Professional Documents
Culture Documents
Introduccin
Movilidad =
hecho fsico actividad de desplazarse Actividad con alto impacto
ELECCIN DE INDIVIDUOS en relacin a sus propios intereses y dentro de las posibilidades que el sistema les ofrece / condiciona
Porqu los modelos son importantes? Modelos pretenden estimar la demanda de transporte que se realizarn en el futuro en diferentes escenarios. Maximizar la rentabilidad (alcance de objetivos) de las actuaciones. Establecer prioridades de Inversin - actuacin. Ayuda a la toma de decisiones
Demanda de Transportes
Sistema Territorial
Relacin Territorio-Transporte
Sistema Transporte
Demanda derivada
TRANSPORTE
Demanda de transporte
Actividades
Demanda
Equilibrio
Desplazamientos
Demanda
Equilibrio
Oferta
Oferta
Demanda satisfecha
Territorio
Sistema de Transportes
Demanda inducida - AVE Demanda potencial
by lvaro Fernndez Heredia http://creativecommons.org/licenses/by-nc-sa/3.0/
La importancia de una correcta prediccin de la demanda es mayor cuanto mayor sea la inmovilidad e inflexibilidad de los recursos asociados a las actividades de transporte (Servicios-Infraestructuras) Fallos en la planificacin = problemas de congestin, seguridad, desarrollos urbanos no deseados, impactos ambientales, derroche de recursos, Importante= comprensin del proceso de modelado para entender y valorar sus recomendaciones / riesgos. Modelos responden sobre aquellos factores, alternativas explicitamente inlcuidas en las ecuaciones del modelo. Sensibilidad del modelo.
REALIDAD MODELIZADA
REALIDAD SIMULADA
PLAN DE ACTUACIN
by lvaro Fernndez Heredia http://creativecommons.org/licenses/by-nc-sa/3.0/
Informacin
representativas (segmentos de poblacin), conteos de trfico, velocidades, tiempos de viaje, curvas flujovelocidad, encuestas cordn o pantalla.
Tipos de encuestas:
Encuestas en la va pblica Pantalla Cordn Encuestas domiciliarias o en los puestos de trabajo Agente entrevistador (cara a cara) Telefnicas Por correo Por Internet Encuestas en el medio de transporte
by lvaro Fernndez Heredia http://creativecommons.org/licenses/by-nc-sa/3.0/
Eda d
Actividad
Origen - Destino Motivo Horas Modo Desutilidad Tte Pblico Desutilidad Tte Privado
Encuestas domiciliarias Conocer las pautas de movilidad de todos los tipos desplazamientos Completar informacin socioeconmica Encuestas en el transporte colectivo Caracterizar a los viajeros de cada modo detalladamente (PR) En el caso de las PD, valorar la respuesta a servicios o modos alternativos Investigar sobre la calidad percibida Caracterizar a los viajeros y viajes en vehculo Pantalla / Cordn Volmenes totales Distribucin por periodos, paradas, tipos de tarifas, ocupaciones,.. Volmenes totales, composicin (tipos de vehculos) del trfico, ocupacin, movimientos en intersecciones.
radiografa situacin real (RP-revealed preferences) Utilizacin de los modos de transporte (demanda y su distribucin por medios, temporal, geogrfica, etc.) Funcionamiento del sistema de transportes (tiempos de viaje, transbordos, etc.) Aceptacin de las medidas implantadas
PREFERENCIAS DECLARADAS:
comportamiento en situaciones hipotticas (alternativas o futuras) (SP- stated preferences) Ranking: ordenacin de opciones Eleccin de opcin preferible Potenciales diferencias entre lo que se declara y lo que realmente harn (sesgos)
by lvaro Fernndez Heredia http://creativecommons.org/licenses/by-nc-sa/3.0/
como es el proceso de modelado clsico? 4 Etapas. Secuencia de pasos-modelos para responder a cuestiones como: 1.- Cmo ser el rea de estudio en el futuro Cunta poblacin. Situacin demogrfica futura Nivel de actividad y desarrollo econmico. Dnde se localizarn las actividades 2.- Cmo sern las pautas de movilidad futuras? Cuntos viajes desplazamientos se realizarn De dnde a dnde irn los viajes Qu modos de transporte utilizarn Qu rutas usarn Cul ser el impacto o los efectos de esta demanda de transporte.
