tiempos de espera en cola promedio (segundos) ..... 125
Tabla 5-9: Error en estimación de tiempo de espera en cola promedio (segundos) ...... 127
RESUMEN
ABSTRACT
This thesis arises from the necessity for a tool that facilitates the analysis of unsignalized
intersections and that complements the software SIGCOM (Cortés, 2010), which at this
moment is only focus on isolated signalized intersections. Specifically, it was sought the
determination of the best models that allow the estimation of de delay experienced by
each of the vehicles that use the intersections, and also the capacity of each of the
movements which describe the operation of it.
An important part of the investigation was the development of specific methodologies
for the analysis of the capacity and delay models. With respect to the first, a conceptual
framework was generated for the analysis based on the utilization of AIMSUN NG
(TSS, 2005), a software that microsimulate transport systems. The delay models,
meanwhile, were analyzed using numeric methods.
Among the main results related to the capacity models was determinate that the Luttinen
(2004) model is the one with the best fit when estimating the capacity of movments with
rank 3. Also, it was found that the model of Wu (2001) is the one with the best fit and
behavior in the estimation of the capacity of movements with a rank 4.
Regarding the results of the delay models, it was identifies the existence of clear
distortions in the model of Brilon (2008), in terms of the types of considerations related
to the amount of vehicles exposed to the delay during the period of analysis.
Nevertheless, an important conclusion is that the coordinated transformation that
sustains the model, based on an additive relationship of reserve capacities, is the one
with the best results.
1
1. INTRODUCCIÓN
1.1 Motivación
costo que significa instalar uno u otro tipo de sistema, y, en segundo lugar, las
diferencias importantes en la modelación del comportamiento de los flujos
vehiculares. De esta forma, es necesario contar con una metodología que permita
evaluar los niveles de servicio experimentados y cuantificar el verdadero beneficio
del tipo de sistema de control que se implemente.
En este contexto, en el Departamento de Ingeniería de Transporte y Logística de la
Pontificia Universidad Católica de Chile nace la idea de generar un modelo que
permita diseñar y evaluar intersecciones vehiculares de todo tipo, orientado a
reflejar las características particulares de la operación de intersecciones en Chile.
Es así como es desarrollado el software SIGCOM, programa computacional
orientado a la modelación de intersecciones semaforizadas aisladas.
Esta tesis se enfoca en la determinación de los modelos de capacidad y demora en
intersecciones prioritarias que vayan a ser implementados de en SIGCOM.
1.2 Objetivos
1.3 Alcances
1
“Staggered junctions”: Intersecciones prioritarias en que las vías no prioritarias no son contiguas, por
consiguiente, los movimientos no prioritarios deben ingresar a la vía prioritaria y luego dirigirse hacia la
continuación de la vía a la cual pertenecen.
5
2. REVISIÓN BIBLIOGRÁFICA
En este capítulo se realiza una revisión del estado del arte de la modelación de la
capacidad y la demora en intersecciones prioritarias. Se comienza, en la sección 2.1,
definiendo un conjunto de conceptos básicos que ayudan a la comprensión de los
modelos expuestos.
Luego, en la sección 2.2 se describe el funcionamiento general de una intersección
prioritaria y los conceptos fundamentales utilizados para su descripción. En la sección
2.3 se detalla la teoría de aceptación de gaps y los supuestos que la sustentan, la cual es
utilizada transversalmente en la modelación del comportamiento de intersecciones
prioritarias.
Finalmente, en las secciones 2.4 y 2.5 se introducen los conceptos fundamentales
relacionados con los modelos utilizados para describir la capacidad y la demora,
respectivamente.
Una intersección prioritaria corresponde a una zona de confluencia de vías por las
que circulan vehículos y peatones, la cual incorpora un sistema de control que
determina la prioridad de uso de la misma. En ella existen dos mecanismos de
control de la preferencia: uno basado en la detención parcial de los vehículos
(disco ceda el paso), y uno basado en la detención completa (disco pare).
En una intersección prioritaria, un movimiento no prioritario cede prioridad a uno
o más movimientos. Asociado al sistema de control de preferencia en la
intersección, existe una jerarquía entre los movimientos de acuerdo a la prioridad
que se tenga para cruzar. En la Figura 2–1 se presenta un esquema que da cuenta
de los posibles movimientos en la operación de una intersección prioritaria, cuya
interacción debe satisfacer un orden de prioridad.
B(τ) γ(τ)
i+1
i
i-1
(2-1)
donde es el parámetro de escala de la distribución.
Del cálculo del headway esperado se desprende que . Este parámetro
representa también al flujo prioritario promedio , es decir, . Esta
distribución ha sido utilizada por diversos autores en la modelación de la capacidad
en intersecciones prioritarias. Por ejemplo, el HCM2000 (Transportation Research
Board, 2000) propone el uso de esta distribución al momento de derivar la
expresión para la capacidad.
(2-2)
(2-3)
14
Los más recientes modelos de capacidad y demora (Akçelik, 2007; Troutbeck &
Kako, 1999; Chavallier & Leclercq, 2007) proponen la modelación de headways
identificando que un flujo se subdivide en dos conjuntos:
Flujo prioritario libre: bajo esta condición, se asume que cada vehículo no
influye al vehículo que tiene atrás. Además, se asume que el gap entre
vehículos no está restringido a un valor mínimo Δ, y, por lo tanto, éste puede
tomar valor cero.
Flujo prioritario apelotonado: se asume que entre dos vehículos sucesivos
existe un gap mínimo , supuesto que da lugar a distintas distribuciones
de gaps.
Existen distintos modelos orientados a considerar ambos tipos de flujos. Por
ejemplo, el modelo de Schuhl (1955) propone la siguiente función de distribución:
(2-4)
donde corresponde a la proporción de vehículos libres, es el headway
promedio del flujo libre y es el headway promedio del flujo apelotonado.
El modelo más utilizado fue desarrollado por Cowan (1975), según el cual la
función de distribución es:
(2-5)
(2-6)
Respecto a este modelo, Brilon & Troutbeck (1992) sostienen que la distribución
de Cowan (1975) no pretende modelar los headways en los pelotones, debido a que
15
éstos usualmente no son aceptados por los vehículos no prioritarios, sino que
modela los headways más largos.
Los modelos aleatorios presentados anteriormente – el modelo exponencial
negativo y exponencial desfasado – pueden ser derivados como casos especiales
del modelo de apelotonamiento. Para esto se debe realizar simples suposiciones
acerca de las características del apelotonamiento en el flujo de llegada. De esta
forma, el primero se obtiene asumiendo que y , mientras que el
segundo se obtiene asumiendo que y .
Por otro lado, en la literatura se ha encontrado diferentes propuestas orientadas
hacia la derivación del parámetro , el cual depende de la intensidad de tráfico .
En primer lugar, bajo el supuesto que sostener un mínimo gap Δ afecta los
vehículos en el flujo prioritario como un sistema de colas M/D/12, Tanner (1962)
especificó la porción de tráfico libre como:
(2-7)
Por su parte, Jacobs(1979) propone la estimación de como:
(2-8)
donde es un parámetro con valor calibrado entre 6 y 9. La misma relación fue
utilizada por Sullivan & Troutbeck (1997), estudio en el cual se sostiene que el
parámetro difiere entre pistas y los anchos que éstas tengan. En este estudio se
encontró que el valor del parámetro es constante para la pista central ( 7,5) y
varía en un rango entre 3,7 y 6,5 para las otras pistas.
Por otro lado, el software SIDRA INTERSECTIONS versión 2.1 (1998) utiliza la
expresión:
(2-9)
2
M/M/1: representa la nomenclatura utilizada en la Teoría de Colas para describir un sistema con tiempos
entre llegadas dadas por una exponencial (primera M), con un tiempo de servicio exponencial (segundo
M) y un canal de servicio (1 al final).
