Una encuesta sobre las medidas de congestión del tráfico en las carreteras hacia un

sistema de transporte sostenible y resiliente

por Tanzina Afrin y Nita Yodo
 *

Departamento de Ingeniería Industrial y de Fabricación, Universidad Estatal de Dakota

del Norte, 1410 14th Avenue North, Fargo, ND 58102, EE. UU.
*

Autor a quien debe dirigirse la correspondencia.

Sostenibilidad 2020 , 12 (11), 4660; https://doi.org/10.3390/su12114660
Recibido: 15 de mayo de 2020 / Revisado: 3 de junio de 2020 / Aceptado: 5 de junio
de 2020 / Publicado: 7 de junio de 2020
(Este artículo pertenece al número especial Ingeniería de tráfico vial y transporte
sostenible )

Descargar PDF  

Examinar figuras

Resumen
La congestión del tráfico es un problema perpetuo para la sostenibilidad del desarrollo
del transporte. La congestión del tráfico provoca retrasos, molestias y pérdidas
económicas a los conductores, así como contaminación del aire. La identificación y
cuantificación de la congestión del tráfico son cruciales para que los tomadores de
decisiones inicien estrategias de mitigación para mejorar la sostenibilidad del sistema
de transporte en general. En este documento, las medidas actualmente disponibles se
detallan y comparan implementándolas en un conjunto de datos históricos de tráfico
diario y semanal. Los resultados mostraron que cada medida mostró variaciones
significativas en los estados de congestión al tiempo que indica una tendencia de
congestión similar. Las ventajas y desventajas de cada medida se identifican a partir
del análisis de datos. Este estudio resume las medidas actuales de congestión del
tráfico rodado y proporciona una visión constructiva del desarrollo de un sistema de
gestión del tráfico sostenible y resiliente.
Keywords: tráfico rodado ; congestión del tráfico ; medida de tráfico ; análisis de
transporte ; evaluación vial

1. Introducción
La congestión del tráfico es un fenómeno mundial extenso resultante de la alta
densidad de población, el crecimiento de los vehículos de motor y su infraestructura, y
la proliferación de servicios de transporte compartido y de entrega [ 1 ]. Los
investigadores han definido la congestión desde diferentes perspectivas. La definición
más común de congestión en el estado del flujo de tráfico es cuando la demanda de
viajes excede la capacidad de la carretera [ 2 ]. Desde la perspectiva del tiempo de
retraso en el viaje, la congestión se produce cuando el flujo normal del tráfico se ve
interrumpido por una alta densidad de vehículos, lo que genera un tiempo de viaje
excesivo [ 3 ]. La congestión también puede definirse por el incremento del costo del
usuario de la vía debido a la interrupción del flujo normal del tráfico [ 4]. Varias
razones son responsables de crear congestión en la mayoría de las áreas urbanas.
Dependiendo de estas diferentes razones, la congestión se puede clasificar en
congestión recurrente y no recurrente. La congestión recurrente se produce con
regularidad, principalmente debido al número excesivo de vehículos durante las horas
pico [ 5 ]. Por otro lado, los eventos impredecibles, como el clima, las zonas de trabajo,
los incidentes y los eventos especiales, son las causas de la congestión no recurrente
[ 6 , 7 , 8 ]. Según la Administración Federal de Carreteras del Departamento de
Transporte de los Estados Unidos (DOT-FHWA), la congestión no recurrente contribuye
a más del 50% de toda la congestión del tráfico, donde el 40% de la congestión se debe
a la congestión recurrente [ 3 ].
Los impactos sociales, económicos y ambientales de la congestión del tráfico en
los últimos años son bastante significativos [ 9 , 10 , 11 ]. Especialmente en las áreas
densamente pobladas, la gran cantidad de demoras y costos debido a la congestión
afecta considerablemente al sistema de transporte urbano [ 11 , 12 , 13 ]. En 2014, la
congestión del tráfico le costó a las personas en los Estados Unidos (EE. UU.) Un total
de $ 160 mil millones de 6,9 mil millones de horas extra de viaje y 3,1 mil millones de
galones adicionales de combustible comprados [ 14 , 15]. Esto sucede porque las
carreteras existentes no pueden acomodar el creciente número de automóviles. Según
INRIX Roadway Analytics en 2017, durante los próximos 10 años, se estima que las 25
ciudades más congestionadas de los EE. UU. Costarán a los conductores $ 480 mil
millones debido al tiempo perdido, el combustible desperdiciado y el carbono emitido
durante la congestión [ 16 ]. Esta pérdida también está afectando en gran medida a la
economía mundial. En 2018, se encontró que el costo total de la productividad perdida
en los EE. UU. Causada por la congestión es de $ 87 mil millones [ 17 ].
El envejecimiento de la infraestructura de transporte físico, como las condiciones
de las carreteras, carreteras o puentes, a menudo se considera una de las causas
inherentes de la congestión del tráfico [ 18 , 19 ]. Sin embargo, la congestión también
es en parte responsable de acelerar la degradación física de la infraestructura de
transporte y, en consecuencia, de reducir el rendimiento de la red de transporte.
Aunque se han desarrollado varias estrategias de recuperación para mejorar el
rendimiento de la red dañada [ 20 ], la mayoría de estas estrategias no son suficientes
o incluso podrían no ser aplicables en condiciones de tráfico congestionado.
Para garantizar un sistema de transporte sostenible y resiliente, son necesarias
acciones de mitigación multidisciplinarias para combatir la congestión del tráfico
rodado [ 21 ]. Durante muchos años, se han implementado múltiples intentos del
gobierno, los responsables de la formulación de políticas, los investigadores y los
profesionales del sector público y privado para minimizar las pérdidas debidas a la
congestión [ 22 , 23 , 24 ]. Se observa que el monitoreo adecuado del estado del tráfico
es el primer paso para construir un sistema de gestión de control de tráfico eficaz
[ 25 , 26 , 27 , 28]. Al hacerlo, los niveles de congestión se pueden cuantificar
rápidamente y se pueden iniciar acciones preventivas antes del pico de las horas de
congestión. La medición de la congestión probable también puede ser beneficiosa al
planificar la gestión del tráfico durante eventos especiales [ 29 ].
Los formuladores de políticas, investigadores y expertos en transporte han estado
trabajando durante muchos años para desarrollar diferentes enfoques de medición
para estimar con precisión la congestión del tráfico. Actualmente, se encuentran
disponibles una variedad de medidas de congestión del tráfico dependiendo de varios
criterios de desempeño, como la velocidad, el tiempo de viaje, el retraso, el nivel de
servicios u otros índices. Sin embargo, en la actualidad no existe un método universal
fijo para medir las condiciones del tráfico [ 30 , 31 ]. En diferentes países, incluso en
diferentes estados de un país, se adoptan diferentes medidas. Por ejemplo, el Instituto
de Transporte de Texas utilizó el Índice de Congestión Vial en el informe de movilidad
urbana de 1994 [ 32], y el Departamento de Transporte del Estado de Washington
utilizó el tiempo máximo de viaje promedio en el informe de congestión de 2006 [ 33 ].
El Highway Capacity Manual (HCM) [ 30 ] es uno de los primeros manuales en sugerir el
uso del nivel de servicio (LoS) como índice de evaluación del desempeño de las
carreteras en 1985. El LoS se clasifica en seis clases en los EE. UU., Mientras que el LoS
está organizado en tres niveles en Japón. El Departamento de Transporte de EE. UU.
(DOT) había estado utilizando las horas de congestión, el índice de tiempo de viaje y el
índice de tiempo de planificación en sus informes anuales de tendencias de congestión
de 2016-2018 [ 34 , 35 , 36 ]. El Ministerio de Seguridad Pública de China seleccionó la
velocidad media de viaje de una carretera urbana para demostrar las condiciones de
congestión [30 ]. Encontrar la medida más adecuada para utilizar en un análisis de
tráfico por carretera a partir de esta amplia variedad de medidas puede resultar un
desafío.
La congestión del tráfico es un problema global que desafía el desarrollo de un
sistema de transporte resiliente y sostenible. El objetivo a largo plazo de este trabajo
de investigación es contribuir al desarrollo de un sistema de gestión de transporte
sostenible y resiliente que tenga como objetivo minimizar el impacto socioeconómico y
ambiental negativo de la congestión. Antes de la etapa de implementación, se deben
realizar una multitud de análisis de tráfico vial desde diferentes perspectivas.
Monitorear el flujo de tráfico en un área es uno de los pasos iniciales para establecer
un sistema de gestión de tráfico adecuado o mitigar la congestión. Dado que hay varias
medidas de congestión disponibles, considerar múltiples medidas de congestión puede
resultar complicado en un análisis de tráfico por carretera. Así,Este documento revisa
varias medidas de congestión del tráfico comparando cada medida en un estudio de
caso a pequeña escala. Es fundamental evaluar las medidas disponibles para encontrar
las medidas de congestión adecuadas que se utilizarán en el análisis del tráfico por
carretera. Además de enumerar exclusivamente varias medidas de congestión
disponibles, este documento también tiene como objetivo ayudar a los tomadores de
decisiones con una evaluación preliminar de comparar cada medida a través del
análisis de datos.
Este documento de revisión tiene como objetivo profundizar en el estado del arte
en las medidas de congestión del tráfico vial como un pilar fundamental para el
desarrollo de un sistema de transporte resiliente y sostenible. Con base en los desafíos
mencionados anteriormente, la motivación y los objetivos de este trabajo son los
siguientes. (1) proporcionar el estado del arte de las medidas de congestión del tráfico
actualmente disponibles; (2) evaluar la efectividad y las discrepancias de las medidas
en el monitoreo de las condiciones del tráfico; (3) analizar los méritos y deméritos de
cada medida; e (4) identificar algunas direcciones prospectivas de investigación futura
en el mayor interés de mitigar la congestión del tráfico hacia el desarrollo de un
sistema de gestión de transporte sostenible y resiliente. Figura 1diseña el proceso de
revisión de la literatura, la evaluación, así como la posible dirección futura. n indica la
cantidad de artículos de investigación e informes de proyectos relacionados con el
transporte revisados y considerados durante el proceso de revisión de la literatura.
El resto del artículo está organizado de la siguiente manera. La sección 2 ilustra
las diferentes causas de la congestión del tráfico. La Sección 3 clasifica las medidas de
congestión disponibles actualmente y detalla sus ecuaciones o métodos de cálculo en
general. La sección 4 analiza la implementación de estas medidas en el conjunto de
datos de tráfico y sus resultados. La sección 5 identificó las ventajas y desventajas de
cada medida. Finalmente, la Sección 6 resume los hallazgos clave con la conclusión.

