3. Albania Nissan and Haris N. Koutsopoulos / Procedia Social and Behavioral Sciences 16 (2011) 100–109 3
Los sistemas de límites de velocidad variables (LVV) son una importante estrategia de
control de autopistas. Se utilizan para ayudar/exigir a los conductores que ajusten sus
velocidades para responder mejor a las condiciones cambiantes del tránsito aguas abajo
debido a los cierres de carriles, la visibilidad reducida y la superficie resbaladiza de la carretera,
la formación de colas, etc. En tales casos, los sistemas LVV, por ejemplo, muestran señales de
velocidad que disminuyen sucesivamente aguas arriba de un cuello de botella. Los LVV
también se han utilizado en autopistas para advertir a los conductores que ajusten sus
velocidades debido a condiciones climáticas adversas, condiciones de carreteras mojadas y
oscuridad (Zackor, 1979) y zonas de trabajo (Lin et al. 2004; Ober-Sudermeier y Zackor 2001).
En general, los sistemas LVV pueden implementarse como obligatorios o consultivos. Los
sistemas obligatorios funcionan como límites de velocidad dinámicos, como la autopista
controlada M25 alrededor de Londres (Agencia de Autopistas 2004), o límites de velocidad
recomendados, como el sistema MCS en la autopista E4 en Estocolmo. Se pueden encontrar
revisiones de sistemas prácticos de límite de velocidad variable en (Robinson 2000; Wilkie
1997).
LVV, al obligar al tránsito a reducir la velocidad de manera controlada, tiene el potencial de
reducir la congestión, las ondas de choque y las interrupciones del flujo. Para lograr esto, la
mayoría de los LVV aplicados emplean un algoritmo basado en algunos valores umbral, por
ejemplo, flujo de tránsito, ocupación, velocidad media o una combinación de ellos. Este umbral
se utiliza como base para decidir si se debe activar o desactivar un límite de velocidad
específico. Estos algoritmos dependen de la ubicación y, a menudo, exigen ajustes. En general,
en la literatura se han discutido dos estrategias principales para generar VLS. El primero tiene
como objetivo homogeneizar el flujo para reducir la probabilidad de avería (Smulders 1990), y
el segundo tiene como objetivo resolver las ondas de choque limitando la entrada de tránsito en
los atascos de tránsito aguas abajo (Hegyi 2004).
Las estrategias de homogeneización de flujo intentan reducir la distribución de los vehículos
y las diferencias de velocidad entre carriles, minimizando así el riesgo de accidentes y
congestión aguas arriba de las ubicaciones de los cuellos de botella (6). Bajo esta estrategia,
los LVV generalmente se aplican cuando los volúmenes de tránsito están cerca de la
capacidad. Hay indicios de que la aplicación de LVV es útil en volúmenes entre un 15 y un 20%
por debajo de su capacidad (Smulders 1990). En (Smulders 1991) también se informa que la
LVV basada en la homogeneización puede aumentar el tiempo de descomposición, pero no
puede suprimir o resolver las ondas de choque.
Las estrategias basadas en la limitación de flujo para la generación de LVV tienen como
objetivo reducir o eliminar las ondas de choque en las autopistas. Estas estrategias intentan
reducir la duración de los atascos de tránsito mediante la reducción de la afluencia de
personas. El tránsito aguas arriba se ralentiza y esto, a su vez, reduce la afluencia al atasco y,
por lo tanto, retrasa el inicio de la congestión (Popov et al. 2008; Hegyi 2004). Hegyi (2004)
afirma que el problema con el enfoque de homogeneización es que los límites utilizados están
por encima de la velocidad crítica (es decir, la velocidad que corresponde al flujo máximo). Por
otro lado, el enfoque de eliminación de ondas de choque permite límites de velocidad inferiores
a la velocidad crítica para limitar el flujo de entrada a las zonas de cuello de botella. Por lo
tanto, propuso el método de Control Predicho por Modelo (MPC) para reducir las ondas de
choque. El método utiliza un controlador centralizado con un modelo de tránsito macroscópico
para predecir los estados futuros del tránsito en un horizonte de predicción y determinar los
límites de velocidad óptimos. Posteriormente, también se desarrolló un método de control
descentralizado, que utiliza información local (Popov et al. 2008; Lin et al 2004). Los resultados
de la simulación de un estudio de caso con la autopista A12 en los Países Bajos muestran que
el método resuelve con éxito las ondas de choque y reduce el tiempo total empleado en
aproximadamente un 20% en comparación con el caso no controlado.