by lvaro Fernndez Heredia http://creativecommons.org/licenses/by-nc-sa/3.0/
Desarrollo del Evaluacin y MODELIZACIN modelo y Utilizacin y validacin del tcnicas de evaluacin de modelo modelizacin los resultados
Propsito con que se est construyendo el modelo Variables que se debieran incluir y son controlables Nivel de Agregacin que se ha de utilizar Tratamiento del Tiempo Modelo Terico que sustenta el propsito del modelo Tcnicas estadsticas y matemticas disponibles para construir el mod Mtodos para calibrar y probar (Validar) el modelo
FENMENO ANALIZADO
Errores de la Muestra
Una descripcin simplificada de un sistema, procesos, etc, desarrollado para la comprensin emprica o terica. La representacin conceptual o mental de algo. Modelos
Descriptivos Predictivos / Planificadores Deterministas Estocsticos Estables Dinmicos Agregados Desagregados Secuenciales - Directos by lvaro Fernndez Heredia
http://creativecommons.org/licenses/by-nc-sa/3.0/
Modelizacin de la OFERTA
Modelizacin de la DEMANDA
Centroide
Zonificacin
Dos dimensiones claves: TAMAO NMERO f(Tipo de estudio)
ESTRATGICO DETALLADO
f(Recursos)
Interesa sea compatible con divisiones administrativas Tamao tal que la concentracin de actividades en un centroide no produzca gran error Interesa que sean zonas homogneas en cuanto a usos, composicin poblacin, ... Los lmites de zonas compatibles con pe: zonificaciones anteriores, lneas pantalla,...
Qu ofrece el sistema de transporte para satisfacer las necesidades de movimiento de los viajeros en el rea de estudio. GRAFO RED MODELIZADA
Demanda
Cada Pregunta se formula economtricamente Y = f ( X viaje , X viajeros ) + Puede aplicarse en una etapa M. Demanda Directa
by lvaro Fernndez Heredia http://creativecommons.org/licenses/by-nc-sa/3.0/
Modelo - Calibracin
Zonas y redes Datos del ao base
A o s b a se
B a se d e d a t o s
F u t u r o s
Inputs
hago el viaje o no con qu destino en qu modo
Caractersticas Socio Demogrficas y Territoriales Caractersticas Origen, Atraccin de destino, Rozamiento de la relacin Caractersticas de medios/servicios de transporte + Individuo Caractersticas de las rutas restricciones de capacidad
Generacin de viajes
Algoritmo OutPuts
Viajes producidos y generados en cada zona Tabla Origen Destino de los desplazamientos Tabla O-D por cada Modo de Transporte
Yi (k ) = f ( X i (k ))
Distribucin de viajes
Iteraciones
Yij (k ) = f ( X i , Z j Gij )
Reparto modal
Yijm (k ) = f (u (k , m) + km )
Asignacin de viajes
por qu ruta
Asignacin de Ruta
Evaluacin
Modelo - Calibracin
Calibracin
Flujos Modelados
Flujos Observados
Sin
Actuacin trficos, niveles de congestin, a variables exgenas: poblacin, Con Modificacin situacin actual: conexiones, etc.
MODELO
DEMANDA FUTURA
Modelos de Planificacin
Interacciones espaciales Matriz origen-destino (O/D)
En pocas palabras: todas las poblaciones, viviendas, lugares de trabajo, carreteras, nmeros de carriles, lmites de velocidad, seales, lneas de transporte pblico, paradas, intervalos entre servicios, velocidades medias
by lvaro Fernndez Heredia http://creativecommons.org/licenses/by-nc-sa/3.0/
Modelos de Planificacin
El modelo de demanda en cuatro fases
Las cifras de las previsiones pueden emplearse fcilmente para "enterrar un proyecto o mantenerlo "vivo aunque no merezca la pena Los modelos se usan a menudo como "cajas negras Es fcil manipularlos para lograr resultados que se adapten a los deseos del usuario Como no se suelen realizar "autopsias" a los proyectos, no falta gente dispuesta a predecir el futuro
No son orculos / No previsiones pero todo el mundo tiene un modelo en mente La creacin de modelos no es ms que una abstraccin mental No hay que tener miedo a modelar una conducta determinada, aunque sta no est en los libros Los modelos (y las simulaciones) pueden ser herramientas de aprendizaje
Modelos de Planificacin
Para saber ms sobre proceso de anlisis y modelacin:
Modelling Transport por Ortuzar, J. de D. y Willumsen, L.G., John Wiley, NY, 3 Edicin,2001 Travel Estimation Techniques for Urban Planning Informe 365 del NCHRP, 1998 Manuales de usuario de los paquetes comerciales (Trips, Emme2, Tranplan, QRSII, MinUTP, Tp+, Vissum, etc.)
Cuestiones emergentes:
Herramienta creada para una finalidad distinta: nueva infraestructura vial. Hoy, su uso se centra en la gestin del sistema Expansin en horas punta y demanda inducida Sustitucin de viajes? Impacto de las tecnologas de la informacin? Descripcin de las condiciones medias ideales Previsin: permanecen constantes los parmetros bsicos? proceso de retroproyeccin (backcasting)? Cuestin subyacente: las elecciones individuales reas que precisan mayor anlisis:
Tipos de propiedad del automvil (variable bsica) Ocupacin por automvil (variable bsica) Transporte y distribucin de bienes, taxis,
by lvaro Fernndez Heredia http://creativecommons.org/licenses/by-nc-sa/3.0/
Mtodos de Generacin de Viajes Mtodo del factor de crecimiento Anlisis por categoras Mtodo de Regresin Lineal Mltiple (MLR)
Objetivo: estimar viajes (por hogar, por zona), en base a relaciones (a definir) que usan datos disponibles.