2. Causas fundamentales de las congestiones

La congestión en áreas urbanas o metropolitanas puede ocurrir debido a varias
razones, como exceso de demanda, señalización, incidentes, zonas de trabajo,
relacionadas con el clima o eventos especiales. Dependiendo de varias causas
fundamentales, en general, las congestiones del tráfico rodado pueden clasificarse en
dos categorías: (1) congestiones recurrentes y (2) congestiones no recurrentes [ 37 ].
2.1. Congestión recurrente
En la mayoría de las ciudades metropolitanas, los viajeros experimentan
congestión todos los días durante las horas pico diarias. Según la FHWA,
aproximadamente la mitad de la congestión experimentada por los usuarios del tráfico
es recurrente [ 5 ]. Las razones comunes de la congestión recurrente son:

 Cuellos de botella y capacidad: la causa más común de congestión se debe a los

bloqueos, como se muestra en la Figura 2 . Los cuellos de botella generalmente
ocurren durante las horas de flujo pico, donde el número de carriles que convergen en
una carretera, puente o túnel excede el número de carriles que tienen estas
instalaciones [ 38 , 39 , 40 ]. También puede ocurrir cuando la demanda excede la
capacidad de una carretera. La capacidad de cualquier camino indica la cantidad
máxima de tráfico que se puede manejar. La capacidad se puede determinar por el
número y el ancho de los carriles, la longitud de fusión en los intercambios y la
alineación de las carreteras.
 Infraestructura insuficiente: la infraestructura insuficiente es una de las razones
más importantes de la congestión, especialmente en áreas densamente
pobladas. Debido a la mayor tasa de población, el número de vehículos también
aumenta con ella. Cuando el número existente de infraestructuras no logra ocupar
este número creciente de coches, se produce una congestión [ 42 ].
 Variación en el flujo de tráfico: la variabilidad en las demandas de tráfico diarias
resulta en volúmenes más altos en algunos días en comparación con otros. Cuando
estas demandas variables no coinciden con la capacidad fija, puede producirse un
retraso [ 37 ].
 Controladores de tráfico inadecuados: las señales o los diseños de
controladores de tráfico mal sincronizados, como semáforos, señales de alto,
reducciones de velocidad o cruces de ferrocarril, pueden interrumpir el flujo de tráfico
regular, lo que provoca congestión y fluctuación del tiempo de viaje [ 37 ].
2.2. Congestiones no recurrentes
Las congestiones no recurrentes generalmente ocurrieron debido a eventos
impredecibles, como incidentes de tráfico, zonas de trabajo, clima u otras
circunstancias particulares [ 6 , 37 ]. La congestión no recurrente puede iniciar una
nueva congestión en los períodos de menor actividad, así como también puede
aumentar el retraso debido a la congestión recurrente. Algunos ejemplos comunes de
congestión no recurrente son:

 Incidentes / accidentes de tráfico: la forma más común de incidentes son

choques vehiculares, averías y escombros en los carriles de circulación. Estos eventos
interrumpen el flujo normal del tráfico, generalmente al bloquear los carriles de
circulación, lo que resulta en una reducción de la capacidad [ 43 , 44 ].
 Zonas de trabajo: Las zonas de trabajo se refieren a las actividades de
construcción en la carretera mediante la realización de cambios físicos en el entorno
de la carretera. Estos cambios conducen a una reducción en el número o ancho de
carriles de circulación, 'cambios' de carril, desvíos de carril, reducción o eliminación de
arcenes y cierres temporales de carreteras.
 Clima: los cambios en las condiciones ambientales o el clima pueden afectar el
flujo del tráfico y el comportamiento del conductor. Estos también pueden modificar
los sistemas de control del tráfico, como las señales y los cruces ferroviarios, así como
las condiciones de la carretera. Debido a las condiciones de las carreteras inducidas
por el mal tiempo, se producen aproximadamente el 28% de todos los accidentes en
las carreteras y el 19% de todas las muertes [ 45 ]. Además, tanto la velocidad como el
volumen del vehículo pueden verse afectados por fuertes ráfagas de viento, fuertes
lluvias o nieve.
 Otros eventos especiales: demanda variaciones del flujo de tráfico sobre un
evento en particular que generalmente difieren del patrón de flujo habitual. Estos
eventos incluyen eventos deportivos (día del juego), conciertos u otros eventos
sociales. Un aumento repentino en la demanda de tráfico durante ocasiones especiales
puede abrumar el sistema y crear congestión.
3. Enfoques actuales para medir la congestión
Para cuantificar el nivel de congestión, se han desarrollado numerosas medidas
de congestión considerando diferentes criterios de desempeño. Dependiendo de estos
criterios, las medidas de congestión se pueden clasificar en cinco categorías: (i)
velocidad, (ii) tiempo de viaje, (iii) retraso, (iv) nivel de servicios (LoS), y (v) índices de
congestión, como se muestra. en la Figura 3 . Además, el DOT-FHWA utiliza algunas
medidas para cuantificar el nivel de congestión anualmente. Estas medidas federales
de congestión se enumeran en la Sección 3.6 . Las medidas de congestión empleadas
en otros países pueden diferir de las discutidas en este documento y se discutirán
brevemente en la Sección 3.7 . Tenga en cuenta que las medidas presentadas en este
documento no son exhaustivas.
3.1. Velocidad
3.1.1. Índice de reducción de velocidad (SRI)
SRI es la relación del cambio de velocidad relativa entre condiciones de
congestión y de flujo libre, como se muestra en la Ecuación (1) [ 30 , 31 ]. La
proporción de SRI se multiplica por 10 para mantener el valor de SRI en el rango de 0 a
10. La congestión ocurre cuando el valor del índice excede de 4 a 5. Los valores
inferiores a 4 indican una condición no congestionada.
SRI = (1 - v  ac / v  ff ) × 10,
(1)
donde SRI denota el índice de reducción de velocidad, v  ac indica la velocidad de
desplazamiento real y v  ff significa la velocidad de flujo libre.
La velocidad de flujo libre generalmente se refiere a la velocidad promedio del
período de menor actividad. En la práctica, el límite de velocidad indicado también
puede considerarse como la velocidad de flujo libre. En el Informe de congestión
urbana de la FHWA de 2019 [ 46 ], el percentil 85 de la velocidad fuera de las horas
pico se considera la velocidad de flujo libre. Según el mismo informe [ 46 ], el período
de menor actividad es de lunes a viernes, de 9:00 a. M. A 4:00 p. M. Y de 7:00 p. M. A
10:00 p. M., Y los sábados y domingos de 6:00 a. 00 pm
3.1.2. Índice de rendimiento de velocidad (SPI)
SPI se desarrolla para evaluar las condiciones del tráfico vial urbano [ 30 ]. El valor
de SPI (que va de 0 a 100) se puede definir por la relación entre la velocidad del
vehículo y la velocidad máxima permitida, como se muestra en la Ecuación (2). Para
medir el estado del tráfico en la carretera con este índice, el nivel del estado del tráfico
se puede clasificar con tres valores de umbral (25, 50 y 75). El criterio de clasificación
del estado del tráfico vial urbano se muestra en la Tabla 1 .
SPI = ( v  avg / v  max ) × 100,
(2)
 donde SPI denota el índice de rendimiento de velocidad, v  avg indica la velocidad
de desplazamiento promedio y v  max indica la velocidad máxima permitida en la
carretera.
3.2. Tarifa de viaje
La tasa de viaje se refiere a la tasa de movimiento para un segmento de carretera
o viaje en particular que se puede representar por la razón del tiempo de viaje del
segmento por la longitud del segmento [ 47 ], como se muestra en la Ecuación (3). La
inversa de la velocidad también se puede emplear para cuantificar la tasa de
desplazamiento.
Tr  r = T  t / L  s ,
(3)
donde, Tr  r denota la tasa de viaje, T  t es el tiempo de viaje y L  s indica la longitud
del segmento.
3.3. Retrasar
3.3.1. Tasa de retraso
La tasa de demora es la tasa de pérdida de tiempo para los vehículos que operan
durante la congestión para un tramo o viaje específico de la carretera [ 2 , 47 ]. Se
puede calcular por la diferencia entre la tarifa de viaje real y la tarifa de viaje aceptable
como
D  r = Tr  ac - Tr  ap ,
(4)
donde, D  r es la tasa de retraso, Tr  ac es la tasa de viaje real y Tr  ap es la tasa de
viaje aceptable.
3.3.2. Relación de retardo
La relación de retardo se puede calcular mediante la relación de la velocidad de
retardo y la velocidad de desplazamiento real como Ecuación (6). Se utiliza para
comparar los niveles de congestión relativa en diferentes carreteras [ 2 , 47 ].
D = D  r / Tr  ac ,
(5)
donde D denota la tasa de retardo, D  r es la tasa de demora y Tr  ac es la tasa de
desplazamiento real.
3.4. Nivel de servicios (LoS)
El Highway Capacity Manual (HCM) adopta el enfoque LoS [ 48 ]. Debido a la
simplicidad, LoS se ha vuelto extremadamente popular en la práctica [ 49 , 50 ]. La LoS
se puede determinar por varias cantidades de tráfico, como densidad, velocidad,
relación volumen / capacidad y tasa máxima de flujo de servicio. La LoS de una
carretera se puede determinar mediante los intervalos de escala de la relación
volumen-capacidad (V / C), como se muestra en la Tabla 2 . La relación V / C se puede
calcular mediante
V / C = N  v / N  máx .
(6)
donde, N  v es el volumen medio espacial, y N  max denota el número máximo de
vehículos que un segmento puede contener como la capacidad [ 49 , 50 ]. Puede
cuantificarse además como
N  máx = ( L  s / L  v ) × N  l ,
(7)
donde L  s es la longitud del segmento espacial, L  v es la ocupación media de la
longitud del vehículo y N  l es el número de carriles. L  v incluye la longitud del vehículo y
la distancia de seguridad. En general, se supone que la longitud del vehículo es de
aproximadamente 4,27 m (14 pies) y la distancia de seguridad es de aproximadamente
4,57 m (15 pies) [ 50 ].
3.5. Índices de congestión
3.5.1. Índice de congestión relativa (RCI)
RCI es la relación entre el tiempo de retardo y el tiempo de viaje de flujo libre
( T  ff ) [ 49 , 50 ]. El RCI de 0 denota un nivel de congestión muy bajo, y los valores
superiores a dos (> 2) muestran un nivel de congestión significativo. El RCI se puede
calcular mediante
RCI = ( T  ac - T  ff ) / T  ff
(8)
donde T  ac es el tiempo de viaje real, que se cuantifica además con la relación
entre la longitud espacial y la velocidad media espacial. El tiempo de viaje de flujo libre
( T  ff ) se puede calcular con la relación entre la longitud espacial y la velocidad de flujo
libre.
3.5.2. Índice de congestión del tramo de carretera ( R i )
El grado de congestión del tramo de carretera, denotado por R  i , puede medirse
utilizando el estado del tramo de carretera normal y la duración del estado de no
congestión en el período de observación [ 30 ]. El estado de no congestión incluye el
estado del tráfico en el que el índice de rendimiento de velocidad (SPI) es superior a
50. El valor del índice de R  i varía entre 0 y 1, y cuanto menor es el valor de R  i , más
congestionado está el segmento de la carretera.
R  i = (SPI promedio / 100) × R  NC ,
(9)
R  NC = t  NC / t  t ,
 (10)
donde R  i es el índice de congestión del segmento de la carretera, SPI avg es el
promedio del índice de rendimiento de velocidad. R  NC y t  NC denotan la proporción de
estado no congestionado y la duración del estado no congestionado,
respectivamente. t  t es la duración del período de observación.
3.6. Medidas federales de congestión
En los informes de tendencias anuales de congestión urbana de 2016 a 2018,
publicados por el DOT-FHWA, se utilizaron las horas de congestión, el índice de tiempo
de viaje y el índice de tiempo de planificación como medidas de congestión. Estas
medidas se describen a continuación.
3.6.1. Horas congestionadas
Las horas congestionadas representan el número promedio de horas durante
períodos específicos en los que las secciones de la carretera están abarrotadas. Las
velocidades inferiores al 90% de la velocidad de flujo libre durante los días de semana
(6:00 am a 10:00 pm) se consideran el estado congestionado [ 34 , 35 , 36 , 46 ]. Por
ejemplo, si la mayoría de los vehículos viajan en un promedio de 54 mph cuando la
velocidad de flujo libre es de 60 mph, se considera el estado congestionado.
3.6.2. Índice de tiempo de viaje (TTI)
La TTI se propone en el Informe de movilidad urbana de 2005 [ 31 , 32 , 46 ]. Este
índice se cuantifica comparando el tiempo de viaje en la condición de flujo libre y el
tiempo de viaje en horas pico como
TTI = T  pp / T  ff = v  ff / v  pp ,
(11)
donde T  pp es el tiempo de viaje del período pico, T  ff es el tiempo de viaje de flujo
libre, v  ff es la velocidad de viaje de flujo libre y v  pp es la velocidad de viaje del período
pico.
3.6.3. Índice de tiempo de planificación (PTI)
PTI demuestra la relación entre el tiempo de viaje del percentil 95 y el tiempo de
viaje de flujo libre. Se calcula durante los períodos pico am (6:00 am a 9:00 am) y pm
(4:00 pm a 7:00 pm) de lunes a viernes. Un PTI de 1,60 significa que los viajeros deben
anticipar un 60% adicional del tiempo de viaje por encima del tiempo de viaje de flujo
libre para garantizar la llegada a tiempo el 95% del tiempo (o la mayor parte del
tiempo) [ 34 , 35 , 36 , 46 ] .
3.7. Enfoques en diferentes países
Los diferentes países adoptan diferentes medidas de congestión para determinar
el nivel de congestión. La Corporación de Carreteras de Corea (KHC) considera la
congestión del tráfico cuando la velocidad media del vehículo es inferior a 19 mph
durante más de 2 h al día y 10 días al mes [ 31 ]. En Japón, los valores de umbral de
velocidad se utilizan para identificar las áreas congestionadas. Por ejemplo, si la
velocidad de viaje en la autopista cae por debajo de 25 mph, o hay flujos frecuentes de
"frenado y arranque" durante más de media milla, o si continúa durante más de 15
minutos, el estado se denomina congestión de tráfico [ 31 ]. Dado que los enfoques en
diferentes países no son el tema central de este documento, esta sección se mantiene
concisa y no se desarrollará más en detalle.

