Modelos de descubrimiento de Hot Routes : casos extremos, caracterización y muestras

Fecha Disponible

15-01-2026

Título

Modelos de descubrimiento de Hot Routes : casos extremos, caracterización y muestras

Colaborador

Ale, Juan María

Editor

Universidad de Buenos Aires. Facultad de Ingeniería

Fecha

2025-07-01

Extensión

163 p.

Resumen

El descubrimiento de patrones de alto flujo de tráfico a partir de trayectorias de objetos móviles ha sido considerado mediante diferentes enfoques, entre los que podemos nombrar los modelos de basados en densidad, clusters móviles, clustering de trayectorias y modelos de patrones de tipo hot routes. Estos modelos presentan utilidad en diferentes áreas como planificación del transporte, monitoreo de tráfico, servicios de transporte (ridesharing), ubicación de locales comerciales y publicidad en la vía pública. Ejemplos más comunes son el análisis de los patrones obtenidos para identificar diferentes usos de la red vial y aplicar medidas de mejora o planificación correspondientes; o considerar las rutas relacionadas a los patrones de mayor frecuencia para establecer áreas preferenciales para la instalación de locales comerciales. Aunque diversos estudios tienden a reconocer la importancia de estos tipos de patrones en su utilidad, se pueden considerar determinadas particularidades no exploradas por los mismos, de las que podemos destacar tres. Primero, la existencia de congestiones de tráfico como una condición particular de alta densidad o flujo de tráfico. En este caso, los trabajos existentes tratan sobre el descubrimiento de cada situación (alto flujo y congestión de tráfico) de manera separada. Por otro lado, la disponibilidad de las tecnologías actuales para permitir obtener datos adicionales asociados a los objetos móviles o el viaje realizado, las cuales pueden mejorar el conocimiento aportado por los patrones descubiertos. Finalmente, las limitaciones inherentes a los datasets de trayectorias generados a partir de objetos móviles pueden resultar en una menor representatividad del conocimiento obtenido a partir de los diversos modelos desarrollados. El presente trabajo de Tesis propone el desarrollo de modelos de descubrimiento de hot routes orientados a considerar las particularidades observadas. En primer lugar, se presenta un modelo para el descubrimiento de patrones de alto flujo de tráfico en relación con congestiones de tráfico. Esta relación es representada en términos del tráfico compartido en común entre diferentes sectores de los patrones, permitiendo identificar situaciones de flujo de tráfico causantes de congestión. Este modelo es complementado con el descubrimiento de caminos alternativos al tráfico severo representado en los patrones descubiertos, los que dependen del nivel de tráfico y ubicación dentro de la red vial. Dependiendo de las condiciones de tráfico, los mismos son comúnmente buscados por los conductores al acercarse a un embotellamiento de tráfico, para poder atenuar los efectos de la congestión de tráfico. Por otro lado, se presenta, en segundo término, un modelo para el descubrimiento de patrones de alto flujo de tráfico descriptos semánticamente por datos de los objetos móviles o viajes asociados a las trayectorias. De esta manera, este segundo modelo propuesto enriquece los patrones de alto flujo de tráfico descubiertos aportando una descripción de las características de los objetos móviles o datos del viaje que forman parte de los patrones. Finalmente, se trabaja en las limitaciones en representatividad de los datasets de trayectorias mediante dos tratamientos: analizando el grado de limitación en los modelos presentados aplicando una métrica para medir la representatividad de los patrones descubiertos al usar datasets parciales; y, segundo, proponiendo un modelo que pueda usar la velocidad, complementado los valores de flujo de tráfico disponibles, para identificar condiciones de alto flujo de tráfico sin llegar a formarse congestión. Se comienza el trabajo mediante un análisis de la literatura existente respecto a trabajos relacionados e identificando determinados conceptos de base. Los trabajos relacionados se pueden ubicar en diferentes áreas como el descubrimiento de patrones de alto flujo o densidad de tráfico, análisis de congestiones o embotellamientos de tráfico, así como anomalías de tráfico, y diferentes modelos sobre el análisis de trayectorias semánticas. A continuación, se presentan los modelos propuestos junto a los algoritmos que permiten el descubrimiento de los patrones presentados. En la experimentación realizada se utilizan datasets reales. Dentro de la misma se describen los detalles de estos datasets y las implementaciones desarrolladas, junto al correspondiente procesamiento aplicado en cada caso para poder utilizar los mismos con los modelos presentados y los usados para comparar. Los resultados describen los patrones descubiertos en relación a diferentes elementos principales de las redes viales de los datasets o puntos de interés de las ciudades correspondientes, y muestran las ventajas de los patrones obtenidos en comparación con modelos relacionados o el uso de métodos alternativos. Asimismo, en base a las métricas obtenidas, las implementaciones desarrolladas de los algoritmos presentan buena performance de ejecución dado el volumen de datos utilizados. Los resultados presentados confirman la utilidad de los modelos propuestos en la mejora de las diferentes áreas de aplicación, como planificación de transporte, monitoreo de tráfico o selección de sitios. Asimismo, se pueden considerar casos de aplicación más recientes pero con amplias perspectivas de desarrollo futuro, como la automatización vehicular o ciudades inteligentes sostenibles.
