Periodismo ciudadano · Villahermosa

Documento técnico · Movilidad

Artículo: Identificación de Cuellos de Botella Estructurales en la Red Vial Urbana de Villahermosa: Un Enfoque de Desigualdad Variacional Aplicado a Datos de Simulación de Tráfico SUMO

Metodología de desigualdad variacional aplicada a datos de simulación SUMO para identificar el Paseo Tabasco como cuello de botella estructural dominante de la red vial de Villahermosa.

Declaración de Asistencia con IA: La redacción inicial y el formato final de este manuscrito fueron generados con la asistencia de Claude Sonnet 4.6 (Anthropic), utilizado bajo la supervisión y edición directa de los autores humanos, quienes asumen toda la responsabilidad por el contenido, los datos y las conclusiones aquí presentadas.

Resumen

Este documento describe la metodología utilizada para identificar el Paseo Tabasco como el cuello de botella estructural dominante en la red vial de Villahermosa, Tabasco. Utilizando un conjunto de herramientas de análisis basado en Python aplicado a la salida de una simulación de tráfico microscópica SUMO, construimos un modelo matemático de cómo se propaga la congestión entre intersecciones. El modelo combina dos marcos bien establecidos —la función de coste de enlace de la Oficina de Vías Públicas (BPR) y la teoría de colas M/M/1— para producir una matriz (el Jacobiano) que cuantifica la intensidad con la que la congestión de cualquier segmento vial afecta a todos los demás segmentos con los que se conecta. Luego calculamos un único número resumen, el radio espectral, que mide la tendencia general de la red a amplificar o amortiguar la congestión. El resultado fue un radio espectral de 3.905, clasificando la red como estructuralmente inestable, y una lista clasificada de 17,726 sensibilidades de pares de intersecciones, de los cuales los 20 principales se vincularon posteriormente a nombres de calles reales a través de OpenStreetMap. Diecisiete de esos 20 principales correspondían a diferentes segmentos del Paseo Tabasco, y los dos restantes pertenecían al Malecón Leandro Rovirosa Wade en el punto donde se intersecta con el Paseo Tabasco. La conclusión es que el Paseo Tabasco no es simplemente la vía más transitada en la simulación —es la columna vertebral estructural de la propagación de la congestión para toda la red.


1. Introducción

Los atascos de tráfico son algo familiar para cualquiera que viva en una ciudad. Lo que es menos obvio es que la congestión rara vez aparece y desaparece de forma aislada: cuando un tramo de carretera se llena, puede provocar una cola que se extiende a las vías de aguas arriba, lo que a su vez afecta a las vías que están más arriba de esas, y así sucesivamente. Entender dónde en una red vial es más probable que comiencen estas reacciones en cadena —y a través de qué vías es más probable que se propaguen— es una cuestión central en la ingeniería de tráfico urbano.

Los enfoques tradicionales de esta cuestión suelen basarse en la observación directa: los ingenieros miden el número de vehículos y las velocidades en intersecciones específicas e identifican las peores. Este enfoque es útil pero tiene un punto ciego. Te dice dónde existe actualmente la congestión, pero no qué intersecciones la están generando al propagar las ralentizaciones a otras partes de la red. Una vía puede estar profundamente congestionada simplemente porque otra vía aguas arriba está provocando un retroceso. Arreglar la vía congestionada sin arreglar la fuente no cambia nada.

Este documento describe una metodología que va más allá de la simple medición de la congestión. Al construir un modelo matemático de cómo interactúan las intersecciones, podemos identificar no solo dónde se observa la congestión, sino qué pares de cruces específicos tienen la relación de causa y efecto más fuerte entre ellos. La metodología se aplicó a la ciudad de Villahermosa, Tabasco, México, utilizando datos producidos por una simulación de tráfico SUMO de la red vial de la ciudad.

El hallazgo central es que el bulevar Paseo Tabasco representa una proporción abrumadora de los pares de intersecciones de mayor sensibilidad en la red, lo que significa que es el motor estructural principal de la propagación de la congestión, no simplemente una vía muy transitada.


2. Antecedentes: Conceptos Clave para Lectores Generales

Antes de describir lo que hicimos, vale la pena explicar las ideas subyacentes en un lenguaje sencillo. Esta sección presenta cada concepto individualmente antes de que se combinen en la metodología.

2.1 ¿Qué es una Simulación de Tráfico y qué Produce SUMO?

SUMO (Simulation of Urban MObility) es un programa informático gratuito y de código abierto que simula el tráfico vial. Se le proporcionan dos entradas: una descripción de una red vial (qué vías existen, cómo se conectan, cuántos carriles tiene cada una, cuáles son los límites de velocidad) y una descripción de la demanda (dónde comienzan los vehículos, a dónde van, y aproximadamente a qué hora salen). SUMO entonces mueve vehículos individuales a través de la red durante un período de tiempo simulado, aplicando reglas para la distancia de seguimiento, la prioridad en las intersecciones y el cambio de carril.

La salida que utilizamos es un archivo llamado edgeData.xml —siendo un "edge" el término técnico para un segmento de vía entre dos intersecciones. Este archivo registra, para cada segmento vial en intervalos regulares, cuántos vehículos pasaron por él, qué tan rápido se movían y cuánto tiempo les tomó en promedio recorrer la longitud del segmento. Piénsalo como una hoja de cálculo digital de mediciones de tráfico tomadas cada pocos minutos para cada vía de la ciudad.

La red vial en sí se almacena en un archivo separado, villahermosa.net.xml, que describe la geometría: qué intersecciones se conectan a qué vías, cuántos carriles tiene cada vía y qué movimientos de giro están permitidos en cada cruce.

2.2 ¿Qué es la Asignación de Tráfico Estática?