4. Evaluación de los enfoques actuales

Las medidas, como se mencionó anteriormente, se analizaron utilizando
conjuntos de datos de tráfico en tiempo real para evaluar la practicidad y la
consistencia de cada medida en la captura de la condición del tráfico. En esta sección
se describe el análisis de datos realizado para la evaluación de las medidas de
congestión, junto con los resultados encontrados.
4.1. Descripción del conjunto de datos
La evaluación de las medidas de congestión se realizó con un conjunto de datos
de código abierto del rastreador de tráfico de Chicago [ 51]. Este conjunto de datos
consta de los datos históricos de congestión estimados para más de 1,000 segmentos
de tráfico, comenzando aproximadamente en marzo de 2018. La congestión del tráfico
en las calles arteriales de Chicago (calles que no son autopistas) en tiempo real se
puede estimar monitoreando y analizando continuamente el GPS (Sistema de
posicionamiento global ) trazas recibidas del conjunto de datos de autobuses de la
Autoridad de Tránsito de Chicago (CTA). Este conjunto de datos contiene datos de
velocidad, recuento de vehículos y longitud de segmento para cada 10 minutos
durante siete días consecutivos. Para este documento, se consideró una semana
completa de datos desde el 14 de marzo de 2018 hasta el 20 de marzo de 2018, de un
segmento (desde Michigan hasta Lake Shore Dr.). El segmento de carretera específico
de los datos de tráfico recopilados se muestra en la Figura 4 a mediante el uso de
Open Street Map tanto en horas no pico ( Figura 4b) y condiciones de horas pico
( Figura 4 c, d). La condición del tráfico en la Figura 4 se capturó en el momento de la
preparación del manuscrito el 18 de diciembre de 2019. En la Figura 4 se muestra que
durante un tiempo no pico, un conductor normalmente necesita solo dos minutos para
recorrer el segmento de la carretera. Sin embargo, durante las horas pico, se estima
que un conductor necesita de tres a cuatro minutos para recorrer el tramo de la
carretera, dependiendo del nivel de congestión.
4.2. Análisis de los datos
Todas las medidas de congestión de la Sección 3 se implementaron en el conjunto
de datos descrito para analizar el estado del tráfico tanto diario como semanal en
diferentes momentos. Los datos para el análisis diario seleccionado se recopilaron el
14 de marzo de 2018, y el análisis semanal se recopiló desde el 14 de marzo de 2018
hasta el 20 de marzo de 2018.
4.2.1. Análisis de datos diarios
Para comprender la congestión del tráfico en diferentes momentos del día, se
emplearon SRI, SPI, tasa de viaje, tasa de demora, tasa de demora, tasa de V / C y RCI
para capturar las condiciones del tráfico el 19 de marzo de 2018. El comportamiento
de cada medida en diferentes Los tiempos se pueden encontrar en la Figura 5 , donde
el eje x representa la hora de cada día para el día, y el eje y indica el índice de
congestión obtenido en base a diferentes medidas de congestión. El eje y en todas las
subfiguras de la Figura 5 no tiene unidades, ya que representan el índice de
congestión. Como se muestra en la Figura 5, cada subfigura tiene un rango diferente
de índice de congestión. La diferente gama de índices de congestión complica el
proceso de comparar varias medidas de congestión.
Para cada medida, los puntos máximos de diferentes medidas de congestión para
el análisis de datos diarios se resumen en la Tabla 3 . Se puede resumir que, excepto
por la relación V / C, todas las otras medidas muestran una tendencia similar y el punto
máximo a las 5:31 PM. Para la relación V / C, el punto máximo es a las 8:31 a.
M. Además, se encontró que con base en estos días en particular, el valor del índice
del segmento de la carretera es 0.45, lo que indica menos congestión. El promedio de
horas congestionadas para el día es de 5 h, y los valores del índice de tiempo de viaje
(TTI) y el índice de tiempo de planificación (PTI) son 1.44 y 1.08,
respectivamente. Estos números implican que se necesita el 44% de tiempo de viaje
adicional en comparación con el tiempo de viaje de flujo libre, y el viajero podría tener
que planificar un 8% más de tiempo mientras viaja por esta carretera.
4.2.2. Análisis de datos semanal
La tendencia semanal de las siete medidas de congestión se muestra en la Figura
6 , donde el eje x representa la hora de cada día durante una semana completa, y
el eje y indica el índice de congestión obtenido en base a diferentes medidas de
congestión. Los ejes y en la Figura 6 no tienen una unidad, ya que representan el índice
de congestión de varias medidas de congestión. Se puede observar que cada medida
de congestión tiene diferentes rangos de índice de congestión. De la Figura 6, se
observa que la tendencia de los valores de medición para cada día es casi consistente
para SRI, SPI, tasa de viaje, tasa de demora, tasa de demora y RCI, excepto para la tasa
V / C. Esto se debe a que el SRI, SPI, la tasa de desplazamiento, la tasa de retraso, la
tasa de retraso y el RCI se calculan fundamentalmente en función de la velocidad y el
tiempo de desplazamiento. Sin embargo, la relación V / C muestra una perspectiva
diferente de la congestión, ya que compara el volumen de vehículos con la capacidad
de la carretera. También se observa que la relación V / C el jueves, sábado y domingo
es significativamente menor que la de los otros cuatro días.
También se determina la tendencia del punto pico semanal de estas medidas, que
se puede encontrar en la Tabla 3 para los días de semana (de lunes a viernes) y en
la Tabla 4 para los fines de semana (sábado y domingo). De lunes a viernes de lunes a
viernes, la congestión se observa principalmente entre las horas pico, de 6:00 a. M. A
9:00 a. M. Y de 4:00 p. M. A 7:00 p. M. El valor pico para la mayor medida se encuentra
a las 5:31 p. M., 5: 21 p. M., 2:10 p. M., 5:31 p. M. Y a las 4:11 p. M. Los lunes, martes,
miércoles, jueves y viernes, respectivamente. Sin embargo, se encuentra que el valor
máximo es diferente los fines de semana a las 12:10 am y 12:50 pm el domingo y a las
10:20 pm el sábado.
Al analizar la tendencia de la congestión, se observa un tipo diferente de
tendencia para la relación V / C si se compara con otras medidas. Para los días de
semana, los lunes, martes, miércoles, jueves y viernes, el punto máximo es a las 8:31
am, 8:51 am, 4:50 pm, 8:50 am y 8:40 am, respectivamente. Además, los fines de
semana, el punto máximo basado en la relación V / C se observa a las 8:50 am el
sábado y a las 2:40 pm el domingo. La variación en la congestión durante los días de
semana y los fines de semana podría ocurrir debido a la alta tasa de flujo y volumen de
vehículos en la carretera durante los días de semana, lo que normalmente no se
observa los fines de semana.
Al medir la congestión con diferentes medidas, a veces pueden producirse valores
negativos para la tasa de retardo y la relación de retardo. Esto se debe a que la
diferencia entre el tiempo de viaje real y el aceptable puede ser negativa cuando el
tiempo de viaje real es menor que el tiempo de viaje aceptable. Suele ocurrir
especialmente a medianoche, cuando circulan menos vehículos y la velocidad
promedio del vehículo es bastante alta. Durante este tiempo, no se produce
congestión, ya que la mayoría de los coches tardan menos que el tiempo medio de
viaje. En todas las subfiguras, el valor de cero no indica si no hay congestión. En
cambio, significa que no hay ningún vehículo en la carretera. A partir de este análisis,
se observa que diferentes medidas de congestión pueden tener un valor numérico
diferente, pero también indican un nivel de congestión consistente dentro del rango
de cada medida.
Suponiendo que los datos diarios y semanales utilizados en el análisis de datos
son las congestiones típicas (recurrentes), la tendencia de congestión recurrente
mensual y anual puede ser similar a la tendencia de congestión semanal en la Figura
6 . Se esperan ligeras variaciones del comportamiento de las congestiones recurrentes
de una semana a otra en un año debido a variaciones en el flujo de tráfico, las
condiciones climáticas y los cambios de temporada. Además, también se esperan
congestiones no recurrentes en algunos días o semanas. Sin embargo, para analizar la
condición no recurrente, se requiere información adicional sobre eventos de
congestión no recurrentes.
4.2.3. Discusión del estudio de caso
Diferentes medidas de congestión pueden tener un impacto en una decisión, por
ejemplo, si el estado actual del tráfico debe clasificarse como congestionado o no, y
qué tan grave es el nivel de congestión. De las siete medidas empleadas en el análisis
de datos, algunas de las medidas discutidas tienen un valor de corte para el estado de
congestión, por ejemplo, SRI indica un estado de congestión cuando su valor excede de
4 a 5, y para RCI, el estado de congestión comienza desde 2 Aparte del estado de
congestión, algunas medidas ofrecen un rango de valor a diferentes niveles de
congestión. Las medidas SPI y V / C proporcionan un conjunto de valores para indicar
varios niveles de congestión, como se muestra en la Tabla 1 y la Tabla 2 ,
respectivamente. El rango de valor suele ser útil en un análisis de congestión diario
detallado.
Al comparar el SRI que tiene un rango de 0 a 10 y el SPI que tiene una escala de 0
a 100, la Tabla 5 resume las condiciones de congestión y los recuentos de congestión
encontrados en diferentes momentos para cada día en una semana completa. Se
puede ver que SPI muestra puntos más congestionados en comparación con SRI,
aunque algunos de estos instantes de tiempo son similares. La razón puede ser que el
rango de valores de SPI es más significativo que el de SRI. Por lo tanto, SPI muestra
más casos de período congestionado en un día o una semana en comparación con la
medida SRI. Según el análisis de datos, SPI muestra un total de 114 recuentos de
incidentes de congestión, mientras que SRI mostró un total de 57 incidentes de
congestión en una semana.
Si bien SPI y SRI pueden indicar incidentes de congestión y recuentos en un
período, existen otras medidas, como V / C y RCI, que no indican ningún período
congestionado. Para RCI, el valor de corte para el estado congestionado es 2, que no se
encuentra en la Figura 6 . De manera similar, todos los valores de V / C son inferiores a
0,5, lo que indica el estado de tráfico normal. Con estas medidas, la información sobre
el recuento de congestión no se puede medir ni obtener directamente.
La tasa de viaje, la tasa de retraso, la relación de relevos, el índice de segmento de
la carretera ( R  i ) y las medidas federales no proporcionan explícitamente un rango de
valor, sino solo un valor en puntos, para condiciones de tráfico congestionado. No
obstante, el valor en puntos también puede ser útil al comparar las condiciones del
tráfico diarias, semanales o mensuales. La comparación del índice de congestión del
tramo de carretera ( R  i ) y las tres medidas federales (horas congestionadas, índice de
tiempo de viaje (TTI) e índice de tiempo de planificación (PTI)) para toda la semana se
puede encontrar en la Tabla 6 y la Figura 7 . En la Figura 7 , el eje x representa la hora
de cada día durante una semana total, y la y-eje indica el índice de
congestión. Los ejes y en la Figura 7 no tienen unidades, ya que cada uno de
los ejes y en cada subfigura representa el índice de congestión. Al igual que en
la Figura 5 y la Figura 6 , todas estas medidas en la Figura 7 también muestran un valor
más alto para los días de semana que para los fines de semana, lo que indica además
un nivel de congestión comparativamente más alto en los días de semana en
comparación con los fines de semana.