16
(2-10)
(2-11)
(2-12)
Por otro lado, el proceso de partidas no prioritarias también puede ser modelado de
manera continua, asumiendo que una recta aproxima el proceso escalonado que se
da en el caso discreto. La Figura 2–3 muestra una representación de ambos tipos de
procesos de partidas de vehículos, donde con una línea continua se representa el
18
proceso escalonado discreto y con una línea punteada la aproximación continua del
mismo.
Número de Partidas
(2-13)
(2-14)
otros el continuo (Wu, 2001). Sin embargo, ninguno de los dos enfoques puede ser
catalogado como superior al otro, pues se ha visto que los resultados que se
obtienen son muy similares (Brilon & Troutbeck, 1992).
Por otro lado, la homogeneidad hace referencia a que todos los conductores de un
mismo movimiento tienen igual comportamiento frente a situaciones similares. Por
su parte, la heterogeneidad implica la presencia de variabilidad en dichos
comportamientos. Plank & Catchpole (1986) mostraron que esta variabilidad se
traduce en estimaciones de menores capacidades para los movimientos, respecto al
caso homogéneo.
Luego, y debido a que la inconsistencia aumenta la capacidad y la heterogeneidad
la disminuye, se ha considerado que el efecto total de asumir consistencia y
homogeneidad produce distorsiones mínimas, comparadas con el caso de
heterogeneidad e inconsistencia(Plank & Catchpole, 1986).
En la literatura, existen formulaciones para el cálculo de la capacidad de un
movimiento no prioritario que modelan explícitamente el efecto de la
inconsistencia. Heidemann & Wegmann (1997) proponen un modelo que permite
distinguir un comportamiento consistente e inconsistente, respecto a la aceptación
de gaps por parte de los conductores. Este modelo requiere la utilización de
distribuciones para los parámetros , y (gap crítico, tiempo de seguimiento y
gap mínimo). Wu (2001) propone la utilización de una distribución Erlang para tal
caso.
Una variante al problema de homogeneidad, son los modelos formulados con
parámetros específicos a cada tipo de vehículo. En este contexto, es interesante
recalcar el estudio de Li et al. (2003), los cuales proponen un modelo para estimar
la capacidad de la vía no prioritaria, considerando distintos comportamientos para
vehículos livianos y pesados.
2.4 Capacidad
En esta sección se presenta una revisión de los modelos utilizados típicamente para
estimar la capacidad de los distintos movimientos en una intersección prioritaria.
Se comienza realizando un análisis a nivel de movimiento, lo cual deriva
posteriormente en los modelos utilizados para estimar la capacidad a nivel de pista.
En primer lugar, en la sección 2.4.1, se describen los métodos generales para la
estimación de la capacidad, divididos en cuatro grandes grupos. Luego, en la
sección 2.4.2, se detalla el método tradicional de aceptación de gaps, explicitando
los modelos desarrollados para cada tipo de movimiento, los cuales demuestran
una alta flexibilidad para modelar todo tipo de intersecciones prioritarias.
23
Permite la utilización de
Su derivación se basa en la consideración de
modelos propios de
Analogía a movimientos prioritarios independientes entre
intersecciones semaforizadas
Intersecciones ellos. Es decir, no cuantifica el efecto de la
para la estimación de la tasa
Semaforizadas interacción entre movimientos prioritarios con
de paradas y movimientos en
distinta prioridad entre ellos.
cola.
(2-15)
Luego, dependiendo de la distribución de headways prioritarios y del tipo de
proceso de inserción no prioritario que se consideren, se pueden obtener distintas
expresiones para el cálculo de la capacidad potencial . En el Anexo B se
describen detalladamente algunas de estas expresiones.
Definido el modelo para la capacidad potencial , el modelo para la capacidad
final del movimiento dependerá de su ranking de prioridad. De esta forma, si
mantenemos el supuesto de una pista exclusiva para cada movimiento, es claro que
los movimientos de ranking 2 no deben esperar por la disipación de una supuesta
cola en los movimientos de ranking 1, pues éstos nunca están en cola. Así,
distinguiendo por ranking, se puede sostener que:
Movimientos de Ranking 1: No tienen impedancia debido a la prioridad que
tienen, por lo cual, su capacidad es igual al flujo de saturación propio del
movimiento.
Movimientos de Ranking 2: Dado que los movimientos de Ranking 1 no se
congestionan, no es necesario ajustar la capacidad potencial para determinar
la capacidad del movimiento.
Movimientos de Ranking 3 y 4: Para estos movimientos sí es necesario
ajustar la capacidad potencial, debido a que no pueden ser servidos cuando
un movimiento de mayor ranking espera en cola para poder cruzar.
Dadas estas consideraciones, sólo es necesario corregir la capacidad potencial de
los movimientos de ranking 3 y 4. A continuación, se presentan los modelos
utilizados para realizar dicho ajuste.
Considerando una intersección con cuatro ramas (ver Figura 2–1), los movimientos
8 y 11 tienen ranking 3, que deben dar paso a los movimientos 1 y 4, los cuales
tienen ranking 2. El conjunto de movimientos prioritarios o de ranking superior
27
(2-16)
donde es la capacidad potencial del movimiento ,y es el factor
correctivo de la capacidad potencial asociado al movimiento de ranking 2, donde
.
En la literatura especializada, se han reportado básicamente dos modelos para la
estimación del factor de corrección . El primero, y el más utilizado, es propuesto
en HCM2000 (Transportation Research Board, 2000), en el cual el factor de
impedancia es calculado como la probabilidad de que en un instante cualquiera,
el movimiento no tenga cola, y esté disponible para un proceso de aceptación de
gaps. Esta probabilidad se denota como , y el modelo tiene la siguiente
formulación:
(2-17)
(2-18)
(2-19)
donde es el factor de ajuste asociado con el movimiento conflictivo de
ranking 3 – cuyo cálculo depende de los movimientos 1 y 4 de ranking 2, lo cual
no hace necesario multiplicar por los factores de ajuste asociados con estos
movimientos, y representa una notación alternativa para diferenciar de los
factores de ajuste estándar –, es el factor de ajuste asociado al movimiento de
ranking 2, el cual es independiente de los movimientos de ranking 3 dependientes
de , y que se calcula como la probabilidad de ausencia de cola en los
movimientos , y es la capacidad potencial del movimiento de ranking 4. En
estos casos, si , entonces y . Por su parte, si , entonces
y .
30
(2-20)
(2-21)
(2-22)
Esta última expresión puede ser interpretada como la probabilidad de que no haya
cola en los movimientos 1, 4 e , bajo la condición de que se sabe que no hay cola
en el movimiento o en los movimientos 1 y 4.
Por su parte, Luttinen (2004) propone un modelo para estimar la capacidad de los
movimientos de ranking 4 explicitando los ajustes por factor de ocupación y la
distribución modificada de headways en los movimientos prioritarios. El autor
sostiene que las capacidades de los movimientos de ranking 2, 3 y 4 se deben
calcular en orden jerárquico. De esta manera, la capacidad de un flujo de mayor
prioridad es usada como input en la estimación de la capacidad de un flujo de
31
menor prioridad. Finalmente, propone una expresión que puede ser utilizada para
calcular la capacidad de movimientos de ranking 3 y 4, que es de la forma:
(2-23)
(2-24)
(2-25)
(2-26)
(2009). En casos en que los flujos en la vía prioritaria sean altos, se aprecia una
diferencia importante en los resultados de los tres modelos. Esto se traduce, luego,
en una subestimación de la capacidad de la vía no prioritaria.
Brilon (2009) concluye que, en la práctica, existen muchos casos para los cuales
las diferencias entre los resultados de los modelos pueden ser relevantes. Esta
comparación, sin embargo, no demuestra cuál formulación es la más adecuada.