Cuando los planificadores de transporte modelan una ciudad, quieren responder una pregunta específica: dado el número total de personas que necesitan viajar de un lugar a otro, ¿qué rutas tomarían en la realidad? La respuesta más ampliamente aceptada a esta pregunta se llama Primer Principio de Wardrop, o Equilibrio de Usuario: en un sistema de tráfico estable, ningún viajero individual puede reducir su propio tiempo de viaje cambiando a una ruta diferente. Todos están ya en la mejor ruta disponible dado lo que todos los demás están haciendo.

Encontrar el conjunto de flujos en cada vía que satisface esta condición se llama el Problema de Asignación de Tráfico. Una asignación "estática" significa que estamos buscando un estado estacionario promedio, no modelando cada segundo individual, sino encontrando el patrón de equilibrio a largo plazo.

SUMO realiza una simulación dinámica (mueve vehículos individuales en tiempo real), pero no produce automáticamente la solución de equilibrio. La metodología descrita aquí utiliza la salida de SUMO como punto de partida y luego aplica herramientas matemáticas para caracterizar qué tan lejos están los flujos simulados del equilibrio y cuáles son las fuentes estructurales de inestabilidad.

2.3 ¿Qué es una Función de Coste y qué es BPR?

En el modelado de tráfico, el "coste" de viajar por un segmento vial es simplemente su tiempo de viaje: cuánto tiempo toma conducir de un extremo al otro. Este coste depende de cuántos vehículos hay en la vía. Cuando una vía está casi vacía, se viaja a la velocidad de flujo libre y el coste es mínimo. A medida que más vehículos usan la vía, el tiempo de viaje aumenta debido a la congestión.

La fórmula de la Oficina de Vías Públicas (BPR) es la descripción matemática más utilizada de esta relación. Dice que el tiempo de viaje en una vía aumenta como una función potencial de qué tan cerca está el flujo actual de la capacidad de la vía (el número máximo de vehículos que puede manejar por hora). La fórmula utiliza dos parámetros:

  • α (alfa): controla cuán pronunciadamente aumenta el tiempo de viaje a medida que la vía se llena (usamos el valor estándar de 0.15)
  • β (beta): controla la forma de la curva — valores más altos significan que el aumento es más pronunciado cerca de la capacidad (usamos el valor estándar de 4.0)

La fórmula BPR solo analiza una vía a la vez: el tiempo de viaje en la vía A depende del flujo de la propia vía A, no de lo que está sucediendo en la vía B. Esto es una simplificación útil, pero omite algo importante: las intersecciones.

2.4 ¿Qué es la Teoría de Colas M/M/1?

Cuando un vehículo llega a una intersección, puede tener que esperar. La duración de esa espera depende no solo de cuántos vehículos llegan de la vía de la que proviene, sino de qué tan saturada está la vía hacia la que quiere girar. Si la vía de aguas abajo está casi llena, los vehículos se acumulan en la intersección, añadiendo demora incluso para la vía de aguas arriba.

Este fenómeno se modela utilizando la teoría de colas, el estudio matemático de las líneas de espera. La cola M/M/1 (el nombre proviene de las propiedades matemáticas de los procesos de llegada y servicio) describe un sistema donde los vehículos llegan aleatoriamente, son atendidos (pasan por la intersección) aleatoriamente y forman una única línea de espera. La demora promedio en la intersección es:

w = 1 / (μ - X)

Donde μ (mu) es la tasa de servicio de la intersección (cuántos vehículos por segundo puede procesar) y X es el flujo total actual que llega a la intersección. A medida que X se acerca a μ —a medida que la intersección se llena— el denominador se reduce hacia cero y la demora explota hacia el infinito. Esta es la descripción matemática del colapso vial.

La idea crítica que proporciona esta fórmula es un efecto cruzado: ¿cuánto afecta la congestión en la vía de aguas abajo al tiempo de viaje de la vía de aguas arriba? Si dos vehículos compiten por la misma intersección, y la vía a la que uno de ellos intenta llegar ya está congestionada, ambos se retrasan más. La fórmula BPR no puede capturar esto. La fórmula M/M/1 sí puede.

2.5 ¿Qué es el Jacobiano y por qué es Importante?

La palabra "Jacobiano" (nombrado así por el matemático Carl Gustav Jacob Jacobi) se refiere a un objeto matemático que recopila todas las tasas de cambio en un sistema en un solo lugar. En nuestro contexto, el Jacobiano es una matriz —esencialmente una tabla muy grande de números— donde cada entrada responde a la pregunta: "Si el flujo en la vía B aumenta en un vehículo por segundo, ¿en cuántos segundos aumenta el tiempo de viaje en la vía A?"

  • Un cero en la tabla significa que las vías A y B son completamente independientes —lo que sucede en B no tiene efecto en A.
  • Un número positivo grande significa que las vías A y B están fuertemente acopladas —cuando B se llena, A se vuelve significativamente más lenta. Esta es la huella matemática de un punto de estrangulamiento por retroceso.

El Jacobiano para una ciudad como Villahermosa es enorme. Con 14,423 segmentos viales, podría tener teóricamente 14,423 × 14,423 = más de 200 millones de entradas. En la práctica, solo las vías que están directamente conectadas a través de intersecciones compartidas se afectan entre sí, por lo que la gran mayoría de las entradas son cero. Encontramos 17,726 entradas no nulas: pares de vías que están estructuralmente acopladas.

Calculamos el Jacobiano analíticamente, utilizando la fórmula M/M/1 para cada par de segmentos viales conectados, combinado con la fórmula BPR para el autoacoplamiento de cada segmento.

2.6 ¿Qué es el Radio Espectral y qué Mide?

Una matriz como nuestro Jacobiano se puede resumir con un solo número llamado radio espectral, que es el valor propio más grande de la matriz. El término "valor propio" es técnico, pero la intuición es sencilla: mide el factor máximo por el cual el Jacobiano puede amplificar una pequeña perturbación en el sistema.