5. Discusión
En esta sección, se delibera sobre las características de cada medida de
congestión basada en el análisis de datos realizado. A partir del análisis de los atributos
de las medidas de congestión actualmente disponibles, también se describen los
criterios de una buena medida de congestión. Al final de la sección, se identifican
algunos de los posibles alcances de investigación futuros hacia un sistema de gestión
de transporte sostenible y resiliente.
5.1. Ventajas y desventajas de las medidas de congestión
Las características de las medidas de congestión disponibles actualmente se
analizaron en base a los resultados encontrados del análisis de datos de la Sección
4 . La desviación del desempeño actual del desempeño no congestionado puede ser
fácilmente comprensible a partir de estas medidas. Además, cabe señalar que la
aplicabilidad de las medidas difiere entre sí. Por ejemplo, las medidas relacionadas con
la velocidad y el índice de tiempo de viaje son menos adecuados para escenarios de
congestión no recurrente. Las ventajas y desventajas de varias medidas discutidas en la
sección de análisis de datos se compilan en la Tabla 7 .
5.2. Criterios de una buena medida de congestión
Medir el nivel de congestión es fundamental para mejorar la gestión y el control
del tráfico. Los siguientes pasos en la toma de decisiones hacia un sistema de
transporte sostenible dependen en gran medida de las condiciones reales del tráfico
por carretera. Por lo tanto, el enfoque de medición para cuantificar la gravedad de la
congestión debe ser lo suficientemente práctico para que los responsables de la toma
de decisiones implementen los pasos necesarios para mitigar la congestión
rápidamente y lograr un sistema de transporte sostenible y resiliente. Los expertos en
transporte han sugerido una serie de atributos que a menudo se desean en una
medida de congestión [ 2 , 53 , 55 , 56 , 57 ]; una buena medida de congestión debería:
1. Estar bien definido, fácilmente comprensible y sencillo para que los usuarios no
técnicos interpreten los resultados fácilmente.
2. reflejar el nivel real de servicio para cualquier tipo de carretera,
3. considerar diferentes prestaciones del sistema, como el tiempo de viaje y la
velocidad,
4. proporcionar un rango continuo de valores,
5. poder ser utilizado con fines de análisis predictivo y estadístico,
6. ofrecen valores comparables a diferentes tipos de carreteras, y
7. ser ampliamente aplicable para diferentes tipos de carreteras
5.3. Enfoques de mitigación actuales
La congestión del tráfico siempre ha sido un desafío global constante. Aunque no
hay garantía de que la congestión pueda descartarse por completo debido a la
creciente población mundial, los expertos en transporte de diferentes países han
estado trabajando para mitigar la congestión en gran medida [ 3 , 58 , 59 , 60 ]. La
mayoría de los enfoques de mitigación implementados, como los planes de gestión de
transporte (TMP) efectivos desarrollados por el DOT, logran reducir el porcentaje de
congestión durante un tiempo. Algunos de los enfoques de mitigación de la congestión
más aplicados para la congestión recurrente y no recurrente son:

 Agregue más capacidad base. La capacidad de la infraestructura vial se puede

mejorar aumentando el número y el tamaño de las carreteras, proporcionando más
servicios ferroviarios de tránsito y carga, agregando carriles adicionales y construyendo
nuevas carreteras [ 3 , 58 , 59 , 60 ]. Sin embargo, este enfoque suele exigir una
cantidad sustancial de costos de implementación.
 Operar las infraestructuras existentes de manera eficiente. Las infraestructuras
existentes se pueden utilizar de manera más eficiente rediseñando rutas de mitigación
para cuellos de botella específicos, como en los intercambios e intersecciones, para
aumentar su función o su capacidad de referencia [ 3 ].
 Gestión de tráfico de varios sectores. Para la gestión de incidentes, la
identificación de accidentes rápidamente, la mejora de los tiempos de respuesta y la
gestión de accidentes u otras escenas de incidentes de manera más eficaz puede
ayudar a reducir las congestiones inducidas por eventos [ 44 , 61 ]. Para la zona de
trabajo, es necesario administrar el tráfico en un área de zona de trabajo para reducir
la congestión, particularmente en las horas pico. Por lo tanto, la zona de trabajo debe
planificarse con cautela [ 62 , 63 ]. La planificación de eventos especiales con
anticipación y la coordinación con los planes de control de tráfico pueden aliviar la
congestión [ 6 , 64]. El control de las señales de tráfico, los medidores de rampa y la
gestión del uso de los carriles con un sistema computarizado se encuentran a menudo
como un enfoque práctico para reducir la congestión durante las horas pico [ 3 ]. Se
pueden seguir diferentes protocolos de gestión, como la gestión de la demanda de
viajes (TDM), los modos de viaje no automotrices y la gestión del uso del suelo [ 65 ].
 Información meteorológica y para viajeros. Predecir las condiciones
meteorológicas en áreas y carreteras específicas sería beneficioso para que los viajeros
estuvieran preparados para las congestiones [ 66 , 67 ]. Sugerir rutas alternativas para
los viajeros antes del período y la zona de congestión puede reducir la relación
volumen / capacidad en la zona de congestión [ 3 ].
Estrategias de precios de valor. La dinámica de la demanda de tráfico se puede
ajustar con la capacidad imponiendo peajes [ 3 , 58 ]. Esta estrategia puede
disuadir a los viajeros de viajar durante el período de congestión.
5.4. Posibles direcciones futuras de investigación
Del análisis de diferentes medidas de congestión, se evidencia que existen
considerables alcances de mejora en este campo hacia el desarrollo de un sistema de
transporte sostenible y resiliente. Algunos de los posibles ámbitos de investigación
futuros para reducir la congestión, mejorar la resiliencia y garantizar la sostenibilidad
hacia un sistema de transporte urbano más destacado se analizan a
continuación. Tenga en cuenta que las direcciones de investigación no son exhaustivas
y pueden requerir enfoques de investigación multidisciplinarios.

 Sistema de gestión de tráfico resiliente. Resiliente a menudo se define como la

rapidez con la que una entidad puede recuperarse de sus estados perturbados
[ 68 , 69 , 70 ]. Dado que la congestión recurrente es un escenario cíclico, el análisis de
la rapidez con la que la congestión del tráfico puede volver a su estado operativo
normal sin congestión será beneficioso para desarrollar un sistema de gestión del
transporte resiliente [ 49 , 50 , 71 ]. Además, una medida de congestión basada en la
resiliencia para congestiones recurrentes y no recurrentes es un área que tiene un
alcance potencial de investigación. Se han propuesto varias medidas de congestión
orientadas a la resiliencia para la congestión recurrente [ 49 , 50]. Sin embargo, las
medidas basadas en la resiliencia para la congestión no recurrente aún están poco
exploradas.
 Análisis de congestión no recurrente. Un sistema de transporte sostenible y
resiliente debería poder ofrecer una funcionalidad interrumpida durante eventos
inesperados. Debido a la mayor intensidad y frecuencia de los desastres naturales, la
congestión no recurrente es un campo de estudio que debe explorarse ampliamente
en términos de enfoque de medición, análisis predictivo e investigación de la
incertidumbre [ 7 , 15 , 72 , 73 , 74 ]. La probabilidad de que ocurra una congestión
varía para diferentes tipos de eventos, donde algunos eventos son completamente
impredecibles, como los incidentes de accidentes de vehículos, cambios climáticos
inesperados y la evacuación debido a desastres [ 7 , 8 ,75 , 76 ].
El patrón y la probabilidad de ocurrencia de los eventos de causa raíz de la
congestión no recurrente son a menudo inciertos. Por lo tanto, es
relativamente difícil controlar y gestionar el tráfico con precisión mientras
ocurre el evento [ 21 ]. Especialmente durante los desastres, cuando se
necesita una evacuación, es común encontrar congestión del tráfico, lo que
ralentiza excesivamente el proceso de evacuación. Se han realizado varios
esfuerzos para analizar el impacto de la congestión en la evacuación y
aumentar la eficiencia se pueden encontrar en las Refs. [ 8 , 43 , 77 ]. Los
métodos de detección de patrones para la congestión no recurrente durante la
evacuación para el análisis predictivo se pueden investigar más a fondo para
reducir la congestión relacionada con la evacuación.

 Sistema de gestión de tráfico inteligente. El desarrollo de un sistema de

transporte sostenible y resiliente se puede lograr con la ayuda de avances
tecnológicos. A medida que las tecnologías computacionales avanzan rápidamente, los
sistemas de gestión de tráfico convencionales han evolucionado para volverse más
inteligentes con la ayuda de IoT (Internet of Things). Los sistemas de gestión del tráfico
basados en IoT y las técnicas de mitigación de la congestión a menudo se desarrollan
para áreas urbanas inteligentes [ 27 , 78 , 79 ]. Se emplean diferentes enfoques
basados en datos para predecir el tiempo, la probabilidad y el nivel de congestión
[ 29 , 80 , 81 , 82]. Sin embargo, la congestión puede ocurrir en muchos casos debido a
la desviación de la predicción con la implementación, o al uso inadecuado de las
características predichas. En el futuro, estos problemas deben abordarse.
La investigación sobre la gestión inteligente del tráfico también se puede
aprovechar para incluir el escenario de congestión no recurrente, por ejemplo,
en la predicción del momento más eficaz para implementar la evacuación u
otros enfoques de mitigación [ 8 , 77 ]. Además de los sistemas inteligentes de
gestión del tráfico, el proceso de modernización de las infraestructuras
actuales, por ejemplo, para acomodar las estaciones de carga y los vehículos
eléctricos en rápido crecimiento en las carreteras, es otra área de investigación
futura prospectiva para el desarrollo de un sistema de transporte sostenible
[ 83 ].

 Efectos socioambientales de la congestión. Los impactos ambientales

irreversibles sobre la congestión aumentan día a día. Se han desarrollado diferentes
enfoques avanzados de sostenibilidad para reducir el consumo de combustible y la
emisión de gases de efecto invernadero debido a la congestión [ 25 , 84 , 85 ]. Varias
estrategias que se incluyen en las categorías de sistemas de transporte inteligente
(ITS), como los sistemas de control de semáforos adaptativos [ 86 , 87], se han
propuesto pero escasamente implementado. Se cree que los impactos de tales
métodos pueden reducir los efectos ambientales negativos y proporcionar aire libre de
contaminación al reducir la congestión de manera significativa. En los últimos años, los
vehículos eléctricos se han convertido en una opción potencial popular para combatir
las emisiones de carbono. Sin embargo, también existen otros impactos ambientales
impuestos por las baterías de los vehículos eléctricos [ 88 , 89 ]. Por lo tanto, deben
investigarse más los procedimientos de reciclaje adecuados [ 90 , 91 , 92 ].
 Efectos socioeconómicos de la congestión. La congestión del tráfico afecta
significativamente la vida urbana desde los aspectos sociales y económicos [ 9 , 93 ]. Se
han explorado considerablemente las causas y consecuencias de la congestión del
tráfico urbano [ 13 ]. La productividad general de la sociedad se reduce debido a la
congestión del tráfico, lo que, en consecuencia, afecta también a la economía
[ 13 , 58 ]. Los aspectos socioeconómicos deben incorporarse en la investigación de
mitigación de la congestión para que se puedan reducir los impactos socioeconómicos
negativos de la congestión.