Por otro lado, si los movimientos de viraje a la izquierda prioritarios cuentan con
una pista exclusiva de viraje, éstos tendrán efecto sobre los movimientos
prioritarios restantes, sólo cuando la capacidad de la pista exclusiva sea
sobrepasada por la cola. Considerando que la distribución del largo de cola puede
ser modelada como un modelo M/M/13, la probabilidad de que la cola sea menor a
la capacidad de la pista exclusiva viene dada por la expresión (Wu, 1994):
(2-27)
donde es el largo de cola del movimiento prioritario de giro a la izquierda y
es la capacidad de almacenaje de vehículos del ensanchamiento.
A partir de esta expresión, Wu & Brilon (2010) desarrollaron un modelo que
permite estimar en presencia de una pista de viraje exclusivo para giros a la
izquierda prioritarios. En este cálculo, se considera la probabilidad de que la cola
del movimiento de giro sobrepase la capacidad del ensanchamiento, la cual viene
dada por:
(2-28)
3
M/M/1: Notación de Kendall para un sistema de colas, en el cual las llegadas son Markovianas (primera
M), la atención es Markoviana (segunda M) y existe sólo 1 servidor.
34
movimientos que ceden prioridad a todos los movimientos de la vía prioritaria. Sin
embargo, la interacción entre movimientos prioritarios en una misma pista tiene
una repercusión distinta sobre movimientos de ranking 2 en vías prioritarias.
Para graficar esta situación nos basaremos en el siguiente ejemplo. Si
consideramos la intersección dada por la Figura 2–5, existen dos movimientos de
ranking 2, dados por los giros a la izquierda prioritarios, indicados con flechas.
En la medida que uno de los movimientos de giro a la izquierda prioritarios
presente una cola y, por tanto, bloquee la circulación del movimiento de cruce
directo (ranking 1) de su misma vía, el otro movimiento de ranking 2 tiene libre
acceso a la intersección. Por consiguiente, es necesario modelar este fenómeno
pues la estimación de la capacidad del movimiento de ranking 2 necesariamente
será distinta a la calculada por los modelos que no lo consideran. Este mismo
fenómeno se puede presentar en ausencia de ensanchamientos.
En primer lugar, se debe tener claro que si cada movimiento tiene una pista
exclusiva para su circulación, la capacidad de dicha pista viene dada por la
capacidad que tenga el movimiento. Por el contrario, si existen movimientos que
comparten pista, la estimación de la capacidad de dicha pista debe realizarse
considerando este fenómeno.
En la literatura, se han desarrollado distintos modelos para estimar la capacidad de
una pista compartida, considerando distintas configuraciones de movimientos (Fisk
& Tan, 1989; Hawkes, 1966). Harders (1968) desarrolló un modelo de gran
simplicidad, tanto en su fundamentación como en las expresiones matemáticas
obtenidas.
El modelo de Harders (1968) se sustenta en dos premisas: a) La capacidad es el
inverso del tiempo de servicio, y b) el tiempo de servicio de una pista compartida
es la suma ponderada de los tiempos de servicio de cada movimiento, por la
proporción de flujo de cada uno. Basándose en este postulado, la capacidad de una
pista compartida puede calcularse como sigue:
(2-29)
(2-30)
(2-31)
2.5 Demora
La demora promedio que experimentan los vehículos que utilizan una intersección
prioritaria, conforma una de las variables más importantes para medir su nivel de
servicio. De acuerdo con HCM (Transportation Research Board, 2000), la demora
total que experimenta un vehículo en una intersección puede ser descrita por un
conjunto de demoras que la componen, como las siguientes:
39
(2-32)
donde es la demora por aceleración.
Luego, de acuerdo con el planteamiento de la ecuación 2–32, un correcto modelo
para la demora requiere de la determinación del tiempo de espera en el sistema
y la demora por aceleración . Esta última componente no es analizada en esta
tesis, pues escapa a los alcances planteados.
Para la correcta formulación de un modelo para la estimación del tiempo de espera
en el sistema, se debe tener presente el comportamiento general que tiene la
demora frente a diferentes situaciones de saturación. En escenarios de alta
saturación, en los que la tasa de llegadas de vehículos es similar a la tasa de
servicio de la intersección, la demora queda mejor representada por un modelo
determinístico (Luttinen, 2004). Por su parte, en casos poco saturados, cuando la
tasa de llegadas es menor que la tasa de servicio, la demora queda mejor
representada por un modelo probabilístico.
No comprender y analizar el sistema de esta forma, y simplemente modelarlo para
todo espectro de tasas de llegadas y servicio, basándose en la consideración de un
proceso estacionario en la cola, puede generar sobrestimaciones del tiempo de
espera en presencia de altos grados de saturación. A su vez, considerar el sistema
como determinístico, para todo el rango de grados de saturación, contradice el
principio fundamental de la teoría de aceptación de gaps, lo que se traduce en que
no existe certeza respecto al comportamiento del sistema, pues no se sabe con
exactitud cuándo cada vehículo llegará a éste.
Se observa, entonces, que existe una dicotomía importante en cuanto a cómo
modelar el tiempo de espera frente a distintos niveles de saturación. Este problema
fue resuelto por Kimber et al (1977), por medio de una transformación coordinada
del tiempo de espera en estado estacionario y el tiempo de espera determinístico.
En la Figura 2–6, donde representa la capacidad del movimiento, se aprecia
cómo la curva “real” de demora, denominada “Transformación”, debe encontrarse
entre las otras dos curvas de demora.
41
(2-33)
Las fórmulas son tan complicadas que están lejos de ser utilizables en la
práctica.
Bajo este modelo, la probabilidad de observar un sistema sin cola entrega
muy pocas mejoras, con respecto a estimar esta variable utilizando un
modelo M/G/1.
Estas ecuaciones sólo se pueden considerar como aproximaciones, debido a
los supuestos en que se sustentan, y son sólo utilizables para condiciones de
estado estacionario.
Utilizar un modelo M/G/1 para describir el sistema de colas corresponde a una
aproximación del modelo anterior. En este caso, se trabaja con una distribución
general cualquiera para describir los tiempos de servicio, y es posible incluir
explícitamente el efecto de la varianza de dichos tiempos en el cálculo del tiempo
total de espera en el sistema. Esto constituye su principal beneficio, por sobre
formulaciones más simplificadas. Según este modelo, el tiempo de espera en el
sistema se obtiene como:
(2-34)
(2-35)
(2-36)
(2-37)
(2-38)
(2-39)
3. SELECCIÓN DE MODELOS
Distribución de headways
Función de inserción
Factores de impedancia vehicular
Efecto de pistas prioritarias compartidas
Capacidad de pistas compartidas
Estos aspectos serán estudiados en más detalle en las secciones 3.1.1 hasta la 3.1.5.
a) Movimientos de Ranking 2
b) Movimientos de ranking 3 y 4
Dado que para estos modelos se tiene un mayor número de movimientos que
componen el flujo prioritario total, la suposición de una distribución exponencial
negativa de headways representa una buena aproximación para la determinación de
los modelos de capacidad (Luttinen, 2004).
Adicionalmente, la suposición de una distribución exponencial desfasada o Cowan
(1975) en la estimación de la capacidad en estos modelos requiere el uso de
expresiones muy complejas y con una gran cantidad de parámetros para la
estimación de la capacidad potencial, por lo cual son desechadas.
54
La selección del modelo de demora se realizará únicamente a partir del modelo del
tiempo de espera relacionado, según los alcances de esta tesis.
En la sección 2.5 se presentó una variedad de métodos y modelos que existen para
la estimación del tiempo de espera. Esta sección tiene como objetivo la
determinación de dos conjuntos de modelos. En primer lugar, se selecciona un
conjunto de modelos que conforman la formulación del tiempo de espera,
basándose en la información reportada en la literatura especializada y cómo cada
modelo cumple con los objetivos de esta tesis. En segundo lugar, se determinan los
modelos para los cuales no se tiene claridad suficiente si deben ser seleccionados,
y que, por tanto, requieren un análisis más profundo.
