12 Jul
Generación y Atracción de Viajes
La etapa de Generación y Atracción permite estimar el número de viajes generados y atraídos durante un determinado período por las distintas zonas del sistema estudiado.
Definición de Viaje
Viaje: Movimiento en un sentido desde un punto origen a un punto destino con un propósito determinado.
Para efectos de los modelos de transporte, se consideran como viajes aquellos de más de 2 cuadras, aceptando además que todo movimiento en vehículo es un viaje.
Clasificación de Viajes según Extremo en el Hogar
- Viajes basados en el hogar (BH): Aquellos con algún extremo en el hogar.
- Viajes basados en hogar de ida (BHI): Viajes que parten del hogar.
- Viajes basados en hogar de regreso (BHR): Viajes que tienen como destino el hogar.
Clasificación de Viajes según Propósito
- Trabajo
- Salud
- Estudio
- Social y recreacional
- Compras
- Diligencias
- Otros
Requerimientos del Modelo de Transporte
El modelo de transporte requiere en primer lugar los vectores de Origen (generación – OJ) y Destino (atracción – ZD) para cada propósito de viaje y categoría de demanda.
Objetivo de la Generación y Atracción de Viajes
El objetivo es determinar cuántos viajes genera (salen) y atrae (llegan) cada zona en un período y corte temporal determinado, clasificados por propósitos de viaje y categoría de demanda.
Idealmente, se deberían estimar vectores para cada propósito y categoría de demanda. Sin embargo, como las categorías se relacionan con los hogares, esto solo es posible para viajes originados en el hogar (mayoritarios en Áreas Metropolitanas, aprox. 90%).
- En el caso de las atracciones, como generalmente el destino es distinto del hogar (en Áreas Metropolitanas y Flujos Peatonales), se clasifican solo por propósito.
Tipos de Modelos de Generación y Atracción de Viajes
- Factor de crecimiento
- Clasificación por categorías
- Regresión lineal múltiple
- Clasificación múltiple
Componentes de la Generación de Viajes
- Viajes basados en el hogar
- Viajes basados en el hogar (retorno)
- Viajes no dirigidos al hogar
Desafíos de los Modelos de Generación y Atracción
- Requieren varios tamaños muestrales.
- Baja representatividad de las tasas calculadas para las categorías extremas.
- No existe forma de verificar la bondad de las variables escogidas ni del modelo superior. Para esto se utiliza el modelo de clasificación múltiple (ACM).
El Método de Clasificación Múltiple (ACM)
El método ACM se basa en el valor de una tasa media global para todas las categorías y en las tasas medias de cada nivel en el que se particionan las distintas variables de categorización.
Ventajas del ACM
- Permite tener una estimación global de la bondad de ajuste del esquema de clasificación escogido.
- Dispone de medidas estadísticas que permiten seleccionar entre aquellas alternativas de categorización.
- La determinación de la tasa de una categoría específica no depende del número de observaciones para esa categoría.
- Reduce la incertidumbre de los valores correspondientes a las categorías extremas.
- La aplicación es fácil.
Modelos de Regresión Lineal Múltiple (RLM)
- Modelo RLM por categoría.
- Modelo RLM por conjunto (sin distribución por categoría).
Modelo de Atracción de Viajes
Para viajes con destino distinto al hogar, las variables explicativas corresponden normalmente a requerimientos por zonas dedicados a cada actividad y no a hogares.
- Se utilizan modelos de regresión lineal múltiple (RLM) calibrados a nivel zonal para cada propósito y período de estudio definido.
Viajes con Destino al Hogar
En este caso, como el destino del viaje es el hogar, la única variable explicativa será el número de hogares por zona.
- Se puede utilizar un modelo de regresión lineal simple (RLS) o un modelo de tasas ACM.
Microsimulación de Tráfico
La microsimulación es la representación dinámica del comportamiento de los vehículos dentro del corredor vial. Este comportamiento involucra varios factores, como por ejemplo:
- Distancias y velocidades entre vehículos.
- Percepción del conductor de rutas a tomar.
- Interacciones en cambios de carril y giros.
¿Qué es y para qué sirve la Microsimulación?
Ventajas
- Provee una descripción detallada del comportamiento dinámico de los flujos vehiculares.
- Permite la descripción de fenómenos como el comportamiento del conductor y la inclusión detallada de perturbaciones, como por ejemplo, accidentes.
- Se utiliza principalmente para la modelación de secciones donde:
- Las vías se juntan o desjuntan (ej. rotondas).
- Existen achicamientos o ensanchamientos.
Desventajas de la Microsimulación
- Carga computacional muy alta.
- Gran cantidad de parámetros, lo cual brinda un mayor número de grados de libertad para la simulación, pero complica enormemente la calibración.