 Conclusiones
La congestión del tráfico es un desafío global en el desarrollo de sistemas de
gestión del tráfico sostenibles y resilientes. En este documento, se presenta una
descripción general de las causas de la congestión del tráfico rodado tanto para la
congestión recurrente como para la no recurrente. Además de esto, las medidas de
congestión del tráfico actualmente disponibles se clasifican en siete categorías
diferentes: (i) velocidad, (ii) tiempo de viaje, (iii) retraso, (iv) nivel de servicios (LoS), (v)
índices de congestión, (vi) enfoques federales, y (vii) una breve discusión sobre las
estrategias empleadas en diferentes países. Para cada categoría, las medidas de
congestión se describen con sus correspondientes ecuaciones y rangos cuantitativos
para varios niveles de congestión. Se utilizó un conjunto de datos de seguimiento de
tráfico en tiempo real para comparar siete medidas de congestión.Se realizaron
análisis diarios y semanales de congestión para un tramo de carretera. A partir del
análisis diario, se observó un período máximo de congestión similar para diferentes
medidas de congestión. Además, el análisis semanal mostró una ligera diferencia del
período máximo de congestión de un día a otro. Además, se identifican las ventajas y
desventajas de cada medida, junto con los criterios de una buena medida de
congestión.
Aunque no hay garantía de que la congestión del tráfico se pueda resolver por
completo, en este estudio se enumeran algunos de los enfoques de mitigación más
utilizados. Teniendo en cuenta los enfoques de medición y mitigación disponibles, se
discutió una amplia variedad de posibles direcciones futuras de investigación. Este
artículo de revisión consiste principalmente en medidas de congestión no
probabilísticas. Para el trabajo futuro inmediato, se evaluarán varias medidas
 probabilísticas de congestión, ya que son más apropiadas para ser empleadas en los
planes de predicción y mitigación de la congestión. Además, se llevarán a cabo análisis
de datos más profundos considerando varias ubicaciones (o segmentos de carreteras),
diferentes condiciones de tráfico y la complejidad de las estructuras de las carreteras.
En general, Este estudio determina los desafíos actuales en los enfoques de medición
de la congestión del tráfico y proporciona una nueva perspectiva hacia el desarrollo de
un sistema de gestión del tráfico sostenible y resiliente a largo plazo.

Contribuciones de autor
Conceptualización, TA y NY; Metodología, TA y NY; Software, TA; Validación, TA y
NY; Análisis formal, NY; Investigación, TA y NY; Recursos, NY; Curación de datos,
TA; Redacción: preparación del borrador original, TA; Redacción: revisión y edición,
NY; Visualización, TA y NY; Supervisión, NY; Administración de proyectos,
NY; Adquisición de fondos, NY Todos los autores han leído y están de acuerdo con la
versión publicada del manuscrito.

Fondos
Esta investigación cuenta con el apoyo parcial del Programa establecido de
Dakota del Norte para estimular la investigación competitiva (ND EPSCoR): Programa
de promoción de la excelencia científica en Dakota del Norte con la subvención
no. FAR0032090, y el Premio de Desarrollo Docente 2019 de Actividad de Investigación
y Creatividad (RCA) de NDSU.

Conflictos de interés
Los autores declaran no tener ningún conflicto de intereses.