Específicamente, el segundo conjunto de modelos tiene relación con una hipótesis
respecto a la manera en que debe ser modelada la cola inicial en un período de
57
Tal como se presentó en la sección 2.5, existen dos metodologías generales para la
modelación del tiempo de espera: una basada en la teoría de aceptación de gaps y
una basada en la teoría de colas.
Estas metodologías no necesariamente son excluyentes. Bajo ciertos supuestos y
en determinados escenarios de análisis, los resultados pueden concordar.
Troutbeck & Walsh (1994) sostienen que con una distribución apropiada de los
tiempos de servicio, la teoría de colas entrega las mismas estimaciones que la
teoría de aceptación de gaps.
Sin embargo, sí existen diferencias sustanciales entre las metodologías al momento
de modelar movimientos con ranking 3 y 4. Luttinen (2004) sostiene que el
problema de emplear los modelos basados en la teoría de aceptación de gaps radica
en que la derivación de (ver sección 2.5.2) se realiza bajo el supuesto de
58
distintos para vehículos que llegan al sistema cuando éste está vacío o con una cola
formada.
Los modelos de demora que se desprenden de un sistema M/G2/1 utilizan
formulaciones complicadas y de difícil uso. Tales complicaciones no se justifican
cuando la evidencia ha mostrado que este modelo entrega muy pocas mejoras con
respecto a estimar el tiempo de espera utilizando un modelo M/G/1 (Troutbeck &
Walsh, 1994).
Por su parte, el principal beneficio que entrega el modelo M/G/1 por sobre un
M/M/1 es la inclusión del efecto de la varianza de los tiempos de servicio, y sólo
cuando la desviación estándar es igual al valor promedio (coeficiente de variación
igual a uno) se obtienen modelos equivalentes. La utilización de un modelo M/M/1
por sobre un M/G/1 toma sentido cuando se busca un expresión amigable y de fácil
derivación para la transformada de la demora (Brilon W. , 2008).
De los modelos disponibles, el más utilizado en la práctica es la formulación
M/M/1(Transportation Research Board, 2000; Fisk & Tan, 1989; Kimber & Hollis,
1978). Brilon & Troutbeck (1992) sostienen que el modelo M/M/1 puede producir
sesgos en sus estimaciones, pero la magnitud de éstos es bastante pequeña.
Asimismo, Fisk & Tan (1989) son enfáticos al sostener que el modelo M/M/1
entrega una muy buena aproximación al modelo M/G/1.
A la luz de lo anterior, y en el contexto de buscar un modelo robusto y de fácil
aplicación, se utilizará un modelo M/M/1 para la estimación del tiempo de espera
en condiciones de estacionariedad.
Recordemos que para determinar una formulación del tiempo de espera promedio
en el sistema para todo rango de saturación, debe utilizarse una función
coordinadora entre los modelos en condiciones de estado estacionario y en
condiciones determinísticas.
Ninguna de las tres transformaciones presentadas en la sección 2.5.4 tiene un
mejor sustento teórico que las demás. Dichas fórmulas representan ajustes
aproximados que fueron probados usando datos reales y simulados.
El trabajo más reciente fue desarrollado por Brilon (2008), en el cual se evalúa el
comportamiento de las tres transformaciones. Como resultado de esta investigación
se determinó que la transformación aditiva de capacidades de reserva (ver modelo
A3 en la sección 2.5.4) representa de mejor manera el tiempo de espera promedio
en el sistema.
63
los experimentos realizados, y se indica con qué modelos está relacionado cada
uno.
En la Tabla 3-3 se presenta el conjunto de modelos de demora que son luego
estudiados en profundidad. Notar que el experimento incluye los modelos
propuestos para corregir la falencia en el cálculo de la demora de los vehículos de
la cola inicial.
Como se aprecia en la Tabla 3-1, los modelos de Brilon (2009) y Wu (1997) fueron
seleccionados en función de los objetivos y alcances de la tesis. Sin embargo, dado
que no se ha reportado evidencia suficiente con respecto al ajuste de dichos
modelos, se decidió realizar un estudio más detallado de su comportamiento, por lo
que fueron incluidos en los experimentos 3 y 4, como se ve en la Tabla 3-4.
Tipo de transformación
- Brilon (2008)
5 coordinada y demora
- Funciones de transformación
determinística
Fuente: Elaboración Propia
65
- HCM2000 (Transportation
Factor de impedancia de la capacidad
1 Research Board, 2000)
potencial
- Luttinen (2004)
- HCM2000 (Transportation
Factor de impedancia de pistas
Research Board, 2000)
3 compartidas prioritarias en capacidad
- Harders (1968)
potencial
- Brilon (2009)
En el presente capítulo se describen los métodos utilizados para realizar el análisis de los
modelos de capacidad y demora seleccionados en el capítulo 3.
En primer lugar, en la sección 4.1, se describe cómo se realizó la selección de los
métodos de análisis utilizados. Se indican las razones que llevaron a esta selección y las
limitaciones propias de cada uno de los modelos escogidos.
En segundo lugar, en la sección 4.2, se describe en profundidad el método de análisis de
los modelos de capacidad. En forma específica, se detalla la manera en que se emplea el
software AIMSUN NG para generar escenarios que permitan realizar una buena
comparación para los modelos analizados. Luego, se describen los experimentos
realizados.
Finalmente, en la sección 4.2.6, se detalla el método utilizado para el análisis de los
modelos de demora y el experimento realizado.
método está basado en las propiedades de una Cadena de Markov (ver sección
4.3). Por consiguiente, el método basado en microsimulación únicamente se
utilizará para el análisis de los modelos de capacidad.
N° pistas cruzadas o de
Movimiento
vía ingresada
Giro Izquierda 1 Pista 4 2 6 3 7,5 3,5
Prioritario 2 Pistas 5 3 7 4,5 9 5,5
Giro Derecha 1 Pista 4,5 3 6,5 4,5 8 5,5
no Prioritario 2 o más Pistas 5 3 7 4,5 9 5,5
1 Pista (un sentido) 4 2 6 3 7,5 3,5
2 Pistas (un sentido) 4,5 2,5 6,5 3,5 8 4,5
Cruce no 3 Pistas (un sentido) 6 3 8,5 4,5 11 5,5
Prioritario 2 Pistas (ambos sentidos) 5 3 7 4,5 9 5,5
3 Pistas (ambos sentidos) 6,5 4 9 6 11,5 7,5
4 Pistas (ambos sentidos) 8 5 11,5 7 14,5 9
Un sentido 4,5 3 6,5 4,5 8 5,5
2 Pistas (ambos sentidos) 5,5 3,5 8 5 10 6,5
Giro Izquierda
3 Pistas (ambos sentidos) 6,5 4 9 6 11,5 7,5
no Prioritario
4 Pistas (ambos sentidos) 8 5 11,5 7 14,5 9
Pista de aceleración 3 2 3 2 3 2
Fuente: Gladstone Regional Council (2010)
A partir de la Tabla 4-1 y la Tabla 4-2 se determinaron las cotas para el gap crítico
y el tiempo de seguimiento de los movimientos 4, 7, 8 y 9 (ver Figura 2–1). Los
demás movimientos no prioritarios son simétricos (1, 10, 11 y 12), por lo que se
empleó las mismas cotas para sus parámetros. En la Tabla 4-3 se presentan los
valores que se utilizarán.
Los movimientos prioritarios de ranking 1 (2, 3, 5 y 6) no tienen parámetros de
gap crítico ni tiempo de seguimiento, por definición. De esta forma, en AIMSUN
NG se emplearon los valores sugeridos por Velasco (2004) para modelar dichos
movimientos.