En general, el impacto y la eficacia de las estrategias de control de las líneas principales no
4. 4 Albania Nissan and Haris N. Koutsopoulos / Procedia Social and Behavioral Sciences 16 (2011) 100–109
se han estudiado ampliamente y es quizás una de las áreas menos estudiadas dentro del
control del tránsito en las autopistas (Messmer y Papageorgiou 1994). Kotsialos et al. (2004)
informan que se han realizado pocos estudios sistemáticos para cuantificar el impacto de las
medidas de control de enlaces.
por ejemplo, estudios como (Zackor1979; Smulders1990). Además, Messmer et al. (1994)
sugieren que el impacto del control de enlace debe comprenderse bien para optimizar el diseño
de dichos sistemas. Del mismo modo, la literatura sobre evaluación de sistemas LVV es
bastante limitada, tanto desde el punto de vista de los métodos para la evaluación de dichos
sistemas, como de la evidencia empírica y el análisis sistemático de su efectividad.
El objetivo de este artículo es proporcionar un marco para la evaluación del impacto de VLS
y discutir su aplicación en un estudio de caso que involucra un sistema de asesoramiento LVV
en Estocolmo, Suecia. El resto del documento está organizado de la siguiente manera: en la
sección 2 se revisa la literatura existente sobre la evaluación de la LVV, y en la sección 3 se
presenta una metodología estadística para la evaluación de los impactos basada en datos de
antes y después. En la sección 4 se describe el sistema de Estocolmo y se aplica la
metodología en un estudio de caso conexo. Finalmente, en la sección 5 concluye el trabajo.
1. Estudios de evaluación de LVV
El éxito de LVV depende en gran medida de cómo respondan los conductores a los límites
de velocidad mostrados y de su interacción con otros vehículos. Varios estudios realizados en
los Países Bajos, por ejemplo, sugieren que los conductores no respetaban necesariamente los
límites de velocidad, muy probablemente porque las señales de velocidad mostradas no eran
obligatorias sino aconsejativas (Remeijn 1982).
Los estudios sobre la autopista M25 en el Reino Unido (Highway Agency 2004) muestran
que los beneficios de seguridad de los sistemas LVV surgen como resultado de ajustes en el
comportamiento de conducción. Los conductores mantuvieron avances más uniformes, lo que
resultó en una reducción de la frenada. Los accidentes con lesiones se redujeron en un 10%.
Además, el ruido del tránsito se redujo en 0,7 decibelios, y el consumo de combustible y, por
tanto, las emisiones, se redujeron entre un 2% y un 8% en general.
La mayoría de los estudios empíricos de evaluación de LVV se centran en sus efectos sobre
varias características del tránsito utilizando datos relevantes recopilados durante períodos con
y sin LVV. En varias aplicaciones de LVV se observaron diferencias de velocidad más bajas
entre vehículos consecutivos, variación de velocidad y frecuencia de avances cortos. Zackor
(1979) sugirió que los cambios observados resultan en un aumento de la seguridad. Debido a
la estabilidad mejorada del flujo, la capacidad también aumentó en un 5%, mientras que la
velocidad aumentó en un 10%. Otro estudio sobre una autopista de dos carriles en los Países
Bajos mostró que en el carril izquierdo el porcentaje de adelantos cortos disminuyó
significativamente, lo que llevó a una variación menor de estos avances (Smulders 1992). Sin
embargo, el avance medio en el carril derecho disminuyó, lo que implica mayores volúmenes.