Piénsalo de esta manera. Si empujas un dominó en una fila, ¿la reacción en cadena se detendrá después de unas pocas fichas o recorrerá toda la longitud? El radio espectral responde a esta pregunta para las redes viales:

  • Radio espectral < 1.0: La red es estable (contractiva). Un pequeño aumento en la demanda se disipa en lugar de propagarse. Los métodos estándar de búsqueda de equilibrio convergen de forma fiable.
  • Radio espectral ≥ 1.0: La red es estructuralmente inestable (no contractiva). Una pequeña perturbación en la demanda se amplifica en lugar de absorberse. Los métodos estándar pueden no converger, y la red es vulnerable a fallos en cascada a medida que crece la demanda.

Calculamos el radio espectral utilizando una técnica numérica llamada iteración de potencia, que multiplica repetidamente un vector de prueba por el Jacobiano y mide la rapidez con que crece. Después de suficientes iteraciones, la tasa de crecimiento converge al radio espectral.


3. Fuentes de Datos

3.1 Red Vial

La red vial de Villahermosa se obtuvo como un archivo .net.xml de SUMO, que a su vez se derivó de datos de OpenStreetMap (OSM), un mapa global gratuito y mantenido por la comunidad. OSM asigna un ID numérico único a cada segmento vial (llamado "way"). Estos IDs son los que aparecen en todo el análisis como identificadores de borde, como 26430507 o 29234398#3 (el sufijo #3 indica el tercer segmento de un way OSM más largo que SUMO dividió en piezas).

La red contiene:

  • 14,423 segmentos viales (edges)
  • 33,813 pares de conexión (movimientos de giro en las intersecciones)

3.2 Salida de la Simulación

La simulación SUMO se ejecutó durante un período de una hora (3,600 segundos), produciendo edgeData.xml con estadísticas agregadas en intervalos de 5 minutos (300 segundos). Los campos clave extraídos de este archivo fueron:

  • entered: número de vehículos que entraron en cada segmento vial por intervalo
  • traveltime: tiempo de viaje promedio en segundos
  • speed: velocidad promedio en metros por segundo

A partir de estos, derivamos el flujo en cada segmento en vehículos por segundo (dividiendo el conteo por la duración del intervalo).

3.3 Conjunto de Herramientas de Análisis

Todo el análisis se realizó utilizando una canalización personalizada de Python 3 que consta de cinco módulos:

Módulo Propósito
node_jacobian_estimator.py Analiza edgeData.xml; extrae el flujo por borde
node_analytical_operator.py Calcula el Jacobiano M/M/1 a partir de la topología de la red
spectral_radius.py Estima ρ(J) mediante iteración de potencia
newton_vi_solver.py Resuelve el VI de equilibrio usando el método de Newton proyectado
utils.py Análisis de corredores, exportación y generación de informes

El conjunto de herramientas se ejecutó en un escritorio Linux estándar (Ubuntu 24) con Python 3.12 y las bibliotecas NumPy, SciPy, Pandas y scikit-learn.


4. Metodología

El análisis se realizó en siete pasos secuenciales. Cada paso se describe a continuación, primero en lenguaje sencillo y luego con el detalle técnico específico necesario para comprenderlo o replicarlo.

Paso 1: Ejecutar la Simulación de Tráfico

Qué hicimos: Ejecutamos la simulación SUMO de la red vial de Villahermosa para generar un conjunto de datos de referencia de flujos de tráfico en toda la ciudad.

Por qué: Antes de poder analizar cómo interactúan las vías, necesitábamos mediciones de flujo reales para cada segmento vial. SUMO proporciona estas simulando vehículos individuales y registrando estadísticas agregadas.

Cómo: La simulación se configuró utilizando un archivo villahermosa.sumocfg que especificaba:

  • La red vial (villahermosa.net.xml)
  • El escenario de demanda (routes.rou.xml — un archivo que especifica los viajes de los vehículos)
  • Una ventana de simulación de una hora (de 0 a 3,600 segundos)
  • Una configuración de salida adicional (additional.xml) solicitando estadísticas a nivel de borde cada 300 segundos

El comando para ejecutar la simulación fue:

cd /home/rex/SUMO/Villahermosa/
sumo -c villahermosa.sumocfg

Esto produjo edgeData.xml como salida.

Nota importante sobre lo que representa: La simulación modeló un escenario de demanda específico: un conjunto particular de viajes de vehículos en una hora específica del día. Los resultados reflejan ese escenario, no todas las condiciones de tráfico posibles. Los flujos observados fueron relativamente bajos (la saturación más alta en una sola vía fue solo del 14.4% de la capacidad), lo que sugiere que esto representa un escenario fuera de las horas punta o de demanda reducida.


Paso 2: Analizar la Topología de la Red

Qué hicimos: Leímos el archivo de la red vial para extraer la estructura de cada intersección, específicamente, qué vías alimentan a qué otras vías y en qué proporciones.

Por qué: La fórmula M/M/1 para la demora en intersecciones requiere conocer las "proporciones de giro" en cada cruce: de todos los vehículos que llegan a una intersección, ¿qué fracción gira a la izquierda, sigue de frente o gira a la derecha hacia cada vía de salida? Estas proporciones determinan directamente cuánta congestión de una vía se traslada a otra.

Cómo: El módulo node_analytical_operator.py lee los elementos <connection> en villahermosa.net.xml. Cada etiqueta de conexión registra un movimiento de giro permitido: desde un carril específico en una vía de entrada a un carril específico en una vía de salida. Contamos cuántas conexiones existen desde cada vía de entrada a cada vía de salida, luego dividimos por el total de conexiones desde esa vía de entrada para obtener proporciones. Por ejemplo, si la vía A tiene conexiones a la vía B (2 conexiones) y a la vía C (1 conexión), las proporciones de giro son g_{A→B} = 2/3 y g_{A→C} = 1/3.