Las cotas seleccionadas fueron construidas con el propósito de obtener escenarios
lo suficientemente distintos, de modo que el análisis permita obtener conclusiones
73
a) Gap Crítico
Dado que los vehículos en AIMSUN NG aceptan una opción de ingreso en función
del tiempo que les toma llegar al punto de colisión PCT, el gap crítico puede ser
interpretado como el tiempo mínimo para cruzar el PCT más el margen de
seguridad.
Luego, el gap crítico viene dado por la siguiente expresión:
(4-1)
b) Tiempo de Seguimiento
Para entender completamente la relación que tienen los resultados simulados con
los parámetros de los modelos de capacidad analizados en esta tesis, es necesario
determinar la influencia de los distintos parámetros propios de AIMSUN NG sobre
el gap crítico y el tiempo de seguimiento.
A continuación, se presenta el conjunto de parámetros de AIMSUN NG relevantes
para determinar los valores del tiempo de seguimiento y el gap crítico, y se indica
entre paréntesis cuál de estos últimos se ve afectado por el parámetro del
programa.
Tiempo de Reacción (gap crítico): este parámetro determina el valor del
margen de seguridad con que los vehículos no prioritarios evalúan las
opciones de inserción. Por consiguiente, a mayor tiempo de reacción mayor
es el gap crítico.
Distancia a punto de colisión (gap crítico): define la distancia que deben
recorrer los vehículos no prioritarios al punto de colisión, y, por
consiguiente, el tiempo que les toma la maniobra. Con mayores distancias se
tendrán mayores gaps críticos.
Viene determinado por el número de pistas y el ancho de éstas. Esta distancia
cambia según el movimiento que evalúa su inserción. Un punto relevante es que
aquellos movimientos que ceden prioridad a un conjunto de movimientos
prioritarios, tienen cada uno una distancia distinta con que evaluar la opción de
ingreso, lo cual dificulta el análisis. Como solución se propuso trabajar con un
promedio ponderado por los flujos de cada movimiento prioritario.
Ancho del vehículo (gap crítico): a mayor ancho de los vehículos
prioritarios, el punto de colisión se aleja del vehículo no prioritario. De esta
forma, la distancia que este último debe recorrer al momento de evaluar una
inserción es mayor, por lo que se obtienen mayores gaps críticos.
Tiempo de Ceda el Paso (gap crítico): este parámetro indica el máximo
tiempo de espera por una inserción por parte de los vehículos no prioritarios.
80
d) Supuestos
Cotas para los parámetros: los parámetros vehiculares tendrán como cotas
los valores de la Tabla 4-4, definidos por Velasco (2004).
Baja Visibilidad: se buscará utilizar el mínimo valor para la visibilidad, de
forma de minimizar el error de estimación del gap crítico dado por la
expresión 4–1.
Consistencia entre parámetros de un mismo experimento: la consistencia
hace referencia a que, en escenarios con, por ejemplo, igual gap crítico y
distintos tiempos de seguimiento, los parámetros asociados al primero deben
ser lo más similares posibles en ambos casos.
El proceso de calibración se realizó de manera iterativa, modificando los
parámetros que determinan el tiempo de seguimiento y el gap crítico, pero
respetando las cotas propuestas por Velasco (2004). Los resultados se aprecian en
la Tabla 4-5.
87
el mismo sistema de colas con una cadena de Markov se empleará una distribución
Poisson para las llegadas y para la distribución de los tiempos de servicio.
Si se considera un sistema M/M/1 en que las llegadas y la tasa de servicio
distribuyen Poisson, entonces la probabilidad de que ocurran llegadas en el
instante , y la probabilidad de que ocurran salidas en el instante vienen
dadas por:
(4-2)
(4-3)
Por su parte, si se analiza la transición entre los diferentes estados del sistema en
base a las salidas de vehículos, se obtiene la matriz de transición :
(4-4)
(4-5)
donde el elemento de la matriz representa la probabilidad de que el
número de vehículos en la cola cambie de a en el intervalo .
Para utilizar esta metodología en la práctica, es necesario darle dimensiones a la
matriz de transición . De esta forma, se debe definir un número máximo de
elementos en el sistema (o de vehículos en la cola), el cual debe ser
significativamente mayor que el largo máximo de la cola, o una cantidad con baja
probabilidad de ser observada.
El estado inicial del sistema, es decir, el número de vehículos en la cola inicial,
estará descrito por un vector de probabilidades , cuya componente asociada a
este número de vehículos será 1, y el resto de las probabilidades será 0.
Luego, para calcular la probabilidad de que en el período el
sistema se encuentre en el estado se debe utilizar la siguiente expresión:
(4-6)
(4-7)
(4-8)
(4-9)
Se debe recordar que la formulación propuesta por Brilon (2009) estudia el tiempo
de espera en cola promedio asociado con los vehículos que llegan durante el
período de duración (excluyendo los vehículos de la cola inicial del período),
considerando el tiempo necesario hasta que se el último vehículo en llegar durante
abandone el sistema. Luego, para reflejar correctamente este fenómeno
empleando la cadena de Markov se debe realizar una modificación a la
metodología.
Dentro de los cambios necesarios se debe excluir el tiempo de espera de los
vehículos en la cola inicial, y agregar el tiempo de espera asociado a la descarga de
la cola remanente del período de duración , asumiendo que no se producen más
llegadas no prioritarias al sistema tras el instante .
(4-10)
(4-11)
Las variables que determinan el tiempo de espera en una cadena de Markov son el
flujo, la capacidad, el tamaño de la cola inicial en el movimiento y la duración
del período en que se producen las llegadas de vehículos. Luego, los escenarios de
análisis de los modelos se determinan a partir de combinaciones de dichos
parámetros. En este caso, se emplearon las siguientes combinaciones:
Flujo: de 0 a 1200 veh/hr, en intervalos de 1 veh/hr
Capacidad: de 200 a 800 veh/hr, en intervalos de 200 veh/hr
Cola inicial: de 0 a 30 vehículos, en intervalos de 5 vehículos
A partir de las combinaciones de los valores de cada parámetro se generan todos
los escenarios y una curva para el tiempo de espera en cola en todo rango de
saturación. En la sección 5.2 se presentan los principales resultados de este
experimento.
104
En este capítulo se presentan los resultados del análisis comparativo de los modelos de
capacidad y demora, el cual permite dar luz a un modelo general para intersecciones
prioritarias, alineado con los objetivos de la tesis. Los resultados asociados con los
modelos de capacidad se detallan en la sección 5.1 y lo relacionado con los modelos de
demora en la sección 5.2.
El análisis de los modelos de capacidad y demora se realiza de manera distinta. Los
modelos de capacidad son comparados en base a estimaciones obtenidas por medio de la
microsimulación en AIMSUN NG y utilizando la metodología presentada en la sección
4.2. Por su parte, los modelos de demora son estudiados en base la estimación de la
demora por medio de un proceso de Markov, tal como se describió en la sección 4.3.
2000), Harders (1968) y Brilon (2009), los cuales modelan el efecto de pistas
prioritarias compartidas sin ensanchamiento sobre los modelos de capacidad de
movimientos de ranking 3 y 4. Además, se analiza el modelo de Wu & Brilon
(2010), el cual se utiliza en caso de contar con un ensanchamiento con capacidad
limitada de almacenamiento en la pista prioritaria compartida.
Por último, en la sección 5.1.4 se presentan los resultados del experimento N°4, en
el cual se analiza el modelo de Wu (1997) para la estimación de la capacidad de
una pista compartida.
En este experimento se realizó un análisis de los modelos para el cálculo del factor
de impedancia en la estimación de la capacidad de movimientos de ranking 3.
Específicamente, se analizan las formulaciones de HCM2000 (Transportation
Research Board, 2000) y de Luttinen (2004).
El experimento es realizado por medio de la metodología desarrollada en la
sección 4.2.5, la cual está basada en el cálculo de la capacidad utilizando AIMSUN
NG. El movimiento de ranking 3 considerado es el cruce directo no prioritario
(movimiento 8), en una intersección en que interactúa un movimiento de cruce
directo prioritario (movimiento 2) y un giro a la izquierda prioritario (movimiento
4).
