Movilidad inteligente: reducción de emisión de gases

  • Laura Carballo
  • Andrea Villagra
  • Marcelo Errecalde
Palabras clave: Problema de planificación de luces de tráfico, algoritmo genético celular, algoritmo de recocido simulado, emisión de gases, simulador SUMO

Resumen

El concepto de movilidad inteligente se enmarca en el conjunto de acciones, técnicas e infraestructuras encaminadas a la mejora de la movilidad y organización del tráfico en las ciudades. Durante las últimas décadas uno de los principales problemas en las diferentes ciudades del mundo, es el congestionamiento vehicular y los efectos que esto ocasiona. Un mayor nivel de contaminación, emisiones y consumo de combustible se convirtieron en serios problemas. Aumenta también la cantidad de semáforos en las grandes urbes y la complejidad para su programación. En este trabajo se utilizan dos algoritmos metaheurísticos, el algoritmo genético celular (cGA) y el algoritmo de Recocido Simulado (en inglés, Simulated Annealing, SA) para optimizar la planificación de los programas de ciclos semafóricos. Las soluciones obtenidas por los algoritmos aplicados a dos grandes escenarios cercanos a la realidad en áreas urbanas ubicadas en las ciudades de Málaga (España) y París (Francia), son simuladas por el popular micro-simulador SUMO (Simulator Urban MObility). La comparación con un enfoque paralelo de la literatura revela la bondad del algoritmo genético celular. Además, se muestra una reducción significativa en términos de las tasas de emisión y del consumo total de combustible por parte del algoritmo genético.

Citas

BASKAN, O., y HALDENBILEN, S. (2011). Ant colony optimization approach for optimizing traffic signal timings. In Ant colony optimization-methods and applications. IntechOpen. https://doi.org/10.5772/13665

BASKAN, O., HALDENBILEN, S., CEYLAN, H., y CEYLAN, H. (2009). A new solution algorithm for improving performance of ant colony optimization. Applied Mathematics and Computation, 211(1), 75-84. https://doi.org/10.1016/j.amc.2009.01.025

DORIGO, M. (1992). Optimization, learning and natural algorithms. PhD Thesis, Politecnico di Milano.

DORRONSORO, B., Y ALBA, E. (2008). Cellular Genetic Algorithms (Vol. 42). Springer-VerlGA US.

EBERHART, R., Y KENNEDY, J. (1995). A new optimizer using particle swarm theory. In MHS'95. Proceedings of the Sixth International Symposium on Micro Machine and Human Science (pp. 39-43). Ieee. https://doi.org/10.1109/MHS.1995.494215

GARCÍA-NIETO, J., ALBA, E., y OLIVERA, A. C. (2012). Swarm intelligence for traffic light scheduling: Application to real urban areas. Engineering Applications of Artificial Intelligence, 25(2), 274-283. https://doi.org/10.1016/j.engappai.2011.04.011

GARCIA-NIETO, J., OLIVERA, A. C., y ALBA, E. (2013). Optimal cycle program of traffic lights with particle swarm optimization. https://doi.org/10.1109/TEVC.2013.2260755

HE, J., & HOU, Z. (2012). Ant colony algorithm for traffic signal timing optimization. Advances in Engineering Software, 43(1), 14-18. https://doi.org/10.1016/j.advengsoft.2011.09.002

HAUSBERGER, S., REXEIS, M., ZALLINGER, M., y LUZ, R. (2009). Emission Factors from the Model PHEM for the HBEFA Version 3. Report Nr. I-20/2009 Haus-Em 33/08/679 from 07.12.

JABBARPOUR, M. R., MALAKOOTI, H., NOOR, R. M., ANUAR, N. B., y KHAMIS, N. (2014). Ant colony optimisation for vehicle traffic systems: applications and challenges. International Journal of Bio-Inspired Computation, 6(1), 32-56. https://doi.org/10.1504/IJBIC.2014.059970

KIRKPATRICK, S., GELATT, C. D., y VECCHI, M. P. (1983). Optimization by simulated annealing. science, 220(4598), 671-680. https://doi.org/10.1126/science.220.4598.671

KRAJZEWICZ, D., BONERT, M., & WGANER, P. (2006). The open source traffic simulation packGAe SUMO. RoboCup 2006 Infrastructure Simulation Competition, 1, 1-5.