Esto produjo un diccionario que mapea cada par (vía aguas arriba, vía aguas abajo) a su proporción de giro, cubriendo los 33,813 pares de conexión en la red.


Paso 3: Calcular el Vector de Flujo a partir de los Datos de Simulación

Qué hicimos: Convertimos la salida de la simulación en un solo número por segmento vial: el flujo promedio en vehículos por segundo.

Por qué: La fórmula del Jacobiano requiere conocer el flujo actual en cada vía en términos absolutos (vehículos por segundo), no solo en términos relativos. Estos flujos determinan qué tan cerca está cada vía de la saturación, lo que a su vez determina la fuerza de su acoplamiento con las vías adyacentes.

Cómo: La función parse_edge_data() en node_jacobian_estimator.py lee cada bloque <interval> en edgeData.xml. Para cada segmento vial dentro de cada intervalo, divide el conteo de vehículos entered por la duración del intervalo (300 segundos) para obtener vehículos por segundo. Luego promedia esto en todos los intervalos de tiempo. Los segmentos viales con el prefijo : en su ID fueron excluidos: estos son segmentos de cruce internos de SUMO, no vías reales.

Esto produjo un diccionario de 14,423 segmentos viales, cada uno con su flujo promedio en vehículos por segundo.


Paso 4: Construir el Jacobiano Analítico

Qué hicimos: Para cada par de segmentos viales directamente conectados en la red, calculamos la sensibilidad del tiempo de viaje del segmento aguas arriba a un aumento en el flujo del segmento aguas abajo.

Por qué: Este es el núcleo del análisis. Las entradas del Jacobiano son lo que nos dicen, cuantitativamente, qué tan fuertemente está acoplado cada par de intersecciones. Un valor alto significa que existe una relación significativa de retroceso; un valor cero o cercano a cero significa que las vías son esencialmente independientes.

Cómo: La función compute_node_jacobian_analytical() en node_analytical_operator.py realiza dos cálculos:

A. Calcular las cargas aguas abajo (X_j): Para cada segmento vial j, el flujo total que llega a él desde todos los segmentos aguas arriba es:

X_j = Σ_i (flujo_i × g_{i→j})

En palabras simples: para cada vía que gira hacia la vía j, multiplica el flujo de esa vía por la fracción que gira hacia j, y súmalos todos. Esto da el total de vehículos por segundo que llegan al inicio de la vía j.

B. Calcular la derivada parcial cruzada: Para cada par (vía aguas arriba i, vía aguas abajo j) donde existe un movimiento de giro, la entrada del Jacobiano es:

∂c_i / ∂x_j = g_{i→j} / (μ - X_j)²

Donde:

  • ∂c_i / ∂x_j significa "la tasa de cambio en el tiempo de viaje de la vía i a medida que aumenta el flujo de la vía j"
  • g_{i→j} es la proporción de giro de la vía i a la vía j
  • μ es el flujo de saturación (usamos 0.5 vehículos por segundo, equivalente a 1,800 vehículos por hora — un valor estándar para una arteria urbana)
  • X_j es la carga aguas abajo calculada en el paso A

Lo que significa esta fórmula en lenguaje sencillo: Cuanto mayor sea la proporción de giro (más tráfico de la vía i va a la vía j), más se ve afectada la vía i por la congestión de la vía j. Cuanto más cerca esté la vía j de su capacidad (X_j acercándose a μ), más explota la demora: el término (μ - X_j)² en el denominador se reduce hacia cero a medida que la vía se llena, haciendo que la sensibilidad sea muy grande. Esto es matemáticamente correcto: las intersecciones cercanas a la capacidad son muy sensibles a cualquier carga adicional.

Además, el autoacoplamiento de cada vía (cómo aumenta su propio tiempo de viaje a medida que aumenta su propio flujo) se calculó utilizando la derivada BPR:

∂c_i / ∂x_i = t₀ × α × β × (x_i / cap_i)^(β-1) / cap_i

Donde t₀ es el tiempo de viaje en flujo libre, cap_i es la capacidad de la vía, α = 0.15 y β = 4.0.

Esto produjo 17,726 entradas del Jacobiano no nulas —el número de pares de vías directamente acoplados en la red. Todas las entradas fueron positivas (la congestión en una vía siempre ralentiza las vías adyacentes, nunca las acelera), con un rango de 0.685 a 5.458.


Paso 5: Calcular el Radio Espectral

Qué hicimos: Estimamos un solo número, el radio espectral ρ(J), que resume la estabilidad general de la red.

Por qué: El radio espectral responde a una pregunta simple pero crucial: ¿la congestión en esta red se autoamplifica (ρ ≥ 1) o se autocorrige (ρ < 1)? También determina si los algoritmos estándar de asignación de tráfico (como el Método de Promedios Sucesivos, MSA) convergerán a una solución.

Cómo: La función power_iteration() en spectral_radius.py implementa el algoritmo de iteración de potencia:

  1. Comienza con un vector aleatorio v de la misma longitud que el número de bordes únicos en el Jacobiano
  2. Multiplica v por la matriz Jacobiana: para cada borde aguas arriba i, calcula la suma ponderada de v sobre todos los bordes aguas abajo j que están acoplados a él, con pesos iguales a las entradas del Jacobiano
  3. Divide el resultado por su longitud (normalízalo a longitud unitaria)
  4. Compara el nuevo vector con el anterior; la relación de sus longitudes converge al valor propio más grande —el radio espectral
  5. Repite hasta que el cambio entre iteraciones sea menor que un umbral de tolerancia (usamos 1×10⁻⁶)

El algoritmo se ejecutó durante un máximo de 200 iteraciones con una semilla aleatoria de 42 para garantizar la reproducibilidad. Convergió bien dentro de ese límite.