La velocidad media en ambos carriles disminuyó ligeramente. En este estudio no se mencionó
ningún aumento de capacidad.
La mayoría de los estudios anteriores se centraron en los impactos de LVV en variables
individuales del tránsito (distribución del flujo de tránsito, velocidad media, avance medio, etc.).
El problema con estos enfoques es que es muy difícil aislar el impacto de otros factores que
pueden contribuir a los cambios que se observan. Sin embargo, más recientemente,
Papageorgiou, et al. (2008), examinaron el impacto de la LVV obligatoria utilizando el diagrama
de flujo-ocupación correspondiente. Aplicaron el método utilizando datos de ocupación de flujo
antes y después de la implementación de la LVV obligatoria en una autopista europea. El LVV
utilizaba una estrategia de control basada en el umbral de flujo/velocidad. El estudio encontró
que LVV reduce la pendiente del gráfico (flujo-ocupación) en ocupaciones por debajo de las
críticas y cambia la ocupación crítica a valores más altos en el diagrama de flujo-ocupación.
5. Albania Nissan and Haris N. Koutsopoulos / Procedia Social and Behavioral Sciences 16 (2011) 100–109 5
Los resultados del estudio no fueron concluyentes con respecto al impacto de LVV en la
capacidad de la instalación. Los resultados del estudio también indicaron que una estrategia de
control de LVV que utilice la pendiente de la curva de ocupación-flujo, estimada en tiempo real,
como indicador de activación de LVV, puede resultar en estrategias de LVV más efectivas y
robustas.
Este artículo se centra en la evaluación de un sistema LVV de asesoramiento implementado
como parte del Sistema de Control de Autopistas de Estocolmo (MCS).
1. Metodología de evaluación
Con la excepción del estudio de (Papageorgiou et al., 2008), la mayoría de los estudios
empíricos previos sobre la efectividad de la LVV se centraron en medidas únicas de
rendimiento. En (Papageorgiou et al. 2008) el enfoque de comparación se basó en el desarrollo
de gráficos de ocupación de flujo por partes y en la comparación de la pendiente media de la
línea en los intervalos correspondientes para los casos con y sin LVV. El método utilizado en
este trabajo tiene una motivación similar a la de (Papageorgiou et al. 2008) y se basa en un
enfoque reportado por primera vez en (Toledo y Koutsopoulos 2004) para la validación de
modelos de simulación de tránsito a través de la comparación de datos simulados y reales.
Toledo y Koutsopoulos (2004) sugieren el uso de medidas de rendimiento (MOP) de un solo
valor (por ejemplo, velocidad) y multivariadas (por ejemplo, velocidad y densidad) para la
validación de modelos de simulación. Los enfoques multivariantes, aunque deseables, son
difíciles de implementar, a menos que se disponga de una gran cantidad de datos. Incluso si se
dispone de datos, las posibles pruebas estadísticas pueden violar los supuestos subyacentes o
ser demasiado laxas para ser útiles. En respuesta a ello, Toledo y Koutsopoulos, (Toledo y
Koutsopoulos 2004), proponen el uso de metamodelos para comparar los resultados de un
modelo de simulación con las observaciones reales. Estos metamodelos capturan la relación
subyacente entre dos variables de tránsito (importantes) y, por lo tanto, la evaluación puede
basarse en una prueba estadística de si las dos formas funcionales son iguales o no. Este
enfoque requiere que se apliquen menos datos y tiene como objetivo probar las diferencias
estructurales en las condiciones del tránsito, tal como se refleja en la relación entre estas
variables.
La misma metodología también se puede utilizar para probar si la introducción de LVV da
lugar a cambios estadísticamente significativos en el comportamiento del tránsito agregado.
Una selección natural de relaciones a probar son las relacionadas con el diagrama fundamental
o, en general, con los modelos de flujo de tránsito para la instalación de interés. Tales modelos,
por ejemplo, la relación entre el flujo y la densidad, son representativos de las características de
una instalación dada y pueden verse como la identidad de la instalación. Las relaciones de
caudal-densidad, por ejemplo, capturan el comportamiento de una instalación bajo las
condiciones predominantes de tránsito, control y clima. Dichas relaciones se pueden desarrollar
utilizando datos de densidad de flujo de antes y después de la implementación de LVV.
