Control de buses en tiempo real considerando múltiples estrategias y capacidades de las estaciones

Resumen

Área Temática: Accesibilidad y Movilidad 

El transporte público masivo urbano debe permitir una movilidad sostenible y mayor calidad de vida de los ciudadanos (Barbero, 2006; Figueroa, 2005). Sin embargo, muchas veces el nivel de servicio en el transporte masivo basado en buses no satisface a los pasajeros. Mejorar la regularidad de los intervalos entre buses de alta frecuencia aumenta la confiabilidad, lo que impacta significativamente en la satisfacción de los pasajeros (Muñoz et al., 2020; Soza-Parra et al., 2019). Los sistemas de buses con corredores dedicados (Bus Rapid Transit -BRT) están presentes en más de 170 ciudades del mundo (BRTData, 2021) debido a su eficiencia, costos y flexibilidad. La congestión en sistemas BRT ha recibido poca atención en la literatura (Tirachini & Hensher 2011), aunque son conocidos los casos de colas largas en sistemas BRT en ciudades como Cali, Bogotá, Lima, Estambul y Lagos (Scholl et al., 2015; Scholl et al., 2016; Basso, et al. 2019). Esto puede llevar a que el control de intervalos sea poco efectivo e inadecuado en servicios de alta frecuencia, especialmente cuando estos operan en corredores en que coinciden múltiples líneas (Rajbhandari et al., 2002; Sánchez-Martínez et al., 2018). Por otro lado, Cortés et al. (2010), Sáez et al. (2012), Gkiotsalitis (2021) y Gkiotsalitis & Cats (2021) señalaron la importancia de probar múltiples estrategias para mejorar el control que se alcanza con una o dos estrategias. Por esta razón se propone e investiga el potencial de considerar para el control en tiempo real las estrategias de inyección, interlineado, tiempo de retención y límite de abordaje de manera simultánea, a la vez que se considera las demoras en estaciones que se dan cuando hay colas de buses. El sistema que se abordará en este trabajo opera buses de alta frecuencia en una red cerrada de transporte público en forma de cruz extendida que permite representar grandes ciudades latinoamericanas (Jara-Díaz et al., 2018). La red es bidireccional, compuesta por un conjunto de corredores y estaciones cerradas, con múltiples líneas de buses, donde una agencia centralizada toma las decisiones de control durante la operación con información en tiempo real. Esta investigación planteará dos enfoques de optimización dinámica. En el primer enfoque se formulará un modelo matemático de optimización dinámica determinístico de horizonte rodante partiendo del modelo de Hernández et al. (2015). Para resolver el modelo en tiempo cuasi-real se desarrollará una metaheurística ad hoc (Gkiotsalitis, 2021; Yu & Yang, 2009). En el segundo enfoque, se construirá un método de optimización estocástico aproximado llamado aprendizaje reforzado, donde un agente aprende por ensayo y error al interactuar directamente con el entorno (Chen et al., 2016; Wang & Sun, 2020). Una simulación por eventos discretos de la red previamente descrita será programada en Python con un doble propósito. El primer propósito es servir como entorno para el aprendizaje reforzado. El segundo propósito es estimar el efecto de considerar las demoras en las estaciones por las colas de buses, la contribución marginal de las estrategias de control propuestas y el benchmarking de los dos enfoques propuestos en los diferentes escenarios. Estos escenarios se conforman de i) diferentes niveles de congestión de buses, ii) diferentes proporciones de pasajeros con líneas comunes y iii) diferentes cambios a través del tiempo y del espacio de los perfiles de carga de pasajeros y de los tiempos de viaje entre estaciones. El resultado será útil para proponer enfoques de solución a la gestión de buses on-line, especialmente en sistemas BRT con estaciones cerradas presentes en varias ciudades del mundo.

Palabras clave: movilidad, control en tiempo real, BRT.

Referencias:

• Barbero, J. (2006). 11 Transporte urbano. In PERÚ: LA OPORTUNIDAD DE UN PAÍS DIFERENTE (pp. 273– 287). worldbank.org.
• Basso, L. J., Feres, F., & Silva, H. E. (2019). The efficiency of bus rapid transit ( BRT ) systems : A dynamic congestion approach R. Transportation Research Part B, 127(December 2018), 47–71. https://doi.org/10.1016/j.trb.2019.06.012 BRTData. (2021). Panorama por año. BRT PANORAMA. brtdata.org/
• Chen, W., Zhou, K., & Chen, C. (2016). Real-Time bus holding control on a transit corridor based on multi[1]Agent reinforcement learning. IEEE Conference on Intelligent Transportation Systems, Proceedings, ITSC, 0, 100–106. https://doi.org/10.1109/ITSC.2016.7795538
• Cortés, C. E., Sáez, D., Milla, F., Núñez, A., & Riquelme, M. (2010). Hybrid predictive control for real-time optimization of public transport systems’ operations based on evolutionary multi-objective optimization. Transportation Research Part C: Emerging Technologies, 18(5), 757–769. https://doi.org/10.1016/J.TRC.2009.05.016
• Figueroa, O. (2005). Tema central. Revista Eure, XXXIII(94), 41–53. https://doi.org/10.4067/S0250- 71612005009400003
• Gkiotsalitis, K. (2021). Improving service regularity for high-frequency bus services with rescheduling and bus holding. Journal of Traffic and Transportation Engineering (English Edition), xxx. https://doi.org/10.1016/j.jtte.2020.06.002
• Hernández, D., Muñoz, J. C., Giesen, R., & Delgado, F. (2015). Analysis of real-time control strategies in a corridor with multiple bus services. Transportation Research Part B: Methodological, 78, 83–105. https://doi.org/10.1016/J.TRB.2015.04.011
• Jara-Díaz, S., Gschwender, A., & Bravo, C. (2018). Total cost minimizing transit route structures considering trips towards CBD and periphery. Transportation, 45(6), 1701–1720. https://doi.org/10.1007/s11116-017-9777-z
• Muñoz, J. C., Soza-Parra, J., & Raveau, S. (2020). A comprehensive perspective of unreliable public transport services ’ costs services ’ costs. Transportmetrica A : Transport Science, 9935. https://doi.org/10.1080/23249935.2020.1720861
• Rajbhandari, R., Chien, S. I., & Daniel, J. R. (2002). Estimation of Bus Dwell Times with Automatic Passenger Counter Information. 03, 120–127.
• Sáez, D., Cortés, C. E., Milla, F., Núñez, A., Tirachini, A., & Riquelme, M. (2012). Hybrid predictive control strategy for a public transport system with uncertain demand. Transportmetrica, 8(1), 61–86. https://doi.org/10.1080/18128601003615535
• Sánchez-Martínez, G. E., Paget-seekins, L., Southwick, C. W., & Attanucci, J. P. (2018). Bus Load Inference and Crowding Performance Evaluation through Disaggregate Analysis of Fare Transaction , Vehicle Location , and Passenger Count Data. Journal of the Transportation Research Board, 1–11. https://doi.org/10.1177/0361198118796940
• Scholl, L., Bouillon, C. P., Oviedo, D., Corsetto, L., & Jansson, M. (2016). Transporte urbano y pobreza: Efectos de los Sistemas de Transporte Rápido de Autobuses apoyados por el BID sobre la movilidad y el acceso Cali y Lima | Publications. https://publications.iadb.org/publications/spanish/document/Transporte-urbano-y-pobreza[1]Efectos-de-los-Sistemas-de-Transporte-Rápido-de-Autobuses-apoyados-por-el-BID-sobre-la[1]movilidad-y-el-acceso-Cali-y-Lima.pdf
• Scholl, L., Guerrero, A., Quintanilla, O., L’Hoste, C. M., & Sadeghi, P. (2015). Casos de Estudio Comparativo de Tres Proyectos de Transporte Urbano. https://publications.iadb.org/bitstream/handle/11319/6967/Casos_estudio_comparativos_tres_proyectos_transporte_urbano_apoyados_BID.pdf?sequence=2
• Soza-Parra, J., Raveau, S., Muñoz, J. C., & Cats, O. (2019). The underlying e ff ect of public transport reliability on users ’ satisfaction. Transportation Research Part A, 126(June), 83–93. https://doi.org/10.1016/j.tra.2019.06.004
• Tirachini, A., & Hensher, D. A. (2011). Bus congestion , optimal infrastructure investment and the choice of a fare collection system in dedicated bus corridors. Transportation Research Part B, 45(5), 828– 844. https://doi.org/10.1016/j.trb.2011.02.006
• Wang, J., & Sun, L. (2020). Dynamic holding control to avoid bus bunching: A multi-agent deep reinforcement learning framework. Transportation Research Part C: Emerging Technologies, 116(March), 102661. https://doi.org/10.1016/j.trc.2020.102661
• Yu, B., & Yang, Z. (2009). A dynamic holding strategy in public transit systems with real-time information. Applied Intelligence, 31(1), 69–80. https://doi.org/10.1007/s10489-007-0112-9