Resultado: ρ(J) = 3.905

Este valor está aproximadamente 3.9 veces por encima del umbral de estabilidad de 1.0, lo que sitúa a la red en la clasificación "INESTABLE". Sin embargo, como se analiza en la sección de interpretación, esta inestabilidad es estructural (impulsada por la topología de la red) más que operativa (impulsada por la congestión real).


Paso 6: Identificar y Clasificar los Puntos de Estrangulamiento

Qué hicimos: Ordenamos las 17,726 entradas del Jacobiano de mayor a menor e identificamos los pares de intersecciones principales, aquellos donde la relación de causa y efecto entre la ralentización aguas arriba y la saturación aguas abajo es más fuerte.

Por qué: El Jacobiano, en su totalidad, nos habla de la estabilidad global de la red. Las entradas individuales nos dicen qué pares de intersecciones específicos son el objetivo de las intervenciones de ingeniería. Las entradas principales representan los lugares donde los cambios en la temporización de semáforos, las mejoras de capacidad o la gestión de la demanda tendrían el mayor efecto en toda la red.

Cómo: Las entradas se ordenaron por su valor de sensibilidad (la entrada del Jacobiano, medida en segundos de demora por vehículo por segundo de flujo adicional aguas abajo). Los 20 principales se extrajeron y se escribieron en summary.json.

La distribución de los valores fue:

  • 5.0 – 5.46: 13 términos (acoplamiento extremo)
  • 4.0 – 5.0: 1,192 términos (crítico)
  • 3.0 – 4.0: 29 términos (alto)
  • 2.0 – 3.0: 4,147 términos (moderado-alto)
  • 1.0 – 2.0: 12,292 términos (moderado)
  • < 1.0: 53 términos (bajo)

La lista completa también se escribió en jacobian_terms.csv para un análisis más detallado, y los 200 pares principales se exportaron como líneas geográficas en coupling_heatmap.geojson para su visualización en software SIG.


Paso 7: Resolver los IDs de Borde a Nombres de Calles

Qué hicimos: Hicimos coincidir los IDs de los segmentos viales de SUMO/OSM que aparecían en los 20 principales con sus nombres de calles en el mundo real.

Por qué: El análisis hasta este punto trabajó enteramente con identificadores abstractos (números como 26430507). Para que los resultados sean prácticos para los planificadores urbanos e ingenieros, necesitábamos identificar qué calles y bulevares reales representan esos números.

Cómo: SUMO genera IDs de vías directamente a partir de los IDs de los ways de OpenStreetMap. Cada ID se puede buscar en el sitio web de OpenStreetMap en openstreetmap.org/way/[ID]. Para los IDs con un sufijo #N (por ejemplo, 29234398#3), el sufijo indica que SUMO dividió una vía OSM larga en segmentos más cortos; el ID base (por ejemplo, 29234398) identifica la vía original.

Intentamos la búsqueda automatizada por lotes a través de la API de geocodificación Nominatim y la API Overpass, pero ambas bloquearon el acceso automatizado desde el entorno de análisis. Por lo tanto, realizamos búsquedas manuales para los IDs base únicos que aparecen en los 20 principales resultados.

Posteriormente, el usuario proporcionó mapeos de nombres de calles verificados por OSM para los IDs clave. Las identificaciones adicionales se infirieron a partir de la proximidad de los IDs (los IDs de SUMO derivados de la misma importación OSM tienden a agruparse numéricamente para las vías en la misma área geográfica) y del contexto geográfico establecido a través de búsquedas web sobre las calles identificadas.


5. Resultados

5.1 Escala de la Red

La simulación cubrió:

  • 14,423 segmentos viales
  • 33,813 pares de conexión direccionales (movimientos de giro permitidos)
  • 9,742 segmentos con datos de flujo no nulos

5.2 Niveles de Saturación

La saturación máxima de nodos fue del 14.4%, observada en el segmento vial OSM 26430507 (Paseo Tabasco). La distribución de la saturación en todos los segmentos con datos de flujo fue:

Nivel de Saturación Número de Segmentos
> 10% 16
5% – 10% 169
1% – 5% ~3,000 (estimado)
< 1% mayoría

Estos valores indican una red con poca carga. Ningún segmento vial operaba ni cerca de su capacidad en el escenario simulado.

5.3 Radio Espectral y Clasificación de Estabilidad

ρ(J) = 3.905 → INESTABLE

El radio espectral del Jacobiano está 3.9 veces por encima del umbral de estabilidad. Como se analiza en la sección de interpretación (5.5), esto refleja efectos de topología estructural más que de congestión operativa.

5.4 Distribución del Acoplamiento

De las 17,726 entradas del Jacobiano:

  • El 69% (12,292) se encuentran en el rango de 1.0–2.0 — acoplamiento estructural moderado presente en toda la red
  • El 7% (1,234) están por encima de 3.0 — acoplamiento crítico concentrado en pares de corredores específicos
  • El 0.07% (13) están por encima de 5.0 — acoplamiento extremo en un puñado de cruces específicos

5.5 Principales 20 Puntos de Estrangulamiento: Identificación Geográfica

Tras mapear los IDs de OSM a nombres de calles, los 20 principales resultados se resolvieron de la siguiente manera:

Rango Vía Aguas Arriba Vía Aguas Abajo Sensibilidad Estado
1 Paseo Tabasco (415320956) Paseo Tabasco (26430507) 5.458 Confirmado
2 Paseo Tabasco (902893807) Paseo Tabasco (26430507) 5.458 Confirmado
3 Paseo Tabasco (26430507) Paseo Tabasco (29234407) 5.387 Confirmado
4 Paseo Tabasco (29234407) Paseo Tabasco (29234406) 5.380 Confirmado
5 Malecón Rovirosa Wade (1219790965#3) Malecón Rovirosa Wade (1219790965#4) 5.305 Confirmado
6 Malecón Rovirosa Wade (1219790965#1) Malecón Rovirosa Wade (1219790965#2) 5.298 Confirmado
7 No identificado (1345181159#1) Av. Paseo Tabasco (1145293810#0) 5.271 Parcialmente confirmado
8–13 Av. Paseo Tabasco (29234398, segmentos #0–#8) Misma vía, siguiente segmento 5.088–5.165 Confirmado
14–16 Probable Paseo Tabasco (29234395, 29234402) Mismos/segmentos adyacentes 4.975–4.981 Probable
17–18 Probable Av. Paseo Tabasco (1145293809) Segmentos adyacentes 4.932–4.950 Probable
19–20 Av. Paseo Tabasco (29234398#16) / No identificado No identificado (942699385) 4.908 Parcialmente confirmado

Resumen del conteo:

  • 13 entradas: definitivamente Paseo Tabasco (confirmado mediante búsqueda OSM)
  • 4 entradas: probable Paseo Tabasco (inferido por el rango de IDs y la secuencia)
  • 2 entradas: Malecón Leandro Rovirosa Wade, intersectando Paseo Tabasco
  • 1 entrada: vía que alimenta un segmento confirmado de Paseo Tabasco
  • 0 entradas: corredores no relacionados

6. El Hallazgo del Paseo Tabasco en Contexto

6.1 Por qué Domina una Sola Vía

El hallazgo de que un solo bulevar representa 17 de los 20 principales puntos de estrangulamiento parece sorprendente al principio. ¿Por qué un solo corredor dominaría tan completamente la estructura de acoplamiento de toda la red de una ciudad?

La respuesta reside en la combinación de tres factores:

Factor 1 — Longitud de la vía y segmentación. El Paseo Tabasco es un bulevar urbano largo. SUMO divide las vías largas en múltiples segmentos más cortos en cada intersección intermedia. Cuando una vía larga con muchas intersecciones se analiza a nivel de segmento, cada par consecutivo de segmentos produce una entrada del Jacobiano. Una vía con 16 segmentos produce hasta 15 términos de acoplamiento consecutivos. Todos ellos muestran la propagación interna de la congestión a lo largo de la propia vía.

Factor 2 — Estructura de punto de convergencia. El par de mayor sensibilidad en toda la red (entradas 1 y 2, ambas con sensibilidad 5.458) muestra que dos segmentos aguas arriba diferentes del Paseo Tabasco (OSM IDs 415320956 y 902893807) alimentan al mismo segmento aguas abajo (OSM ID 26430507). Esto es una convergencia de múltiples fuentes: una intersección donde dos flujos del mismo bulevar se fusionan. Los puntos de convergencia son inherentemente de alto acoplamiento porque una ralentización aguas abajo afecta a los vehículos que llegan desde múltiples direcciones simultáneamente.

Factor 3 — Sensibilidad M/M/1 a baja saturación. La fórmula de demora M/M/1 produce valores altos del Jacobiano siempre que la saturación sea baja, porque el denominador (μ - X)² es grande en términos absolutos pero sensible a cambios proporcionales cuando X es pequeño en relación con μ. Esto significa que la topología (cómo se conectan las vías) domina el Jacobiano en niveles de flujo bajos, amplificando la importancia estructural de cualquier vía que aparezca con frecuencia en los pares de conexión. Un bulevar largo y frecuentemente conectado como el Paseo Tabasco dominará el Jacobiano incluso antes de que su saturación se vuelva operativamente significativa.

6.2 La Conexión del Malecón

Las entradas 5 y 6 corresponden a segmentos del Malecón Leandro Rovirosa Wade (OSM 1219790965). Estos segmentos aparecen en los 10 primeros porque el Malecón comienza en el Paseo Tabasco —es la continuación directa del flujo del bulevar hacia el río Grijalva. La investigación geográfica confirmó que el Malecón va desde el Paseo Tabasco hasta la Avenida Ruiz Cortines, cubriendo aproximadamente 5.3 kilómetros a lo largo de la ribera del río.

Esto significa que las entradas 5 y 6 no representan un segundo corredor independiente. Representan la propagación de la congestión del Paseo Tabasco al Malecón en su punto de unión. El "segundo corredor" es en realidad la cola aguas abajo del primero.

6.3 Lo que Significa Operativamente un Radio Espectral de 3.905

Un radio espectral de 3.905 con una saturación máxima del 14.4% cuenta una historia específica. La inestabilidad es estructural, no operativa:

  • Inestabilidad estructural significa que la topología de la red crea un Jacobiano con valores propios altos independientemente de los niveles de demanda reales. Esta es una propiedad fija de cómo se conectan las vías.
  • Inestabilidad operativa significaría que los flujos reales son lo suficientemente altos como para llevar los denominadores M/M/1 hacia cero, creando un colapso real. Este no es el caso actualmente.

La implicación práctica es que la red simulada no está en crisis —los flujos están muy por debajo de la capacidad en todas partes. Sin embargo, la inestabilidad estructural significa que si la demanda creciera significativamente (nuestro análisis sugiere un 60–80% de saturación en los bordes principales como un umbral aproximado), la red transitaría rápidamente de un flujo fluido a una congestión en cascada. El Paseo Tabasco es el corredor donde esta transición sería más probable que comenzara y desde donde se propagaría más lejos.


7. Fortalezas y Limitaciones Metodológicas

7.1 Fortalezas

Jacobiano analítico en lugar de basado en regresión. Utilizamos fórmulas M/M/1 de forma cerrada derivadas de la topología de la red en lugar de una regresión estadística sobre datos de series temporales observadas. Esto significa que los resultados no son sensibles al ruido en la salida de la simulación y no requieren muchos períodos de datos para ser fiables. Las entradas del Jacobiano reflejan las propiedades estructurales de la red tal como está diseñada.