Ti = Fi ti
Estimacin de Fi = a partir de la evolucin de las variables socioeconmicas que explican los viajes. Validar para: P.E. n n n 2000 hogares 2 estratos (c/s coche) i i i i o o o Tasas de generacin: C= 6 Viajes /da i i i SC = 2,5 viajes / da P e I = Cte. by lvaro Fernndez Heredia
F =
P I TM P I TM
http://creativecommons.org/licenses/by-nc-sa/3.0/
Generacin de viajes: Gip = ai (h)t p (h) p = propsito h i = zona h = tipo de hogar ai(h) = nmero de hogares del tipo h en zona i tp(h) = ratio de viajes para los viajes de tipo p y tipo de hogar h
by lvaro Fernndez Heredia http://creativecommons.org/licenses/by-nc-sa/3.0/
Gi = +
k =1
X ik
donde:
i son los parmetros del modelo y xi las variables independientes asociadas a la variable dependiente (generacin o atraccin de los viajes).
Mtodo de Regresin Lineal Mltiple Variables continuas discretizadas (p.e. Ingresos, (MLR)
edad) Variables discretas (disponibilidad automvil, tipo de residencia,)
Ingresos: 1= menos de 6000 2= 6.000 - 12.000 3= 12.000 - 24.000 4= 24.000 48.000 5= 48.000 90.000 6= ms de 90.000
Tipo de residencia: 1= Piso 2= Casa unifamiliar 3= Apartamento 4= Otros
4 variables con valor [0,1]
by lvaro Fernndez Heredia http://creativecommons.org/licenses/by-nc-sa/3.0/
Mtodo de Regresin Lineal Mltiple Variables no-lineales (MLR) Las variables xi deben entrar en forma lineal Transformacin (logartmica elevar a
potencia -)
Usar Variables mudas dummy (N intervalos discretos cada uno tratado separadamente en el modelo).
Mtodo de Regresin Lineal Mltiple (MLR) No hay lmite en el nmero variables que pueden aparecer en el modelo, siempre que no estn relacionadas linealmente =multicolinealidad. Cada variable debe explicar su inclusin en la regresin Cada variable que se incorpore debe mejorar la explicacin del resultado respecto a la regresin sin inclusin. Las extrapolaciones a futuro pierden precisin a medida que aumenta el plazo de prediccin.
by lvaro Fernndez Heredia http://creativecommons.org/licenses/by-nc-sa/3.0/
Ejemplo 1: En una pequea rea urbana se han observado que se producen diariamente un volumen de viajes (en miles): Se pretende calibrar un modelo de generacin polinmico que explique el volumen generado en funcin de las variables exgenas: P: Poblacin en miles de habitantes W: Viviendas en la zona en miles A: Autobuses diarios
Zona 1 2 3 4 5 Viajes-V 1,960 0,905 4,684 5,480 2,900
V = P + W + A
Zona 1 P 10 5 25 30 15 W 3.0 1.0 6.0 6.2 4.2 A 20 10 40 45 25
Se dispone de las siguientes informaciones asociadas a dichas variables: Posibles soluciones, con una regresin con Excel:
2 3 4 5
Ejemplo 2: Una empresa de autobuses, presta servicio a las poblaciones en el entorno de una capital de provincia. Al acercarse las Fiestas de Navidad, ha considerado la posibilidad de aumentar su servicio, para atender a los viajes se generan en los pueblos del entorno. Ha observado que los viajes aumentan al acercarse el da de Navidad. Por ello se plantea estimar el nmero de viajeros por una frmula exponencial del tipo donde V Nmero de viajeros en miles de personas. t Das que faltan hasta la Fiesta. p Poblacin en miles de personas. A Hab. 10.000 Valores observados de aos anteriores Das rest. Viajeros
V = kt p
V = 8,6 t
-0,5
p0,701
7 4 1
Ejemplo 2:
V = kt p
Datos disponibles P t v 10000 7 2.080 10000 4 2.760 10000 1 5.510 25000 7 3.960 25000 4 5.240 25000 1 10.470 Datos linealizados logp 4,0000 4,0000 4,0000 4,3979 4,3979 4,3979 logt 0,8451 0,6021 0,8451 0,6021 logv 3,3181 3,4409 3,7412 3,5977 3,7193 4,0199
V = 8,655
-0,5
0,701