El experimento consta de cuatro escenarios de simulación determinados por los
parámetros de gap crítico y tiempo de seguimiento utilizados para los movimientos
4 y 8, cuyos valores vienen dados en la Tabla 4-3.
El escenario (1) está constituido por bajos tiempos de seguimiento y gap crítico en
los movimientos 2 y 8. El escenario (2) tiene un mismo gap crítico que el escenario
(1), pero mayor tiempo de seguimiento. El escenario (3) tiene el mismo tiempo de
seguimiento que el escenario (1) pero mayor gap crítico. Y por último, el escenario
(4) tiene gap crítico igual al escenario (3) e igual tiempo de seguimiento que el
escenario (2).
106
(1) (2)
(3) (4)
simulados. Los errores son calculados como la resta entre la capacidad estimada
por los modelos y la capacidad obtenida por AIMSUN NG.
A nivel general, se puede apreciar en la Tabla 5-1 que en los escenarios de menor
gap crítico (1 y 2) el modelo HCM2000 entrega menores errores que el modelo de
Luttinen, para todas las medidas de error empleadas. En cambio, para escenarios
con mayor gap crítico (3 y 4) las diferencias entre los modelos no son tan claras.
En términos del error promedio absoluto para los cuatro escenarios, el modelo
HCM2000 entregó mejor ajuste que el modelo de Luttinen. De la Tabla 5-1 se
puede extraer que el error promedio absoluto para el modelo HCM2000 es de 15
veh/hr. En cambio, el modelo de Luttinen entregó un error promedio absoluto de
19 veh/hr, aproximadamente.
Por otro lado, en cuanto al tipo de sesgo de los modelos, reflejado en el signo del
error, fue posible verificar el postulado de Luttinen (2004) con los resultados del
experimento. Esta premisa sostiene que el factor de impedancia del modelo
HCM2000 dado por el grado de saturación del movimiento de ranking 2,
sobrestima la impedancia y entrega subestimaciones de la capacidad, como se
puede apreciar en la Figura 5–2Figura 5–2.
El análisis de los escenarios en términos de un error promedio absoluto porcentual
no entrega suficiente claridad respecto al verdadero nivel de ajuste de los modelos.
Esto se debe a que para estimaciones bajas de la capacidad los errores porcentuales
se magnifican pues diferencias de pequeñas magnitudes se traducen en una alta
diferencia en términos porcentuales.
Esto se puede apreciar con claridad en la Tabla 5-2, donde se presenta la dispersión
de los errores en el escenario (1) para distintos intervalos de estimación de la
capacidad. Por ejemplo, si consideramos estimaciones de la capacidad menores a
100 veh/hr, el error promedio porcentual absoluto es de 26,2% para el modelo de
HCM2000 y 52,1% para el de Luttinen. A medida que las capacidades son más
altas, el error promedio absoluto porcentual disminuye progresivamente
110
Error Promedio
Error Promedio
Absoluto Porcentual
Capacidad (veh/hr) HCM2000 Luttinen HCM2000 Luttinen
0 100 4,8 14,6 26,2% 52,1%
100 200 7,2 51,6 11,2% 36,7%
200 300 -7,9 45,0 3,8% 20,2%
300 400 -24,6 28,1 7,6% 13,4%
400 500 -25,1 36,3 5,9% 8,8%
500 600 -12,1 52,1 2,3% 9,4%
600 700 -23,2 33,5 3,5% 5,0%
700 800 -25,3 15,2 3,5% 2,1%
800 -138,8 -88,7 14,3% 9,2%
Fuente: Elaboración Propia
A partir de los resultados anteriores, se puede concluir, en primer lugar, que los
valores obtenidos no son lo suficientemente elocuentes como para seleccionar un
modelo por sobre otro. Esto se debe a que el mejor ajuste no era siempre de un
mismo modelo, pues éste variaba con los distintos niveles de capacidad simulados.
Además, se puede sostener que el modelo de Luttinen (2004) entrega mejores
estimaciones de la capacidad, para valores altos de esta variable, y en los distintos
escenarios de operación simulados.
En base a lo anterior, se selecciona este último modelo para realizar las
estimaciones de los factores de impedancia de movimientos de ranking 3, dado que
entrega buenos resultados en un rango amplio de capacidad del movimiento no
prioritario.
(1) (2)
(3) (4)
En la Tabla 5-3 se presentan de forma resumida los resultados obtenidos para cada
escenario y modelo, medidos en función del error promedio, promedio absoluto y
promedio absoluto porcentual.
A partir de los resultados expuestos en la Tabla 5-3, se observa que existe una
diferencia significativa en términos porcentuales entre la capacidad estimada por
los modelos y la simulada con AIMSUN NG. Considerando el promedio de los
errores porcentuales absolutos entre los cuatro escenarios, el modelo de Luttinen
tiene un error de 46%, el de Wu un error de 38% y el de Brilon un error de 32%.
Sin embargo, la magnitud de estos valores no refleja correctamente el nivel de
114
promedio más bajas que las simuladas, con un error promedio de –7 veh/hr,
indicando una leve tendencia a subestimar la capacidad simulada.
Error Promedio
Error Promedio
Absoluto Porcentual
Capacidad Brilon & Brilon &
Luttinen Wu Luttinen Wu
(veh/hr) Grossmann Grossmann
0 – 100 -21,2 -24,63 -10,1 40,6% 43,2% 23,7%
100 200 27,3 -6,83 17,0 20,3% 10,4% 13,1%
200 300 74,9 12,16 38,9 31,2% 7,2% 16,2%
300 400 85,9 9,19 36,0 24,9% 3,8% 10,5%
400 500 100,4 17,09 42,9 22,8% 4,0% 9,8%
500 600 99,5 17,38 41,9 18,5% 3,2% 7,7%
600 78,8 7,46 27,8 12,6% 1,2% 4,4%
Fuente: Elaboración Propia
Promedio
8,6 22,5 9,3 16,3 54,6 6,2
Absoluto
Promedio
Absoluto 13,8% 22,9% 12,6% 43% 64% 21%
Porcentual
Fuente: Elaboración Propia
(1) (2)
A partir de los resultados del experimento E3a expuestos en la Tabla 5-5se puede
apreciar que existen diferencias significativas entre el nivel de ajuste de los
modelos. En ambos escenarios el modelo de Harders (1968) entrega un error de
estimación considerablemente mayor al de los otros dos modelos, con cualquiera
de las medidas de error. Por ejemplo, en el escenario (1), el modelo de Harders
presenta un error promedio absoluto porcentual de 22,9%, mientras que los
modelos de HCM2000 (Transportation Research Board, 2000) y Brilon (2009)
entregan un 13,8% y un 12,6%, respectivamente.
118
A partir de los resultados del escenario (1), no se aprecia grandes diferencias entre
los modelos HCM2000 (Transportation Research Board, 2000) y Brilon (2009). En
este caso, HCM2000 (Transportation Research Board, 2000) presenta un error
promedio de 2,8 veh/hr y Brilon (2009) de 4,97 veh/hr. Sin embargo, en el
escenario (2) las diferencias se acentúan, y se observa que HCM2000
(Transportation Research Board, 2000) tiene un error promedio de –16,3 veh/hr y
Brilon (2009) sólo de 6,2 veh/hr.
(a) (b)
Por otra parte, en el experimento E3b se realiza un análisis del modelo de Wu &
Brilon (2010), el cual está orientado a modelar el efecto de las pistas prioritarias
120
forma de generar un análisis que permita distinguir la sensibilidad del modelo ante
los flujos utilizados.
Para contar con un punto de comparación que permita determinar los reales
beneficios de utilizar este modelo, se calculó la capacidad de la pista compartida
sin considerar la existencia del ensanchamiento utilizando el modelo de Harders
(1968).