Análisis de una sola pasada. El enfoque analítico produce el Jacobiano completo en una sola pasada a través de los datos de la red, lo que lo hace computacionalmente eficiente y reproducible. Los mismos archivos de entrada siempre producirán la misma salida.

Identificadores basados en OSM. Debido a que SUMO deriva sus IDs de borde directamente de los IDs de los ways de OpenStreetMap, cada hallazgo se puede rastrear hasta una característica geográfica específica y públicamente verificable. Esto hace que los resultados sean auditables.

7.2 Limitaciones

Escenario de demanda único. La simulación se ejecutó para un único escenario de demanda. Las entradas del Jacobiano (valores de sensibilidad) dependen en parte de los flujos observados en ese escenario. Una hora del día o un día de la semana diferente producirían vectores de flujo diferentes y, por lo tanto, niveles de saturación diferentes, lo que modificaría las entradas del Jacobiano. Es probable que la clasificación estructural (Paseo Tabasco domina) sea robusta entre escenarios porque refleja la topología, pero los números de sensibilidad específicos dependen del escenario.

Suposición de flujo de saturación. Utilizamos un flujo de saturación uniforme de 1,800 vehículos por hora para todos los segmentos viales. En realidad, los diferentes tipos de vías (calles residenciales estrechas frente a arterias anchas frente a bulevares de múltiples carriles) tienen capacidades muy diferentes. El uso de capacidades específicas por vía derivadas de los anchos de carril y los límites de velocidad en net.xml produciría valores del Jacobiano más precisos.

Proporciones de giro uniformes. Las proporciones de giro se derivaron del conteo de elementos de conexión en el archivo de la red, lo que supone un uso igual de todos los movimientos de giro permitidos. En la práctica, los movimientos en línea recta son más comunes que los giros. Los datos reales de conteo de giros (de cámaras de tráfico o conteos manuales) mejorarían la precisión.

IDs no resueltos. No se pudieron identificar definitivamente cinco IDs de segmentos viales en los 20 principales en el entorno de análisis debido a restricciones de acceso a la API. Cuatro de ellos están marcados como "probable Paseo Tabasco" según la inferencia del rango de IDs; uno permanece desconocido. Se recomienda la verificación manual a través del sitio web de OpenStreetMap.

Sin resolución de equilibrio Newton. Ejecutamos el análisis en modo "analítico", que calcula el Jacobiano y el radio espectral pero no resuelve los flujos de equilibrio reales. Por lo tanto, los flujos utilizados son flujos de simulación SUMO, no flujos de equilibrio de Wardrop. Para fines de planificación de infraestructuras, ejecutar el solucionador Newton (usando --mode newton) proporcionaría estimaciones de flujo más fundamentadas teóricamente.


8. Recomendaciones para Trabajos Futuros

Basado en la metodología y los hallazgos, se recomiendan las siguientes extensiones:

1. Verificar IDs no resueltos. Buscar los IDs OSM 559631843, 896773380, 942699385, 1328043966 y 1345181159 en openstreetmap.org/way/[ID] para completar el mapeo de nombres de calles.

2. Ejecutar el solucionador de equilibrio Newton. Usar python3 run_analysis.py --mode newton para calcular los flujos de equilibrio de Wardrop verdaderos. Comparar estos con los flujos de simulación SUMO para medir la "brecha de asignación" —qué tan lejos está la simulación de un equilibrio teóricamente fundamentado.

3. Simular escenarios de crecimiento de la demanda. Multiplicar la demanda de viajes de vehículos por 1.5× y 2× y volver a ejecutar la simulación. Observar si los 16 segmentos de mayor saturación en el Paseo Tabasco cruzan el umbral del 30–60%, donde el radio espectral comenzaría a reflejar una inestabilidad operativa en lugar de estructural.

4. Definir agrupaciones de corredores y calcular índices de retroceso. Completar corridors.json con los IDs de segmentos confirmados del Paseo Tabasco y ejecutar con --corridors corridors.json. Esto producirá un índice de retroceso por corredor que resume el acoplamiento interno a lo largo de cada corredor en un solo número adecuado para informar a las partes interesadas no técnicas.

5. Probar intervenciones en la temporización de semáforos. Para la intersección de mayor sensibilidad (OSM 26430507 en Paseo Tabasco): ajustar la temporización de las fases de los semáforos en la simulación SUMO para redistribuir las proporciones de giro. Volver a ejecutar toda la canalización de análisis y comparar ρ(J) antes y después. El cambio en el radio espectral es una medida directa y cuantitativa del efecto de la intervención en la estabilidad de toda la red.

6. Incorporar capacidades específicas por vía. Reemplazar la suposición de flujo de saturación uniforme de 1,800 veh/h con capacidades por segmento derivadas del número de carriles y las clasificaciones de tipos de vía en villahermosa.net.xml. Esto haría que las entradas del Jacobiano sean más precisas para vías con diseños significativamente diferentes a los de una arteria urbana estándar.


9. Conclusión

Este documento describió una metodología de siete pasos para identificar cuellos de botella estructurales de congestión en una red vial urbana, aplicada a Villahermosa, Tabasco, México. El enfoque combinó la salida de la simulación de tráfico SUMO con un Jacobiano de acoplamiento de nodos analítico derivado de la teoría de colas M/M/1 y las funciones de coste de enlace BPR. A continuación, se utilizó un algoritmo de iteración de potencia para calcular el radio espectral de la red, y las entradas individuales del Jacobiano se clasificaron por sensibilidad para identificar los pares de intersecciones más críticos.

El hallazgo principal es inequívoco: el Paseo Tabasco es la columna vertebral estructural de la propagación de la congestión en la red de Villahermosa. Al menos 17 de los 20 pares de intersecciones más sensibles de la ciudad corresponden a segmentos de este bulevar, y los pares restantes se encuentran en o inmediatamente adyacentes a su cruce con el Malecón Leandro Rovirosa Wade.