Suponiendo que los datos se recopilen en condiciones similares en términos de condiciones
meteorológicas y composición del tránsito, la relación debe ser la misma, a menos que la
implementación de LVV provoque cambios estructurales en la forma en que se desarrolla la
dinámica del tránsito y se comporta la instalación desde el punto de vista del tránsito.
La metodología de comparación propuesta utiliza datos de tránsito antes y después de la
implementación de LVV y se desarrolla en dos pasos:
1. Especifique un modelo de flujo de tránsito que capture las relaciones
subyacentes (coherentes con las teorías de flujo de tránsito) entre las variables de
tránsito elegidas, por ejemplo, flujo (q) y densidad (k), q = f(k), y estime sus
parámetros mediante el análisis de regresión y los datos correspondientes de
antes y después de la implementación de LVV.
2. Utilice pruebas estadísticas para comprobar la igualdad de los coeficientes
6. 6 Albania Nissan and Haris N. Koutsopoulos / Procedia Social and Behavioral Sciences 16 (2011) 100–109
entre los dos metamodelos (correspondientes a las condiciones antes y después).
La igualdad de los coeficientes de los modelos se prueba con la hipótesis nula
H0:/3before=/3after frente a H1:/3before-1/3after, utilizando una prueba F generalizada. La
prueba utiliza dos modelos: restringido (R) y no restringido (UR). El modelo restringido, que
obliga a la igualdad de los parámetros de los dos metamodelos, se estima con el conjunto de
datos combinado (tanto antes como después de LVV). El modelo sin restricciones es la
combinación de dos modelos separados, uno estimado con los datos anteriores y el otro con
los datos posteriores de LVV.
Sea SSEbefore la suma de los residuos cuadrados cuando el modelo se calibra con los
datos anteriores, SSEafter la suma de los residuos cuadrados con el modelo calibrado
utilizando los datos posteriores, y SSE antes+después la suma de los residuos cuadrados
cuando el modelo se estima con los datos combinados (agrupados antes y después de los datos
). A continuación, el
estadístico de prueba F se calcula mediante:
Sea SSEbefore la suma de los residuos cuadrados cuando el modelo se calibra con los
datos anteriores, SSEafter la suma de los residuos cuadrados con el modelo calibrado
utilizando los datos posteriores, y SSE antes+después la suma de los residuos cuadrados
cuando el modelo se estima con los datos combinados (agrupados antes y después de los datos
). A continuación, el
estadístico de prueba F se calcula mediante:
(SSER - SSEUR)/K
EFK, Nante+después-2k =
SSEUR(Antes - Después - 2K )(1)
SER y SSEUR son las sumas de los residuos al cuadrado de los modelos restringido y no
restringido respectivamente, definidos
SSER =
SSEantes+después
SSEUR = SSEantes
+ SSEdespués
Nantes, Después son el número de observaciones en los datos LVV antes y después
K es el número de parámetros del modelo.
El valor del estadístico de prueba FK,N antes+
N
después
- 2k se compara con el valor crítico
correspondiente para el nivel de significación seleccionado con el fin de extraer conclusiones
con respecto a la hipótesis nula.
El método propuesto es muy flexible y también puede superar problemas relacionados con
la disponibilidad limitada de datos. En muchos casos de evaluación de los impactos de LVV,
los datos de muchos días pueden estar disponibles después de la implementación de LVV,
pero no antes.
7. Albania Nissan and Haris N. Koutsopoulos / Procedia Social and Behavioral Sciences 16 (2011) 100–109 7
Estudio de casos
El estudio de caso realizado en un segmento de la autopista E4 en Estocolmo. La E4
conecta las partes sur y norte de Estocolmo y es un enlace importante con el Aeropuerto
Internacional de Arlanda (FIGURA 1).
Figura 1: Sistema de autopistas E4
La capacidad del sistema de autopistas E4 está limitada por el diseño de su infraestructura.