Referencias
1. Reed, T .; Kidd, J. Global Traffic Scorecard ; Investigación de INRIX: Altrincham,
Reino Unido, 2019. [ Google Scholar ]
2. Aftabuzzaman, M. Midiendo la congestión del tráfico: una revisión crítica. En
Proceedings of the 30th Australasian Transport Research Forum (ATRF), Melbourne,
Australia, 25 a 27 de septiembre de 2007. [ Google Scholar ]
3. Sistemática, C. Congestión del tráfico y confiabilidad: Tendencias y estrategias
avanzadas para la mitigación de la congestión ; Cambridge Systematics Inc .:
Cambridge, MA, EE. UU., 2005. [ Google Scholar ]
4. Litman, T. Estrategias de reducción de la congestión: identificación y evaluación
de estrategias para reducir la congestión del tráfico ; Victoria Transport Policy Institute:
Victoria, BC, Canadá, 2007. [ Google Scholar ]
5. FHWA. Operaciones: reducción de la congestión recurrente. Disponible en
línea: https://ops.fhwa.dot.gov/program_areas/reduce-recur-cong.htm (consultado
el 10 de diciembre de 2019).
6. Falcocchio, JC; Levinson, HS Manejo de la congestión no recurrente. En
la congestión del tráfico vial: una guía concisa ; Springer: Berlín / Heidelberg, Alemania,
2015; págs. 197–211. [ Google Académico ]
7. Ghosh, B. Predecir la duración y el impacto de los incidentes viales no
recurrentes en la red de transporte. Doctor. Tesis, Universidad Tecnológica de
Nanyang, Singapur, mayo de 2019. [ Google Scholar ]
8. Fonseca, DJ; Moynihan, médico de cabecera; Fernandes, H. El papel de la
congestión no recurrente en eventos de evacuación masiva de
huracanes. En Investigación sobre huracanes recientes: Clima, dinámica e impactos
sociales ; InTech: Londres, Reino Unido, 2011; págs. 441–458. [ Google Académico ]
9. Tonelada, C .; Beevers, S .; Armstrong, B .; Kelly, F .; Wilkinson, P. Beneficios de
la contaminación del aire y la mortalidad de la tasa de congestión de Londres:
desigualdades espaciales y socioeconómicas. Ocupar Reinar. Medicina. 2008 , 65 ,
620–627. [ Google Académico ] [ CrossRef ]
10. Armah, FA; Yawson, DO; Pappoe, AA Un enfoque de dinámica de sistemas para
explorar el vínculo entre la congestión del tráfico y la contaminación del aire en la
ciudad de Accra, Ghana. Sustainability 2010 , 2 , 252–265. [ Google Académico ]
[ CrossRef ]
11. Wang, J .; Chi, L .; Hu, X .; Zhou, H. Modelo de fijación de precios de la
congestión del tráfico urbano con la consideración del costo de las emisiones de
carbono. Sostenibilidad 2014 , 6 , 676–691. [ Google Académico ] [ CrossRef ]
12. Liu, Y .; Yan, X .; Wang, Y .; Yang, Z .; Wu, J. Mapeo de cuadrícula para análisis
de patrones espaciales de la congestión del tráfico urbano recurrente basado en datos
de detección de GPS de taxi. Sustainability 2017 , 9 , 533. [ Google Scholar ]
[ CrossRef ]
13. Bull, A .; Thomson, I. Congestión del tráfico urbano: sus causas y consecuencias
económicas y sociales. Cepal Rev. 2002 , 72 , 1–12. [ Google Académico ]
14. Schrank, D .; Eisele, B .; Lomax, T .; Bak, J. Tarjeta de puntuación de movilidad
urbana ; Junta de investigación del transporte: washingtopn, DC, EE. UU., 2015.
[ Google Scholar ]
15. Dubey, A .; White, J. Dxnat: redes neuronales profundas para explicar la
congestión del tráfico no recurrente. arXiv 2018 , arXiv: 1802.00002. [ Google
Académico ]
16. Pishue, B. Puntos calientes de tráfico en EE . UU.: Midiendo el impacto de la
congestión en los Estados Unidos ; Academias Nacionales de Ciencias, Ingeniería y
Medicina: Washington, DC, EE. UU., 2017. [ Google Scholar ]
17. La congestión del tráfico le costó a la economía de EE. UU. Casi $ 87 mil
millones en 2018. Disponible en
línea: https://www.weforum.org/agenda/2019/03/traffic-congestion-cost-the-us-
economy-nearly-87-billion- in-2018 (consultado el 12 de diciembre de 2019).
18. Harris, N .; Shealy, T .; Klotz, L. Elección de la arquitectura como una forma de
fomentar una perspectiva de diseño de sistemas completos para una infraestructura
más sostenible. Sustainability 2017 , 9 , 54. [ Google Scholar ] [ CrossRef ]
19. Little, RG Control de fallas en cascada: comprensión de las vulnerabilidades de
las infraestructuras interconectadas. J. Urban Technol. 2002 , 9 , 109-123. [ Google
Académico ] [ CrossRef ]
20. Afrin, T .; Yodo, N. Evaluaciones de recuperación basadas en resiliencia de
sistemas de infraestructura en red bajo ataques localizados. Infraestructuras 2019 , 4 ,
11. [ Google Scholar ] [ CrossRef ]
21. Yodo, N .; Wang, P .; Rafi, M. Habilitación de la resiliencia de sistemas de
ingeniería complejos utilizando la teoría de control. IEEE Trans. Reliab. 2018 , 67 , 53–
65. [ Google Académico ] [ CrossRef ]
22. Bhandari, A .; Patel, V .; Patel, MA Encuesta sobre detección de congestión de
tráfico y estrategias de redireccionamiento. En Actas de la Segunda Conferencia
Internacional sobre Tendencias en Electrónica e Informática (ICOEI), Tirunelveli, India,
11-12 de mayo de 2018. [ Google Scholar ]
23. Li, Z .; Liu, P .; Xu, C .; Duan, H .; Wang, W. Estrategia de control de límite de
velocidad variable basada en el aprendizaje reforzado para reducir la congestión del
tráfico en los cuellos de botella recurrentes de las autopistas. IEEE
Trans. Intell. Transp. Syst. 2017 , 18 , 3204–3217. [ Google Académico ] [ CrossRef ]
24. Stefanello, F .; Buriol, LS; Hirsch, MJ; Pardalos, PM; Querido, T .; Resende,
MG; Ritt, M. Sobre la minimización de la congestión del tráfico en las redes de
carreteras con peaje. Annal. Oper. Res. 2017 , 249 , 119-139. [ Google Académico ]
[ CrossRef ]
25. Choudhary, A .; Gokhale, S. Evaluación de los beneficios de reducción de
emisiones de la gestión del flujo de tráfico y la actualización de tecnología en un
corredor de tráfico urbano congestionado. Clean Technol. Reinar. Política 2019 , 21 ,
257–273. [ Google Académico ] [ CrossRef ]
26. Nellore, K .; Hancke, GP Una encuesta sobre el sistema de gestión del tráfico
urbano que utiliza redes de sensores inalámbricos. Sensores 2016 , 16 , 157. [ Google
Scholar ] [ CrossRef ]
27. Kumar, T .; Kushwaha, DS Un enfoque para la detección de congestión de
tráfico y el sistema de control de tráfico. En Tecnología de la Información y la
Comunicación para Estrategias Competitivas ; Springer: Berlín / Heidelberg, Alemania,
2019; págs. 99–108. [ Google Académico ]
28. Cárdenas-Benítez, N .; Aquino-Santos, R .; Magaña-Espinoza, P .; Aguilar-
Velazco, J .; Edwards-Block, A. Medina Cass A. Sistema de detección de congestión de
tráfico mediante vehículos conectados y big data. Sensores 2016 , 16 , 599. [ Google
Scholar ]
29. Feng, X .; Saito, M .; Liu, Y. Mejorar la gestión del transporte urbano de
pasajeros mediante una previsión racional de la probabilidad de congestión del
tráfico. En t. J. Prod. Res. 2016 , 54 , 3465–3474. [ Google Académico ] [ CrossRef ]
30. Él, F .; Yan, X .; Liu, Y .; Ma, L. Un método de evaluación de la congestión del
tráfico para redes de carreteras urbanas basado en el índice de rendimiento de
velocidad. Procedia Eng. 2016 , 137 , 425–433. [ Google Académico ] [ CrossRef ]
31. Rao, AM; Rao, KR Midiendo la congestión del tráfico urbano: una revisión. En
t. J. Traffic Trans. Ing. 2012 , 2 , 4. [ Google Académico ]
32. Lomax, TJ; Schrank, DL El Informe de movilidad urbana de 2005 ; Institución de
transporte de Texas A & M: College Station, TX, EE. UU., 2005. [ Google Scholar ]
33. Bar-Gera, H. Evaluación de un sistema basado en teléfono celular para medir la
velocidad del tráfico y los tiempos de viaje: un estudio de caso de
Israel. Trans. Res. Parte C Emerg. Technol. 2007 , 15 , 380–391. [ Google Académico ]
[ CrossRef ]
34. Departamento de Transporte de los Estados Unidos: Administración Federal de
Carreteras. Tendencias de la congestión urbana de 2016 ; Administración Federal de
Carreteras: Washington, DC, EE. UU., 2016.
35. Departamento de Transporte de los Estados Unidos: Administración Federal de
Carreteras. Tendencias de la congestión urbana de 2017 ; Administración Federal de
Carreteras: Washington, DC, EE. UU., 2017.
36. Departamento de Transporte de los Estados Unidos: Administración Federal de
Carreteras. Tendencias de la congestión urbana de 2018 ; Administración Federal de
Carreteras: Washington, DC, EE. UU., 2018.
37. Falcocchio, JC; Levinson, HS Road Traffic Congestion: A Concise Guide ; Springer:
Berlín / Heidelberg, Alemania, 2015; Volumen 7. [ Google Scholar ]
38. Suresh, S .; Whitt, W. El fenómeno del cuello de botella de tráfico pesado en las
redes de colas abiertas. Oper. Res. Letón. 1990 , 9 , 355–362. [ Google Académico ]
[ CrossRef ]
39. Cassidy, MJ; Bertini, RL Algunas características del tráfico en los cuellos de
botella de las autopistas. Transp. Res. Método de la Parte B 1999 , 33 , 25–
42. [ Google Académico ] [ CrossRef ]
40. Laval, JA; Daganzo, CF Cambio de carril en corrientes de
tráfico. Transp. Res. Método de la Parte B 2006 , 40 , 251–264. [ Google Académico ]
[ CrossRef ]
41. Highway Bottleneck Blues: 3PL Cleveland Trucking Solutions para reducir
costos: entrega y almacenamiento a tiempo. 2019. Disponible en
línea: https://otdw.net/2019/05/25/highway-bottleneck-blues-3pl-cleveland-
trucking-solutions-to-cut-costs/ (consultado el 14 de diciembre de 2019).
42. Wang, Y .; Zhu, X .; Pequeño.; Wu, B. Razones y contramedidas de la congestión
del tráfico bajo la reurbanización del suelo urbano. Procedia
Soc. Behav. Sci. 2013 , 96 , 2164–2172. [ Google Académico ] [ CrossRef ]
43. Robinson, RM; Collins, AJ; Jordan, CA; Foytik, P .; Khattak, AJ Modelado del
impacto de los incidentes de tráfico durante las evacuaciones de huracanes utilizando
una microsimulación a gran escala. En t. J. Reducción del riesgo de
desastres. 2018 , 31 , 1159–1165. [ Google Académico ] [ CrossRef ]
44. Haselkorn, M .; Yancey, S .; Savelli, S. Gestión coordinada de incidentes de
tráfico y congestión (TIM-CM): mitigación de los impactos regionales de los principales
incidentes de tráfico en el corredor I-5 de Seattle ; Departamento de
Transporte. Oficina de Investigación y Biblioteca: Washington, DC, EE. UU., 2018.
45. Mahmassani, HS; Dong, J .; Kim, J .; Chen, RB; Park, BB Incorporación de los
