propuesta innovadora la presente investigación
respondiendo a la problemática vehicular.
Los modelos macroscópicos describen las
relaciones entre velocidad, intensidad y
densidad, variables que competen a todo el
conjunto de vehículos en el flujo de tráfico. Las
zonas que se simulan con estos modelos son
mucho más amplias que las microscópicas y
pueden ser áreas reales, donde exista una
semaforización en una o varias vías. Desarrollos
realizados recientemente han conducido a la
modelización de flujos a través de la micro
simulación lo cual permite establecer relaciones
entre ambas clases de modelos. Una explicación
técnica sobre la causa fundamental de la
congestión es la fricción o interferencia entre los
vehículos en el flujo de tránsito. Hasta un cierto
nivel de tránsito, los vehículos pueden circular a
una velocidad relativamente libre, determinada
por los límites de velocidad, la frecuencia de las
intersecciones, y otras condicionantes. Sin
embargo, a volúmenes mayores, cada vehículo
adicional estorba el desplazamiento de los
demás, es decir, comienza el fenómeno de la
congestión. Entonces, una posible definición
objetiva sería: “la congestión es la condición que
prevalece si la introducción de un vehículo en un
flujo de tránsito aumenta el tiempo de circulación
de los demás” (Thomson & Bull, 2002).
Utilizando un nuevo Método de Calibración de la
Demanda de Tráfico en SUMO, la elaboración,
validación y optimización del Vehicle to
Everything (V2X), la conducción conectada y
automatizada, junto con los sistemas de
transporte inteligentes (ITS) requieren escenarios
de simulación de tráfico que pueden caracterizar
de manera eficiente la movilidad vehicular a
nivel macroscópico y niveles microscópicos.
(Rezzai et al., 2018).
La propuesta sobre el desarrollo de sensores
avanzados con diferentes aplicaciones y servicios
inteligentes orientados al transporte por
carretera, están basados sobre la arquitectura de
referencia de software (ISO) de estaciones sobre
los sistemas inteligentes de trasporte (ITS).
(Mohammadian, 2006).
En áreas urbanas densas, existen diversas
opciones para mejorar el flujo de tráfico
vehicular. llamado Re-RouTE que se
fundamenta en la teoría de la ingeniería de
tráfico. Al identificar rutas congestionadas, el
objetivo principal de Re-RouTe se fundamenta
en la densidad de vehículos en las carreteras y
emplea el modelo macroscópico de ingeniería de
tráfico de la densidad de flujo. La representación
de las carreteras es posible mediante una gráfica
ponderada, la cual se emplea para identificar
rutas, atascos y con un pequeño incremento en la
distancia recorrida. (Alam & Guo, 2023).
En México la forma en que nos movemos. Según
datos del INEGI, muestran que en el año 2000
había alrededor de 10 millones de automóviles
particulares en el país y cerca de 300,000
motocicletas. En las últimas dos décadas, la
población creció un 30%. La movilidad en
México es cada vez compleja al momento de
desplazarse de un punto a otro. (Maksat et al.,
2023).
La presente investigación, Optimal Extreme
Learning Machine based Traffic Congestion
Control System in Vehicular Network, desarrolla
un sistema óptimo de control de la congestión de
tráfico basado en un aprendizaje automático
extremo (OELM-TCCS) en redes vehiculares,
con una precisión del 99.17%, logrando un nuevo
modelo ELM para llevar a cabo el proceso de
clasificación. (Ziang et al., 2023). En diferentes
estudios se han propuesto modelos matemáticos
basados en intervalos de tiempo que determinan
el flujo de tráfico vehicular en carreteras. La
propuesta del modelo toma tres parámetros
principales: velocidad máxima de flujo libre, una
longitud de seguridad típica de los vehículos y un
valor promedio del intervalo de tiempo de los
datos de tráfico durante condiciones de
congestión. (Tulay et al., 2019). La simulación
sobre tráfico vehicular describe la complejidad
de la infraestructura y educación vial. El modelo
de tráfico se puede dividir en micro simulación
describiendo todo el sistema y su relación interna
entre los diferentes agentes que lo componen.
(Bani Younes & Boukerche, 2016). El modelo de
micro simulación considera el movimiento de
cada vehículo individual en el espacio dentro de
una red de carreteras. Su función principal es
describir la correlación entre los agentes
vehiculares, así como considerar la
infraestructura vial y las diferentes regulaciones
o legislaciones en el sistema. (Bakar et al., 2018).
El diseño en su topología y arquitectura basada
en sistemas multiagente para el control de señales
de tráfico, la propuesta del algoritmo
Reinforcement Learning RL es un enfoque de
inteligencia artificial que permite el control
adaptativo en tiempo real en las intersecciones
del sistema autónomo, capaz de aprender de su
entorno y tomar decisiones para optimizar el
tráfico en un conjunto de tres intersecciones. La
interfaz se ajusta de manera línea en función del
tráfico real que se acerca a cada intersección.
(Rezzai et al., 2018) (Mohammadian, 2006).