En 1996 se implementó un sistema de control de autopista (MCS) en la E4 y se amplió aún
más en 2004 para eludir las limitaciones geométricas. A pesar de la implementación del MCS,
la congestión del tránsito con colas repentinas y accidentes graves es un problema típico
durante las horas punta de la mañana y la tarde. La parte de la E4 donde se implementó el
MCS experimenta los volúmenes de tránsito más altos de toda Suecia.
El sistema LVV de Estocolmo
El MCS está equipado con una Detección Automática de Incidentes (AID), que detecta
perturbaciones graves en los flujos de tránsito lo antes posible y genera automáticamente un
conjunto adecuado de límites de velocidad de advertencia para el tránsito que se aproxima. Los
límites de velocidad variables recomendados se muestran en señales colocadas en pórticos
cada 300-500 m a lo largo de la autopista. Los pórticos también tienen detectores de
microondas para medir los volúmenes y velocidades del tránsito. Las velocidades detectadas
proporcionan los datos de entrada requeridos por el algoritmo de detección automática de
incidentes (AID). El LVV se basa en la lógica de bucle de retroalimentación cerrado. El sistema
está organizado jerárquicamente con tres componentes principales (FIGURA 2), (Van
Toorenburg y de Kok 1998).
1. El sistema informático central (CS).
2. Estaciones remotas (OS), cada una conectada a dos pórticos con una señal matricial por
carril
8. 8 Albania Nissan and Haris N. Koutsopoulos / Procedia Social and Behavioral Sciences 16 (2011) 100–109
3. Estaciones detectoras (DS) y detectores de microondas
Figura 2: Configuración de MCS (fuente: (Van Toorenburg y de Kok 1998)).
9. Albania Nissan and Haris N. Koutsopoulos / Procedia Social and Behavioral Sciences 16 (2011) 100–109 9
Los detectores tienen dos modos de funcionamiento: seguimiento y conteo. Las estaciones
remotas (OS) están acopladas a los pórticos con un OS conectado a dos estaciones
detectoras. Las estaciones detectoras miden la velocidad de cada coche en cada carril y la
envían al sistema operativo. El sistema operativo procesa previamente los datos de tránsito,
calcula las solicitudes de AID y envía los resultados al CS. El sistema operativo cambia los
signos LVV en su pórtico, cuando el CS se lo indica. El CS es responsable de comunicarse con
las estaciones remotas, procesar las solicitudes de AID de las estaciones remotas, calcular los
nuevos límites de velocidad y enviar instrucciones al sistema operativo para mostrar las
velocidades calculadas en sus señales. La lógica utilizada para el cálculo de los límites de
velocidad se ilustra en la FIGURA 3. Los elementos principales son dos valores de umbral de
velocidad (Vlow y Vhigh). Las velocidades observadas y procesadas se comparan con estos
umbrales y desencadenan una acción adecuada.
Figura 3: Valores umbral y clasificación de la AID (fuente (16)).
Diseño Experimental
Anteriormente, los estudios empíricos para evaluar el rendimiento del sistema se centraban
en comparar los MOP individuales en ubicaciones específicas con los datos de antes y
después de LVV (Nissan 2007). Los MOP utilizados incluyen los flujos de tránsito, las
velocidades y la distribución de avances. Se encontró que el LVV contribuye a una distribución
más uniforme del flujo de tránsito entre carriles. Sin embargo, no se pudieron extraer
conclusiones sobre la eficacia general y el impacto de LVV en las operaciones de E4.
Para este estudio de caso, se utilizó el tramo de la autopista que se muestra en la Figura 4
para aplicar la metodología presentada en el tramo 3. El segmento de interés cuenta con 3
carriles por sentido con un límite de velocidad de 90 km/h en todo momento. Para este estudio,
se recolectaron datos de los detectores MCS en las ubicaciones de pórtico indicadas en la
Figura 4. Los datos incluyen la velocidad media y el flujo de tránsito en intervalos de 5 minutos.