The discovery of high traffic flow patterns from moving objects trajectories has been considered using diverse approaches like models based on density, moving clusters, trajectory clustering and hot routes type models. These models have usefulness in different areas like transport planning, traffic monitoring, transport services (ridesharing), store locations and billboard placements. The most common examples are the analysis of the patterns obtained to identify different uses of the road network and apply appropriate improvement or planning measures; or considering the routes corresponding to the most frequent patterns to establish preferential areas for developing stores. Although various studies tend to recognize the importance of these types of patterns in terms of usefulness, certain particularities not considered by them can be recognized, of which we can highlight three. First, the existence of traffic congestion as a particular condition of high density or traffic flow. In this case, existing works deal with the discovery of each situation (high flow and traffic congestion) separately. On the other hand, the availability of current technologies to allow obtaining additional data associated with moving objects or the trip made, which can improve the knowledge provided by the discovered patterns. Finally, the limitations inherent to the datasets of trajectories generated from moving objects could lead to a lower representativeness of the knowledge obtained from the various models developed. The current Thesis work proposes the development of hot routes models oriented to consider the observed particularities. In the first place, a model for the discovery of high traffic flow patterns in relation to traffic congestion is presented. The relationship is represented in terms of the shared common traffic between different sectors of the patterns, making it possible to identify traffic flow situations that cause congestion. This model is complemented by the discovery of alternative paths to the extreme traffic represented in the discovered patterns, which depend on the traffic level and location inside the road network. Depending on the traffic conditions, these paths are commonly sought by the drivers when approaching a traffic jam, in order to mitigate the effects of traffic congestion. On the other hand, a model for the discovery of high traffic flow patterns semantically described by the moving objects or trip data associated with the trajectories is presented in second place. In this way, this second proposed model enrichs the high traffic flow patterns discovered providing a description of the moving objects or trip data characteristics that belong to those patterns. Finally, the representativeness limitations from trajectories datasets are considered using two approaches: analyzing the degree of limitation of the presented models applying a metric to measure the representativeness of the discovered patterns when using partial datasets; and second, proposing a model that allows to use speed, complemented with existing traffic flow values, to identify high traffic flow conditions where traffic congestion is not developed. The work starts with an analysis of existing literature with respect to related works and identifying specific base concepts. The related works can be classified in different areas like the discovery of patterns of high traffic flow or traffic density, analysis of traffic congestion or traffic jams, in addition to traffic anomalies, and different models about the analysis of semantic trajectories. Next, the proposed models along with the algorithms that allow the discovery of the patterns are presented. In the experimentation made, real datasets are used. Inside these sections, details about the datasets and the developed implementations are described, along with the respective processing applied on each case in order to be used with the presented models and the models used for comparison. The results describe the discovered patterns related to different main elements of the road networks of the datasets or point of interest of the respective cities, and show the advantages of the discovered patterns in comparison to related models or the use of alternative methods. In addition, based on the obtained metrics, the developed implementations of the algorithms have good performance execution given the volume of the data. The presented results confirm the usefulness of the proposed models in improving the different application areas, like transport planning, traffic monitoring or site selection. At the same time, more recent application cases with a wide perspective of future development can be considered, like driving automation or sustainable smart cities.