KUN, C. H. E. N., y LEI, Y. U. (2007). Microscopic traffic-emission simulation and case study for evaluation of traffic control strategies. Journal of Transportation Systems Engineering and Information Technology, 7(1), 93-99. https://doi.org/10.1016/S1570-6672(07)60011-7

METROPOLIS, N., ROSENBLUTH, A. W., ROSENBLUTH, M. N., TELLER, A. H., y TELLER, E. (1953). Equation of state calculations by fast computing machines. The journal of chemical physics, 21(6), 1087-1092. https://doi.org/10.1063/1.1699114

NESMACHNOW, S., MASSOBRIO, R., ARRECHE, E., MUMFORD, C., OLIVERA, A. C., VIDAL, P. J., y TCHERNYKH, A. (2019). Traffic lights synchronization for Bus Rapid Transit using a parallel evolutionary algorithm. International Journal of Transportation Science and Technology, 8(1), 53-67. https://doi.org/10.1016/j.ijtst.2018.10.002

PÉRES, M., RUIZ, G., NESMACHNOW, S., & OLIVERA, A. C. (2018). Multiobjective evolutionary optimization of traffic flow and pollution in Montevideo, Uruguay. Applied Soft Computing, 70, 472-485. https://doi.org/10.1016/j.asoc.2018.05.044

SÁNCHEZ, J. J., GALÁN, M., y RUBIO, E. (2004). Genetic algorithms and cellular automata: A new architecture for traffic light cycles optimization. In Proceedings of the 2004 Congress on Evolutionary Computation (IEEE Cat. No. 04TH8753) (Vol. 2, pp. 1668-1674). IEEE. https://doi.org/10.1109/CEC.2004.1331096

SÁNCHEZ, J., GALÁN, M., y RUBIO, E. (2008). Applying a traffic lights evolutionary optimization technique to a real case: “Las Ramblas” area in santa cruz de tenerife. IEEE Transactions on evolutionary computation, 12(1), 25-40. https://doi.org/10.1109/TEVC.2007.892765

SOURAVLIAS, D., LUQUE, G., ALBA, E., y PARSOPOULOS, K. E. (2016). Smart traffic lights: A first parallel computing approach. In 2016 International Conference on Intelligent Networking and Collaborative Systems (INCoS) (pp. 229-236). IEEE. https://doi.org/10.1109/INCoS.2016.72

STORN, R., & PRICE, K. (1997). Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces. Journal of global optimization, 11(4), 341-359. https://doi.org/10.1023/A:1008202821328

THAIN, D., TANNENBAUM, T., Y LIVNY, M. (2005). Distributed computing in practice: the Condor experience. Concurrency and computation: practice and experience, 17(2-4), 323-356. https://doi.org/10.1002/cpe.938

TEKLU, F., SUMALEE, A., & WATLING, D. (2007). A genetic algorithm approach for optimizing traffic control signals considering routing. Computer‐Aided Civil and Infrastructure Engineering, 22(1), 31-43. https://doi.org/10.1111/j.1467-8667.2006.00468.x

VILLGARA, A., ALBA, E., Y LEGUIZAMÓN, G. (2016). A methodology for the hybridization based in active components: the case of cGA and scatter search. Computational intelligence and neuroscience, 2016. https://doi.org/10.1155/2016/8289237

WHITLEY D. (1993). Cellular genetic algorithms, in: S. Forrest (Ed.), In Proceedings of the Fifth International Conference on GAs, Morgan Kaufmann, San Mateo, CA, 1993.

YUAN, S., ZHAO, X., & AN, Y. (2014). Identification and optimization of traffic bottleneck with signal timing. Journal of Traffic and Transportation Engineering (English Edition), 1(5), 353-361. https://doi.org/10.1016/S2095-7564(15)30281-6
Publicado
2019-08-27
Cómo citar
Carballo, L., Villagra, A., & Errecalde, M. (2019). Movilidad inteligente: reducción de emisión de gases. Informes Científicos Técnicos - UNPA, 11(2), 53-69. https://doi.org/10.22305/ict-unpa.v11i2.786
Sección
Artículos