Figura 4: Tramo de la autopista E4 en Södertäljevägen.
Para el escenario anterior de LVV se disponía de datos de un solo día, del 25 de mayo de
10. 10 Albania Nissan and Haris N. Koutsopoulos / Procedia Social and Behavioral Sciences 16 (2011) 100–109
2004. Después de la introducción de la MCS, los datos estaban más fácilmente disponibles.
Por lo tanto, para el escenario posterior a la LVV se utilizaron los datos del 30 de septiembre de
2005 (inmediatamente después de la introducción de la LVV). Los datos también fueron
recolectados durante el mes de mayo de 2005, abarcando los días (10, 12, 18, 26 y 31) de
mayo. Los conjuntos de datos posteriores a LVV representan dos puntos diferentes en las
operaciones del sistema: inmediatamente después de LVV y unos meses más tarde, cuando el
sistema está más maduro y los conductores están familiarizados con su funcionamiento (y
efectividad) y han adaptado su comportamiento de conducción. Todos los días (antes y
después) tuvieron condiciones climáticas similares (seco, sin lluvia) Los datos se recolectaron
de 6:00 am a 7:00 pm.
La FIGURA 5 muestra la variabilidad de la velocidad a lo largo del tiempo para los distintos
días para los que se dispone de datos. Durante el período pico de la tarde (salida) hay una
caída significativa en las velocidades, de manera constante durante todos los días, lo que
indica una congestión severa.
Figura 5: Velocidad media a lo largo del tiempo durante varios días
Evaluación
La metodología discutida en la sección 3 se utiliza para evaluar el impacto de LVV en la
explotación de la autopista E4. En el primer paso de la metodología, se seleccionan y estiman
modelos de flujo de tránsito candidatos que representan la relación entre variables importantes.
Para este estudio se desarrollaron modelos de densidad de flujo, capturando las características
de tránsito subyacentes en la sección de interés.
Los modelos de flujo de tránsito fueron introducidos por primera vez en 1935 por Greenshield
(mayo de 1990). Los modelos iniciales eran modelos de régimen único que utilizaban la misma
forma funcional para describir la relación entre el flujo y la densidad en todas las condiciones de
tránsito. Edie, (mayo de 1990), propuso el uso de modelos de regímenes múltiples para lograr
un mejor ajuste a los datos de campo. Los modelos multirrégimen utilizan diferentes formas
funcionales para describir la relación entre el flujo y la densidad bajo diferentes niveles de
congestión.
En este estudio, siguiendo a Eddie, se asumió y estimó un modelo de dos regímenes
utilizando el antes, el después y los datos combinados (agrupados). Se realizó una regresión
lineal para especificar el mejor modelo y estimar sus parámetros:
a1+ a2K+ a3K2 si :S 80 veh/km/carril
q=
b1+ b2K+ b3K2 si k 80 ve/km/carril
Dónde
Q: Caudal (V/h)
11. Albania Nissan and Haris N. Koutsopoulos / Procedia Social and Behavioral Sciences 16 (2011) 100–109 11
K: densidad de tránsito
(veh/km/ 3 carriles) ai , bi:
parámetros
Las relaciones de densidad de flujo anteriores se estimaron para tres carriles juntos. La
FIGURA 6 ilustra las relaciones flujo-densidad para los períodos de antes y después de las
aplicaciones de LVV y que resultaron del análisis de regresión y las observaciones
correspondientes.
Figura 6: Relaciones de densidad de flujo para períodos anteriores a las aplicaciones de LVV,
inmediatamente después de LVV y unos meses después.
Los resultados cuantitativos de los mismos datos que se muestran en los cuadros 1
(densidades inferiores a 80 veh/km y densidades superiores a 80 veh/km) resumen los
resultados del análisis de regresión para los modelos restringido y no restringido por separado
para todos los carriles. También se reportan los valores del estadístico F para cada caso. En el
caso de densidades inferiores a 80 veh/km, el valor crítico del estadístico F para (3,
(Nante+Nafter-2K) > 100) grados de libertad con un nivel de confianza del 95% es de 8,53.