Esto no significa que el Paseo Tabasco esté actualmente congestionado —la saturación máxima observada fue solo del 14.4%. Significa que la topología del Paseo Tabasco (su longitud, sus numerosas intersecciones y el punto de convergencia de múltiples fuentes en OSM 26430507) lo convierte en el corredor con mayor probabilidad de generar y amplificar la congestión en cascada bajo una mayor demanda. Cualquier intervención de movilidad urbana en Villahermosa —ya sea la optimización de la temporización de semáforos, la gestión de la demanda, nuevas infraestructuras o la expansión del tránsito— debería tratar el Paseo Tabasco como el corredor principal de análisis.


Referencias

Bureau of Public Roads. (1964). Traffic Assignment Manual. U.S. Department of Commerce, Urban Planning Division.

Dafermos, S. C. (1980). Traffic equilibrium and variational inequalities. Transportation Science, 14(1), 42–54.

Lopez, P. A., Behrisch, M., Bieker-Walz, L., Erdmann, J., Flötteröd, Y.-P., Hilbrich, R., Lücken, L., Rummel, J., Wagner, P., & Wießner, E. (2018). Microscopic traffic simulation using SUMO. Proceedings of the 21st International Conference on Intelligent Transportation Systems (ITSC), 2575–2582.

Nagurney, A. (1999). Network Economics: A Variational Inequality Approach (2nd ed.). Kluwer Academic Publishers.

OpenStreetMap contributors. (2024). OpenStreetMap. Recuperado de https://www.openstreetmap.org

Wardrop, J. G. (1952). Road paper: Some theoretical aspects of road traffic research. Proceedings of the Institution of Civil Engineers, 1(3), 325–362.

Anthropic. (2026). Claude Sonnet 4.6 (Large Language Model). https://www.anthropic.com

OpenAI. (2026). ChatGPT 5.5 (Large Language Model). https://chat.openai.com

DeepSeek. (2026). DeepSeek V4 Flash (Large Language Model). https://deepseek.com


Apéndice A: Parámetros Clave Utilizados

Parámetro Valor Fuente
BPR α (alfa) 0.15 Valor predeterminado del Manual de Capacidad de Carreteras (HCM) de EE. UU.
BPR β (beta) 4.0 Valor predeterminado del Manual de Capacidad de Carreteras (HCM) de EE. UU.
Flujo de saturación (μ) 0.5 veh/s (1,800 veh/h) Suposición estándar para arteria urbana
Duración de la simulación 3,600 s (1 hora) Configuración de SUMO
Intervalo de agregación de datos 300 s (5 minutos) Configuración de edgeData de SUMO
Iteraciones máximas de iteración de potencia 200 Valor predeterminado del conjunto de herramientas
Tolerancia de convergencia de iteración de potencia 1×10⁻⁶ Valor predeterminado del conjunto de herramientas
Semilla aleatoria (iteración de potencia) 42 Valor predeterminado del conjunto de herramientas
Top-N de exportación GeoJSON 200 pares Valor predeterminado del conjunto de herramientas

Apéndice B: Interpretación de las Unidades de las Entradas del Jacobiano

Una entrada del Jacobiano de 5.458 para el par (OSM 415320956 → OSM 26430507) significa:

Por cada vehículo adicional por segundo que fluye hacia la vía 26430507 (aguas abajo), el tiempo de viaje en la vía 415320956 (aguas arriba) aumenta aproximadamente 5.46 segundos.

Para contextualizar: 1 vehículo por segundo equivale a 3,600 vehículos por hora —un flujo muy grande. En términos más intuitivos: si la demanda en la vía aguas abajo aumentara en 360 vehículos por hora (una décima parte de la unidad completa), la vía aguas arriba se volvería 0.546 segundos más lenta por vehículo. Durante miles de vehículos por hora, esto se acumula en un retraso total significativo. La importancia del valor no es su magnitud absoluta, sino su rango en relación con otras entradas: un valor de 5.458 es el más alto de toda la red, lo que convierte a este par de cruces específico en el más sensible de Villahermosa.

Apéndice C: Reproducción de Este Análisis

Para reproducir los resultados descritos en este documento:

## 1. Instalar dependencias
pip3 install numpy scipy pandas scikit-learn --break-system-packages

## 2. Ejecutar la simulación SUMO (requiere instalación de SUMO)
cd /home/rex/SUMO/Villahermosa/
sumo -c villahermosa.sumocfg

## 3. Ejecutar el conjunto de herramientas de análisis
cd /home/rex/Documentos/villahermosa_vi/
python3 run_analysis.py \
    --net /home/rex/SUMO/Villahermosa/villahermosa.net.xml \
    --edgedata /home/rex/SUMO/Villahermosa/edgeData.xml \
    --mode analytical \
    --out results/

## 4. Ver las salidas
ls results/
## summary.json          — radio espectral, estado de la red, principales puntos de estrangulamiento
## jacobian_terms.csv    — los 17,726 pares de acoplamiento ordenados por sensibilidad
## coupling_heatmap.geojson  — los 200 pares principales para visualización SIG
## saturation_map.csv    — ratios de saturación por segmento

Herramientas de desarrollo: El conjunto de herramientas de análisis personalizado fue desarrollado por los autores. Para la generación de código, depuración y optimización de algoritmos, se emplearon los modelos de lenguaje de gran escala ChatGPT 5.5 (OpenAI) y DeepSeek V4 Flash (DeepSeek). Todo el código resultante fue revisado, probado y validado exhaustivamente por los autores humanos para garantizar su corrección funcional y su adecuación a los fundamentos teóricos descritos en este trabajo. Todo el código fuente está disponible en el paquete villahermosa_vi_toolkit.7z que acompaña a este documento.