En la Tabla 5-7se presenta los ajustes obtenidos por los dos modelos, respecto a las
capacidades obtenidas por medio de la simulación.
Grado de Saturación
Capacidad Cola
Modelo
(veh/hr) Inicial 0 0,3 0,3 0,6 0,6 0,9 0,9 1,2
A2 1,1 3,4 6,3 15,8
0 A3 1,0 2,9 4,0 8,0
Brilon 1,0 2,9 4,0 8,0
A2 -4,8 -2,7 9,4 33,7
10 A3 -2,8 -0,6 6,4 20,1
Brilon 85,2 11,1 14,8 28,7
400
A2 -20,3 -15,8 16,2 43,6
20 A3 -14,8 -11,5 5,5 21,6
Brilon 360,6 41,9 47,5 60,3
A2 -42,8 -18,3 30,7 53,5
30 A3 -31,8 -19,7 7,7 22,6
Brilon 880,0 127,3 119,3 119,7
Fuente: Elaboración Propia
126
Grado de Saturación
Capacidad Cola
Modelo
(veh/hr) Inicial 0 0,3 0,3 0,6 0,6 0,9 0,9 1,2
A2 1,1 3,4 6,3 15,8
0 A3 1,0 2,9 4,0 8,0
Brilon 1,0 2,9 4,0 8,0
A2 -4,8 -2,7 9,4 33,7
10 A3 -2,8 -0,6 6,4 20,1
Brilon 85,2 11,1 14,8 28,7
400
A2 -20,3 -15,8 16,2 43,6
20 A3 -14,8 -11,5 5,5 21,6
Brilon 360,6 41,9 47,5 60,3
A2 -42,8 -18,3 30,7 53,5
30 A3 -31,8 -19,7 7,7 22,6
Brilon 880,0 127,3 119,3 119,7
Fuente: Elaboración Propia
A nivel general, según los resultados de la Tabla 5-8, el ajuste de todos los
modelos es mejor para escenarios sin cola inicial que para escenarios con cola
inicial. En particular, el modelo A3 es el que entrega un mejor ajuste a los datos
generados por el método numérico de Markov, con un error promedio 3,2
segundos, seguido por el modelo A2 con un error de 6,3 segundos. Estos resultados
son calculados como el promedio de todos los niveles de capacidad utilizados, en
ausencia de cola inicial.
129
De acuerdo con la Tabla 5-9, en presencia de cola inicial y para niveles bajos de
saturación, las transformaciones A2 y A3 presentan una subestimación del tiempo
de espera promedio en cola, la que se acentúa cuando aumenta el número de
vehículos en la cola inicial. Por ejemplo, para una cola inicial de 10 vehículos y
grados de saturación entre 0 y 0,3, el modelo A2 presenta un error promedio de -
4,8 segundos y el modelo A3 de -2,8 segundos. Si consideramos una cola inicial de
30 vehículos y el mismo rango de saturación, el modelo A2 presenta un error
promedio de -42,8 segundos y el modelo A3 de -31,8 segundos.
La anterior subestimación disminuye a medida que aumenta el grado de saturación,
como se aprecia en la Figura 5–8. Se observa que a medida que aumenta el grado
de saturación, las curvas de los modelos A2 y A3 comienzan a acercarse a la
obtenida por el método de Markov, y que incluso los modelos pueden entregar
sobreestimaciones del tiempo de espera promedio en cola, a partir de un
determinado nivel de saturación. Por ejemplo, para el caso de análisis con una
capacidad de 400 veh/hr y una cola inicial de 30 vehículos, el modelo A2 entrega
un error promedio de 53,5 segundos y el modelo A3 un error de 22,6 segundos, en
el rango de saturación 0,9 – 1,2.
Adicionalmente, los modelos propuestos en las ecuaciones 4–10 y 4–11 no
presentan sobrestimaciones de los tiempos de espera para grados de saturación
bajos, problema que sí presenta el modelo de Brilon (2008). También se debe
destacar que, a medida que aumenta la cola inicial, las diferencias entre los
modelos y los cálculos basados en el proceso de Markov se incrementan.
Finalmente, comparando las formulaciones A2 y A3, se vio que esta última entrega
un mejor ajuste para todo el rango de grados de saturación y colas iniciales. Las
mejoras son más claras para niveles altos de saturación. Este experimento permite
comprobar las mejoras que se obtienen al utilizar la transformación propuesta por
Brilon (2008), es decir una transformación aditiva de capacidades de reserva, dada
por el modelo A3.
130
6. CONCLUSIONES Y RECOMENDACIONES
6.1 Conclusiones
En primer lugar, debe recalcarse que cada uno de los modelos seleccionados para
la estimación de la capacidad, están basados en una simplificación del
comportamiento real de los conductores en las intersecciones, los resultados que se
obtengan no representan con exactitud la realidad y deben ser considerados como
una estimación aproximada de la operación real de la intersección.
6.2 Recomendaciones
BIBLIOGRAFÍA
Akçelik, R., & Chung, E. (1994). Calibration of the bunched exponential distribution of
arrival headways. Road and Transport Research , 3 (1), 42-59.
Brilon, W. (2009). Impedance Effects of Left-Turning Vehicles from the Major Street at
a Two-Way Stop-Controlled Intersection - Brilon. Transportation Research Record , 52-
58.
Brilon, W., & Grossmann, M. (1991). The new German guideline for capacity of
unsignalized intersections. En U. Brannolte, Highway Capacity and Level of Service
(págs. 63–73). Rotterdam: Balkema.
Kimber, R. M., & Hollis, E. (1978). Peak-period traffic delays at road junctions and
other bottlenecks. Traffic Engineering and Control , 19 (10), 442-446.
Kimber, R. M., Marlow, M., & Hollis, E. M. (1977). Flow/delay relationships for
major/minor priority junctions. Traffic Engineering and Control , 18 (11), 516-519.
Li, W., Wang, W., & Jiang, D. (2003). Capacity of Unsignalized Intersections with
Mixed Vehicles Flows. Journal of the Transportation Research Board (1852), 265-270.
Plank, A. W., & Catchpole, E. A. (1984). A general capacity formula for an uncontrolled
intersection. Traffic Engeeng and Control , 23 (2), 88-92.
Ramsey, J. B., & Routledge, I. W. (1973). A new Approach to the Analysis of Gap
Acceptance Times. Traffic Engineering Control , 15 (7), 353-357.
Transportation Research Board. (2000). Highway Capacity Manual. (N. R. Council, Ed.)
Washington D.C.
Troutbeck, R., & Kako, S. (1999). Limited priority merge at unsignalized intersections.
Transportation Research Part A , 35, 291-304.
Troutbeck, R., & Walsh. (1994). The differences between queuing theory and the gap
acceptance theory. En R. Akçelik (Ed.), Second International Symposium in Highway
Capacity, (págs. 617-635). Sydney.
Wu, N., & Brilon, W. (2010). Modeling Impedance Effects of Left Turners from Major
Streets with Shared Short Lanes at Two-Way Stop-Controlled Intersections.
Transportation Research Record , 11-19.
Yeo, G. F. (1962). Single server queues with modified service mechanisms. Journal of
the australian Society , 499-507.
142
ANEXOS
143
SEGUIMIENTO
Los modelos presentados en la sección 2.3 tienen un respaldo teórico importante. Sin
embargo, la calidad de los resultados que se obtengan al utilizarlos en la práctica
depende fuertemente de los parámetros que los describen. De esta manera, es de gran
relevancia contar con buenas estimaciones de los parámetros más importantes: el gap
crítico y el tiempo de seguimiento .
Las técnicas para estimar tanto el gap crítico como el tiempo de seguimiento se
pueden clasificar en dos grupos. El primer grupo está basado en técnicas de análisis de
datos, por medio del uso de regresiones lineales, las cuales buscan explicar el
comportamiento de conductores que aceptan un gap respecto al tamaño de estos gaps. El
segundo grupo de técnicas, se basa en la modelación de las distribuciones de los tiempos
de seguimiento y gap críticos independientemente.