12. 12 Albania Nissan and Haris N. Koutsopoulos / Procedia Social and Behavioral Sciences 16 (2011) 100–109
Cuadro 1: Estadísticas de densidades < 80 y > 80 veh/km
En el caso de densidades inferiores a 80 veh/km, los resultados del antes e inmediatamente
después de la aplicación de la LVV muestran que se puede rechazar la hipótesis nula de que las
relaciones flujo-densidad son las mismas antes y después de la LVV. Si bien los resultados del
antes y varios meses después de la aplicación de la LVV muestran que no se puede rechazar la
hipótesis nula de que las relaciones flujo-densidad son las mismas antes y después de la LVV.
Estas conclusiones son esperables ya que en este régimen (condiciones estables) las velocidades
observadas están entre 70-100 km/h y, por lo tanto, el sistema LVV no suele proporcionar ninguna
recomendación de velocidad.
En el caso de densidades superiores a 80 veh/km, los niveles de congestión son altos y se
observan velocidades bajas. En consecuencia, en este rango se espera que se active el LVV y
proporcione recomendaciones de velocidad a los automovilistas. Sin embargo, los resultados
del análisis de regresión y la prueba de hipótesis para densidades superiores a 80 veh/km,
resumidos en la Tabla 1, indican en el antes y (directamente) después de la aplicación del caso
LVV la hipótesis nula de que los parámetros del antes y después del LVV de que las relaciones
flujo-densidad son las mismas antes y después del LVV no pueden ser rechazados para todos
los carriles. Los resultados del antes y pocos meses después de la aplicación del LVV
muestran una vez más que la hipótesis nula de que las relaciones flujo-densidad son las
mismas antes y después del LVV no puede ser rechazada para todos los carriles.
Conclusión
Las señales de mensaje variable se aplican para mejorar las condiciones del tránsito en las
autopistas. Estudios previos evaluaron la efectividad de LVV bajo diversas condiciones y
estrategias operativas. En particular, un estudio reciente (Papageorgiou 2008) sobre la
implementación europea de LVV obligatorio ha demostrado que LVV tiene el potencial de
aumentar la ocupación crítica. Los resultados sobre el impacto en la capacidad no fueron
concluyentes, aunque otros estudios muestran un aumento de la capacidad debido a la LVV.
En este trabajo se presenta un método estadístico para la evaluación de los impactos de LVV
en las operaciones de tránsito de una instalación. El método se basa en la estimación de
modelos de flujo de tránsito utilizando datos antes y después de la implementación del LVV. Se
llevó a cabo un estudio de caso con datos de la autopista E4 de Estocolmo. El LVV
implementado utiliza una lógica basada en la velocidad y es consultivo. Los resultados indican
13. Albania Nissan and Haris N. Koutsopoulos / Procedia Social and Behavioral Sciences 16 (2011) 100–109 13
que el LVV no tuvo ningún impacto significativo en las condiciones del tránsito, tanto
inmediatamente después de su implementación como varios meses después.
Es importante mencionar nuevamente que el sistema LVV en Estocolmo es consultivo y esto
puede contribuir a las conclusiones alcanzadas en este estudio de caso en comparación con
otros estudios que se centraron principalmente en sistemas obligatorios.
Después de este estudio, también se utilizó un estudio de simulación detallado para evaluar
el impacto de LVV en la capacidad y el nivel de servicio. Los resultados se utilizan para sacar
conclusiones sobre la sensibilidad de estos impactos a varios parámetros, especialmente el
cumplimiento del límite de velocidad por parte del conductor.
Referencias
Agencia, H., Autopistas controladas por la M25. Carreteras seguras, viajes confiables, viajeros
informados. Informe resumido, número 1, noviembre de 2004.
Hegyi, A. Control predictivo de modelos para la integración de medidas de control de tráfico, Tesis
doctoral, Serie de tesis TRAIL T2004/2, ISBN 90-5584-053-X. Universidad Tecnológica de Delft, Países
Bajos, 2004.