Gran parte de los simuladores utilizan microsimulación. Todos están basados en el modelo de car-following.
El Modelo Car-Following
El modelo car-following describe la interacción entre dos vehículos en un mismo carril.
El modelo posee la siguiente estructura:
af = F(vl, vf, s, dl, df, Rf, di)
Supuestos del Modelo Car-Following
El modelo asume que existe una correlación entre vehículos en la distancia inter-vehículos de alrededor de 0 a 125 m.
Tareas Clave en la Conducción de Seguimiento
El acto de conducir un vehículo en línea recta detrás de otro sin rebasar puede ser dividido en las siguientes tres tareas:
- Percepción: Colección de información del conductor por un canal visual, sobre todo del movimiento del vehículo al frente.
- Toma de decisiones: Es la capacidad de cada conductor de tomar decisiones basándose en su percepción. Es en gran medida influenciada por sus habilidades de conductor y su experiencia.
- Control: El conductor puede realizar maniobras en el vehículo utilizando un lazo de realimentación dado por las tareas anteriores.
Objetivo del Modelo Car-Following
Lo que el modelo generalmente trata de representar es que un conductor:
- Trata de mantener una distancia prudente del vehículo de enfrente (evitar colisiones).
- Mantenerse cerca del vehículo de enfrente.
Software de Microsimulación Popular
Dentro de los paquetes más utilizados en la actualidad están:
- PARAMICS
- AIMSUN2
Entre las ventajas que incluye AIMSUN2 se encuentra que permite acceder a variables del simulador para alterar la simulación durante la ejecución a través de su API. AIMSUN2 es un microsimulador de tráfico.
Importancia de los Modelos de Microsimulación
El entendimiento de modelos para microsimulación, como el car-following, es de gran importancia, ya que es a través de estos que se podrá predecir el comportamiento de la red vehicular.
Estos modelos deberán ser simplificados para poder ser utilizados con esta finalidad.
El uso de AIMSUN2 permitirá representar la red real y realizar la simulación de los flujos.
Partición Modal en Modelos de Transporte
La partición modal permite conocer la manera en que ESTRAUS determina la proporción de viajes que se realizan en los distintos modos para un determinado par Origen-Destino (O-D) dentro del proceso de equilibrio simultáneo. De esta forma, se generan tantas matrices como modos de transporte existan disponibles para los usuarios de las distintas categorías consideradas.
Por lo tanto, se requerirá un modelo de partición modal para cada categoría de demanda, propósito de viaje y período de estudio.
Para el estudio se considerarán modelos de elección discreta.
Características Generales de los Modelos de Elección Discreta
- Simulan el proceso de elección de un individuo enfrentado a un conjunto de alternativas discretas de elección.
- El estudio se realiza a nivel de individuos.
- Se busca responder qué o cuál bien consumir, con base en los atributos de dicho bien y las características del individuo.
Ventajas de los Modelos de Elección Discreta
Al calibrarse con datos individuales:
- Son más eficientes en el uso de la información. En general, al ocupar a cada individuo como una observación, se requieren menos datos.
- Al usar datos individuales, se captura toda la variabilidad inherente a la información.
- Tienen menor probabilidad de sesgo debido a correlaciones entre unidades (ejemplo: Falacia ecológica).
- Los modelos de elección discreta son probabilísticos.
- Se calibran parámetros explícitos a las variables explicativas.
Modelos de Elección Discreta (Modelos de Elección Cualitativa)
Propiedades del Modelo Logit Multinomial Simple (MNL)
- Si existen muchas alternativas, se puede demostrar que el modelo se estima con una muestra aleatoria del consumo de elecciones.
- Se puede estimar con datos sesgados, en términos del número de usuarios que elige cada modo (solo si todos los usuarios tienen todas las alternativas disponibles), corrigiendo las constantes se puede obtener un modelo insesgado.
Modelo Logit Jerárquico (HL) de Elección Discreta
Para resolver los problemas asociados a la Independencia de Alternativas Irrelevantes (IIA) del MNL y poder tratar alternativas correlacionadas (caso común en aplicaciones de transporte), se puede utilizar el Modelo Logit Jerárquico (HL).
- Se buscan estudiar los estimadores de los parámetros.
- Para ello se usa el método de máxima verosimilitud.
Propiedades del HL
- Consistencia (asintóticamente insesgados)
- Eficientes (mínima varianza)
- Distribuyen asintóticamente normal
- Invariantes
Partición Modal: Tests Estadísticos y Selección de Modelos
- Tests Estadísticos Asociados: En general, se usan para comparar modelos respecto a un modelo restringido.
- Modelo con Atributos Específicos.
Transformación Box-Cox y Selección de Modelos
- En general, para calibrar modelos se comienza probando las especificaciones más complejas con estructuras funcionales lineales.
Deja un comentario