A continuación, se realiza una descripción de los modelos más importantes dentro de
cada uno de los grupos mencionados.
Dentro de este grupo de modelos, se debe destacar el modelo propuesto por Siegloch
(1973), el cual postula el uso de una expresión de la siguiente forma:
(A-1)
donde es el headway mínimo aceptable, que se obtiene por medio de una regresión
lineal, la cual contrasta los gaps aceptados por distintos conductores con la longitud de
éstos.
En este mismo grupo, también se debe destacar el modelo sugerido en HCM2000
(Transportation Research Board, 2000), en el cual se plantea una expresión lineal para
y , dependiente de características geométricas y operacionales de la intersección. Esto
modelo debe ser calibrado y derivado a partir de mediciones en terreno.
144
En primer lugar, la expresión para el cálculo del gap crítico del movimiento ,
medido en segundos, es de la forma:
(A-2)
donde es el gap crítico base, es el factor de ajuste para vehículos pesados
(1,0 para vía prioritarias de dos pistas, y 2,0 para intersección con dos pistas prioritarias
por sentido), es la proporción de vehículos pesados para movimientos no
prioritarios, es el factor de ajuste por gradiente (0,1 para el movimiento 9 y 12, y
0,2 para movimientos 7, 8, 10 y 11), representa el porcentaje de gradiente dividido
por 100, es el factor de ajuste para cada parte del proceso de aceptación de gaps en
dos etapas (1,0 para la primera o segunda etapa; 0 si se tiene sólo una etapa), y es el
factor de ajuste por geometría de la intersección (0,7 para movimientos no prioritarios de
giro a la izquierda en intersecciones tipo T, 0 en caso contrario). En las definiciones
anteriores, las variables , , y están medidas en segundos.
En segundo lugar, con respecto al tiempo de seguimiento del movimiento , también
medido en segundos, HCM2000 propone emplear la siguiente expresión:
(A-3)
donde es el tiempo de seguimiento base, es el factor de ajuste para vehículos
pesados (0,9 vías prioritarias en ambos sentidos de una pista; 1,0 para vías prioritarias en
ambos sentidos con dos pistas por sentido), donde y están medidos en
segundos. En la Tabla A–1 Tabla A-1se pueden encontrar valores de referencia para el
gap crítico base y el tiempo de seguimiento base .
El principal problema de los modelos basados en regresiones lineales es que se requiere
de mediciones de colas continuas en las vías no prioritarias, lo cual es bastante
restrictivo y dificulta la obtención de datos.
145
(A-4)
Luego, dependiendo del tipo de proceso de inserción no prioritario y la distribución de
llegadas prioritarias que se consideren se obtendrán distintas expresiones para la
capacidad potencial.
Si consideramos un proceso de partidas discretas podemos estimar a partir de la
fórmula (2-12. En cambio, si se consideran partidas continuas, se estima como:
(A-5)
(A-6)
147
(A-7)
(A-8)
(A-9)
(A-10)
150
(A-11)
donde es el largo de la cola del movimiento y es la capacidad de almacenaje de
vehículos que tiene el ensanchamiento del movimiento
La distribución del largo de las colas en un flujo en espera de una intersección prioritaria
puede expresarse por la siguiente expresión (Wu, 1994).
(A-12)
donde y son parámetros del modelo. Si se considera un sistema de cola M/M/1, Wu
(1994) demuestra que , obteniéndose la siguiente expresión:
(A-13)
Por otro lado, la probabilidad de que el punto A sea ocupado por el lado de la pista
compartida es igual al grado de saturación de la pista compartida, es decir:
(A-14)
De esta manera se obtiene que:
(A-15)
(A-16)
Para determinar , se debe recurrir al concepto de que la capacidad de una pista
compartida es el flujo para el cual el punto de ingreso A está siendo ocupado en un
151
(A-17)
(A-18)
(A-19)
(A-20)
(A-21)
152
Tiempo de Servicio
Como es de esperarse, el tiempo de servicio debe tener directa relación con la estimación
de la capacidad, en general muchas de las aplicaciones existentes sostienen que el
tiempo de servicio es el inverso de la capacidad. De esta manera, al igual que en la
capacidad, dependiendo de la distribución de headways que se asuma, el tiempo de
servicio cambiará.
Luttinen (2004) muestra que si se considera un flujo prioritario distribuido
exponencialmente, el tiempo promedio de servicio para vehículos no prioritarios en cola
es igual a:
(A-22)
(A-23)
(A-24)
154
Sin embargo, está expresión se sustenta en el supuesto de que los procesos de llegada
prioritarios y de vehículos aislados son independiente, lo cual ha sido demostrado ser
incorrecto (Daganzo, 1977). En este contexto, Luttinen (2004) sostiene que un vehículo
aislado puede arribar sólo cuando el servidor está ocioso. Esto ocurre cuando se tiene un
lag . Por esta razón, el proceso de llegadas de vehículos aislados y el de
vehículos prioritarios no son independientes.
Considerando la dependencia en los procesos para vehículos aislados y vehículos
prioritarios, se puede estimar el tiempo promedio de servicio a partir de la siguiente
expresión (Daganzo, 1977):
(A-25)
donde
(A-26)
(A-27)
(A-28)
155
(A- 29)
(A-30)
4
i.i.d: independientes e idénticamente distribuidos.
5
M/G/1: Un sistema con tiempos entre llegadas generadas por una distribución exponencial negativa (M)
y con un servidor con tiempos de servicio distribuidos por un modelo general (G).
156
(A-31)
Por otro lado, si tanto la distribución del tiempo entre llegadas como la del tiempo de
servicio se asumen como exponencial negativa, el proceso de la cola es M/M/1. En este
caso la desviación estándar de los tiempos de servicios es igual a su promedio, con lo
que . Así, el tiempo de espera promedio del sistema es obtenido con la
fórmula de Pollaczek-Khintchine como:
(A-32)
(A-33)
donde y son los factores de ocupación del servidor con el sistema vacío y con cola,
respectivamente, y y son los segundos momentos de la distribución del
tiempo de servicio del sistema vacío y con cola, respectivamente.
Otra metodología para determinar la demora promedio del sistema se desprende
directamente de la teoría de aceptación de gaps. Este método se basa en el trabajo de
Adams (1936), y fue extendido por Troutbeck (1990).
(A-34)
157
(A-35)
(A-36)
(A-37)
158
HEADWAYS
Función de supervivencia de
probabilidad
Valor esperado
Función de densidad de
probabilidad de lags
Ahora, para una distribución exponencial negativa desfasada se obtienen los resultados
de la Tabla E-3, donde y representan el parámetro de escala y headway mínimo de la
distribución, respectivamente.
Por último, para la distribución Cowan (1975) se obtienen las funciones de la Tabla E–4,
donde , y representan el parámetro de escala, la proporción de vehículos libres y el
headway mínimo de la distribución, respectivamente.
161
(A-38)
(A-39)
(A-40)
164
(A-41)
(A-42)
(A-43)
donde y son el grado de saturación y capacidad de reserva dadas por las
formulaciones utilizadas para el caso de un sistema considerado en estado estacionario,
respectivamente. y , son el grado de saturación y capacidad de reserva dadas por las
formulaciones utilizadas para el caso de un sistema determinístico, respectivamente. Y
por último, y son el grado de saturación y capacidad de reserva para la formulación
transformada.
En base a los supuestos anteriores, se pueden formular los modelos respectivos de la
siguiente manera:
(A-44)
(A-45)
165
(A-46)
(A-47)
De manera similar al modelo A2, se debe despejar de las expresiones (A-39 y (A-41 los
términos y :
(A-48)
(A-49)
(A-50)
(A-51)