Kotsialos, A. y M. Papageorgiou. Sistemas de control de tráfico de la red de autopistas. Revista
Europea de Investigación Operativa 152 nº 2, 2004, pp. 321-333.
Lin, P. W., Kang, K. P., y Chang, G. L., "Explorando la efectividad de los controles de límite de velocidad
variable en las operaciones de zonas de trabajo en carreteras" ISSN: 1547-2450, 2004.
Mayo, A. D. "Fundamentos del flujo de tráfico", ISBN 0-13-926072-2, 1990.
Messmer, A. y M. Papageorgiou. Métodos de control automático aplicados al tráfico de la red de
autopistas, Automatica Vol. 30, no.4, 1994, pp. 691-702.
Nissan, A., Evaluación de los impactos del sistema de control de autopistas (MCS) en Estocolmo. TRITA-
TEC-RR 07-005, Real Instituto de Tecnología, Estocolmo, Suecia, 2007.
Ober-Sudermeier, A. y Zackor, H., Predicción de la congestión debida a las obras viales en las
autopistas. Conferencia de Sistemas Inteligentes de Transporte IEEE Proceedings_Oakland (CA),
EE.UU., 2001.
14.Papageorgiou, M., E. Kosmatopoulos e I. Papamichail. Efectos de la variable LimSTI en el
flujo de tráfico de autopistas. Actas de la 87ª Reunión Anual de la Junta de Investigación del Transporte,
Washington, DC, 2008.
Popov, A., A. Hegyi, Babuska, R. y Werner, H. Control dinámico del límite de velocidad contra las
ondas de choque en la autopista utilizando un enfoque de diseño de controlador distribuido. Actas de la
87ª Reunión Anual de la Junta de Investigación del Transporte, Washington, DC, 18 pp., enero de 2008.
Remeijn, H. El sistema holandés de control y señalización de autopistas. División de Ingeniería de
Tráfico, Ministerio de Transporte de los Países Bajos, La Haya, 1982.
Robinson, M. Ejemplos de aplicaciones de límite de velocidad variable, Taller de gestión de velocidad,
Junta de Investigación de Transporte, 79ª Reunión Anual, 2000, Washington D.C.
Smulders, S. Control del flujo de tráfico en la autopista mediante señales de velocidad variable.
Transportation Research Part B, vol.24, no. 2, pp.111-132, 1990.
Smulders, S. "Control por señales de velocidad variable - el experimento holandés", en actas de la
Sexta Conferencia Internacional sobre Vigilancia y Control del Tráfico por Carretera, IEE Conference
Publication, Londres, pp. 99-103, 1992.
Toledo, T. y Koutsopoulos, H. N. Validación estadística de modelos de simulación de tráfico. Registro
de Investigación del Transporte: Revista de la Junta de Investigación del Transporte, no.1876, TRB,
Consejo Nacional de Investigación, Washington, D.C., 2004, pp.142-150.
Van Toorenburg, J. A. C. y de Kok, M. L. "Detección automática de incidentes en MTM". Proyecto
realizado por Bureau Transpute, Gouda, Holanda. Proyecto realizado bajo contrato para Vägverket -
Región de Estocolmo, Suecia. Proyecto realizado por Bureau Transpute, Gouda, Holanda, 1998.
Wilkie, J. K. Uso de señales de límite de velocidad variable para mitigar los diferenciales de velocidad
aguas arriba de ubicaciones de flujo reducido. Informe técnico, Departamento de Ingeniería Civil,
Universidad de Texas A&M, College Station, Texas 77845, agosto de 1997. Preparado para sistemas
avanzados de transporte de superficie CVEN 677.
14. 14 Albania Nissan and Haris N. Koutsopoulos / Procedia Social and Behavioral Sciences 16 (2011) 100–109
Zackor, H. "Control autosuficiente de la velocidad en las autopistas", en Actas del Simposio
Internacional sobre Sistemas de Control de Tráfico, vol. 2A, Berkeley, California, pp. 226-249,
Universidad de California, 1979.