Discovering Traffic Bottlenecks in an Urban Network by Spatiotemporal Data Mining on Location-Based Services

El problema más grande que existe en la generación y saturación del tráfico radica en los cuellos de botella. Sin embargo, la mayoría de los enfoques toma a los cuellos de botella como puntos fijos en el espacio (en una ciudad por ejemplo) y estos no varían. En este artículo se plantea la definición de cuellos de botella espacio-temporales que toman en cuenta tanto lugares como horas para definir los puntos en donde se produce y concentra la carga vehicular.

El modelo presentado consta en identificar los puntos espacio-temporales donde se sitúan los cuellos de botella dentro de una ciudad utilizando minería de datos. El diagrama del modelo propuesto se encuentra en la siguiente figura:

El proceso principal se divide en las siguientes tres fases:

• Fase 1: Esta fase se encarga primero de recolectar los datos y limpiarlos para lograr resumirlos en dominios de espacio y tiempo. Debido a la granularidad del problema es imposible tomar a cada elemento como un objeto para ciertos estudios por lo que se agrupan en zonas y es la labor de esta fase llevarlo a cabo mediante el algoritmo desarrollado.
• Fase 2: En base a los datos obtenidos en la fase 1 y las áreas de la fase 2, se procede a encontrar los siguientes patrones y elementos:
  • COI (Congested Object Item): Indica donde y cuando un objeto de la red se encuentra en un estado de congestión.
  • CDP (Congestion Drop Pattern): Calcula la diferencia de congestion significativa entre un elemento de la red y los objetos que se encuentran río abajo (downstream) de él.
  • IDP (Intesection Delay Pattern): Retraso entre dos enlaces consecutivos causado principalmente por los retrasos de señalización y por las colas.
  • CPP (Congestion Propagation Pattern): Indica la causa fuente para una relación entre dos áreas espacio-temporales congestionadas.
  • DCP (Demand Conflict Pattern): Se construye entre CPP e IDP. Estudia que si existen dos o más CPPs, se pueden encontrar varios cuellos de botellas en el espacio entre ambos.
• Fase 3: Se aplican las siguientes tres heurísticas para el descubrimiento de cuellos de botella espacio-temporales:
  • CPH (Congestion-Propagation Heuristic): Busca encontrar una relación entre las áreas de congestión. En general si un área de congestión se encuentra en la parte de condiciones de varias reglas encontradas por el algoritmo, entonces se puede poner al área como una causa raíz de la congestión.
  • CCH (Congestion-Converge Heuristic): A diferencia de la anterior esta considera que las áreas de congestión se encuentren en la parte de acción de las reglas, entonces se asume que contiene varios cuellos de botella.
  • CDH (Congestion-Drop Heuristic): La idea principal de esta heurística consta en que si el estado de congestión de un objeto disminuye o desaparece después de que el flujo de tráfico pasa a través de él, entonces puede ser considerado como un cuello de botella.

Los experimentos fueron hechos en la ciudad de Taipei en Taiwan dando como resultado el mapa de la siguiente figura:

En conclusión se logró una precisión del 79.6% al encontrar los cuellos de botella durante los días laborales y una del 72.1% en fines de semana.

Lee, W.-H., Tseng, S.-S., Shieh, J.-L., & Chen, H.-H. (2011). Discovering Traffic Bottlenecks in an Urban Network by Spatiotemporal Data Mining on Location-Based Services. IEEE Transactions on Intelligent Transportation Systems, 12(4), 1047-1056. doi:10.1109/TITS.2011.2144586