impactos climáticos en los sistemas de estimación y predicción del tráfico ; Oficina del
programa conjunto para sistemas de transporte inteligentes: Washington, DC, EE. UU.,
2009. [ Google Scholar ]
46. Documentación y definiciones — Informes de congestión urbana — Medición
del desempeño de las operaciones — Operaciones de la FHWA. Disponible en
línea: https://ops.fhwa.dot.gov/perf_measurement/ucr/documentation.htm (consult
ado el 15 de diciembre de 2019).
47. Ter Huurne, D .; Andersen, J. Una medida cuantitativa de la congestión en
Stellenbosch utilizando datos de sonda. En Actas de la primera Conferencia
Internacional sobre el uso de la Información Móvil y la Tecnología de la Comunicación
 (TIC) en África UMICTA 2014, Stellenbosch, Sudáfrica, 9-10 de diciembre de 2014; ISBN
978-0-7972-1533-7. [ Google Académico ]
48. Manual, Informe especial 209 de la Junta de Investigación en Transporte
de HC ; Junta de Investigación del Transporte: Washington, DC, EE. UU., 1994. [ Google
Scholar ]
49. Wan, C .; Yang, Z .; Zhang, D .; Yan, X .; Fan, S. Resiliencia en los sistemas de
transporte: una revisión sistemática y direcciones futuras. Transp. Rev. 2018 , 38 ,
479–498. [ Google Académico ] [ CrossRef ]
50. Tang, J .; Heinimann, HR Un enfoque orientado a la resiliencia para evaluar
cuantitativamente la congestión espacio-temporal recurrente en las carreteras
urbanas. PLoS ONE 2018 , 13 , e0190616. [ Google Académico ] [ CrossRef ]
51. Rastreador de tráfico de Chicago — Estimaciones históricas de congestión por
segmento — 2018-Actual — Data.gov.s. Disponible en
línea: https://catalog.data.gov/dataset/chicago-traffic-tracker-historical-congestion-
estimates-by-segment-2018-current (consultado el 10 de octubre de 2019).
52. Hamad, K .; Kikuchi, S. Desarrollo de una medida de congestión del tráfico:
enfoque de inferencia difusa. Transp. Res. Rec. 2002 , 1802 , 77–85. [ Google
Académico ] [ CrossRef ]
53. Lomax, TJ Quantifying Congestion ; Junta de Investigación del Transporte:
Washington, DC, EE. UU., 1997. [ Google Scholar ]
54. Byrne, G .; Mulhall, S. Gestión de la congestión: requisitos de datos y
comparaciones en el desarrollo de medidas para un sistema de gestión de congestión
multimodal. En Actas de la Quinta Conferencia Nacional sobre Aplicaciones de
Métodos de Planificación del Transporte — Volumen I: Compendio de artículos
basados en una conferencia, Seattle, DC, EE. UU., 17-21 de abril de 1995. [ Google
Scholar ]
55. Turner, SM; Lomax, TJ; Levinson, HS Medición y estimación de la congestión
mediante procedimientos basados en el tiempo de
viaje. Transp. Res. Rec. 1996 , 1564 , 11-19. [ Google Académico ] [ CrossRef ]
56. Boarnet, MG; Kim, EJ; Parkany, E. Midiendo la congestión del
tráfico. Transp. Res. Rec. 1998 , 1634 , 93–99. [ Google Académico ] [ CrossRef ]
57. Lomax, T .; Turner, S .; Shunk, G .; Levinson, HS; Pratt, RH; Bay, PN; Douglas,
GB Cuantificación de la congestión. Volumen 2: Guía del usuario ; Junta de
Investigación del Transporte: Washington, DC, EE. UU., 1997. [ Google Scholar ]
58. Triantis, K .; Sarangi, S .; Teodorović, D .; Razzolini, L. Mitigación de la
congestión del tráfico: combinación de perspectivas económicas y de
ingeniería. Transp. Plan. Technol. 2011 , 34 , 637–645. [ Google Académico ]
[ CrossRef ]
59. Teodorović, D .; Dell'Orco, M. Mitigación de la congestión del tráfico: solución
del problema de coincidencia de viajes mediante la optimización de colonias de
abejas. Transp. Plan. Technol. 2008 , 31 , 135-152. [ Google Académico ] [ CrossRef ]
60. Litman, T. Alivio inteligente de la congestión: análisis integral de los costos de la
congestión del tráfico y los beneficios de la reducción de la congestión ; Victoria
Transport Policy Institute: Victoria, BC, Canadá, 2016. [ Google Scholar ]
61. Lou, Y .; Yin, Y .; Lawphongpanich, S. Planificación del despliegue de patrullas de
servicio de autopistas para la gestión de incidentes y mitigación de la
 congestión. Transp. Res. Parte C Emerg. Technol. 2011 , 19 , 283–295. [ Google
Académico ] [ CrossRef ]
62. Pesti, G .; Wiles, P .; Cheu RL, K .; Songchitruksa, P .; Shelton, J .; Cooner,
S. Estrategias de control de tráfico para autopistas y zonas de trabajo
congestionadas ; Instituto de Transporte de Texas: College Station, TX, EE. UU., 2008.
[ Google Scholar ]
63. Dickerson, CL, III; Wang, J .; Witherspoon, J .; Crumley, SC Gestión de zona de
trabajo en el distrito de Columbia: Implementación de un plan de gestión de
transporte en toda la ciudad y un sistema de gestión de proyectos de zona de
trabajo. Transp. Res. Rec. 2016 , 2554 , 37–45. [ Google Académico ]
64. Skolnik, J .; Chami, R .; Walker, M. Eventos especiales planificados: función
económica y efectos de la congestión ; Administración Federal de Carreteras:
Washington, DC, EE. UU., 2008. [ Google Scholar ]
65. Luten, K. Mitigación de la congestión del tráfico: el papel de las estrategias del
lado de la demanda ; The Association: Washington, DC, EE. UU., 2004. [ Google
Scholar ]
66. Chung, Y. Evaluación de la congestión no recurrente causada por la
precipitación utilizando datos archivados sobre el clima y el flujo de
tráfico. Transp. Policy 2012 , 19 , 167–173. [ Google Académico ] [ CrossRef ]
67. Cheng, A .; Pang, M.-S .; Pavlou, PA Mitigar la congestión del tráfico: el papel de
los sistemas de transporte inteligentes. Informar. Syst. Res. Forthcom. 2019 . [ Google
Académico ] [ CrossRef ]
68. Afrin, T .; Yodo, N .; Caldarelli, G. Una encuesta concisa de los avances en las
estrategias de recuperación para redes complejas resilientes. J. Complex
Netw. 2018 . [ Google Académico ] [ CrossRef ]
69. Yodo, N .; Arfin, T. Una evaluación de la resiliencia de un sistema de energía
múltiple interdependiente con microrredes. Sostener. Resil. Infraestructura. 2020 , 1-
14. [ Google Académico ] [ CrossRef ]
70. Hock, D .; Hartmann, M .; Gebert, S .; Jarschel, M .; Zinner, T .; Tran-Gia, P.
Colocación del controlador resiliente óptimo para Pareto en redes centrales basadas
en SDN. En Actas del 25º Congreso Internacional de Teletrafico (ITC), Shanghai, China,
10 a 12 de septiembre de 2013. [ Google Scholar ]
71. Yodo, N .; Wang, P. Análisis de resiliencia para sistemas complejos de cadena
de suministro que utilizan redes bayesianas. En Actas de la 54ª Reunión de Ciencias
Aeroespaciales de la AIAA, San Diego, CA, EE. UU., 4 a 8 de enero de 2016. [ Google
Scholar ]
72. Svanberg, J. Detección de anomalías para congestiones de tráfico no
recurrentes mediante redes de memoria a corto y largo plazo (LSTM) ; KTH Royal
Institute of Technology School of Electrical Engineering and Computer Science:
Estocolmo, Suecia, 2018. [ Google Scholar ]
73. Kopf, JM; Nee, J .; Ishimaru, JM; Hallenbeck, ME; Bremmer, D. Medición de la
congestión recurrente y no recurrente: Fase 2 ; WA-RD 619.1 .; Centro de transporte
del estado de Washington: Seattle, WA, EE. UU., 2005. [ Google Scholar ]
74. Zhao, J .; Gao, Y .; Bai, Z .; Wang, H .; Lu, S. Predicción de la velocidad del tráfico
en situaciones de congestión no recurrente: según el método LSTM y los datos del
sistema de navegación por satélite BeiDou. IEEE Intell. Transp. Syst. revista 2019 , 11 ,
70–81. [ Google Académico ] [ CrossRef ]
75. Yodo, N .; Wang, P. Cuantificación de la resiliencia de la ingeniería e
implicaciones del diseño de sistemas: un estudio de la literatura. J.
Mech. Des. 2016 , 138 , 1–13. [ Google Académico ] [ CrossRef ]
76. Chen, Z .; Liu, XC; Zhang, G. Análisis de congestión no recurrente utilizando un
enfoque espacio-temporal basado en datos para la construcción de
información. Transp. Res. Parte C Emerg. Technol. 2016 , 71 , 19–31. [ Google
Académico ] [ CrossRef ]
77. Maghelal, P .; Li, X .; Peacock, WG Congestión en la autopista durante la
evacuación: Examinando la elección de la familia sobre el número de vehículos para
evacuar. Nat. Hazards 2017 , 87 , 1399–1411. [ Google Académico ] [ CrossRef ]
78. Javaid, S .; Sufian, A .; Pervaiz, S .; Tanveer, M. Sistema de gestión de tráfico
inteligente utilizando Internet of Things. En Actas de la 20ª Conferencia Internacional
sobre Tecnología de Comunicación Avanzada (ICACT), Gangwon-do, Corea, 11-14 de
febrero de 2018. [ Google Scholar ]
79. Farheen, A .; Ashwini, S .; Priyanka, KG; Divya, PR; Bhagya, R. Gestión del tráfico
basada en IoT en ciudades inteligentes. En Actas de la Conferencia internacional sobre
tecnologías inteligentes de comunicación de datos e Internet de las cosas, Coimbatore,
India, 7 a 8 de agosto de 2018. [ Google Scholar ]
80. Huang, Z .; Xia, J .; Li, F .; Li, Z .; Li, Q. Un método de predicción de congestión
de tráfico pico basado en el tiempo de conducción del autobús. Entropy 2019 , 21 ,
709. [ Google Scholar ] [ CrossRef ]
81. Zhang, S .; Yao, Y .; Hu, J .; Zhao, Y .; Li, S .; Hu, J. Redes neuronales
autocodificadoras profundas para la predicción de la congestión del tráfico a corto
plazo de las redes de transporte. Sensores 2019 , 19 , 2229. [ Google Scholar ]
[ CrossRef ] [ PubMed ]
82. Xing, Y .; Ban, X .; Liu, X .; Shen, Q. Predicción de la congestión del tráfico a gran
escala basada en el método de aprendizaje rápido del clúster de máquinas de
aprendizaje extremo simétrico. Symmetry 2019 , 11 , 730. [ Google Scholar ]
[ CrossRef ]
83. Lopez-Behar, D .; Tran, M .; Froese, T .; Mayaud, JR; Herrera, OE; Mérida, W.
Infraestructura de carga para vehículos eléctricos en edificios residenciales de
unidades múltiples: mapeo de retroalimentación y recomendaciones de
políticas. Energy Policy 2019 , 126 , 444–451. [ Google Académico ] [ CrossRef ]
84. Nasir, MK; Md Noor, R .; Kalam, MA; Masum, BM Reducción del consumo de
combustible y contaminantes de escape mediante sistemas de transporte
inteligentes. Sci. Mundo J. 2014 . [ Google Académico ] [ CrossRef ]
85. Shladover, SE Contribuciones potenciales de los sistemas inteligentes de
vehículos / carreteras (IVHS) para reducir la producción de gases de efecto invernadero
del transporte. Transp. Res. Parte A Práctica de política. 1993 , 27 , 207–216. [ Google
Académico ] [ CrossRef ]
86. Doolan, R .; Muntean, G.-M. EcoTrec: un enfoque novedoso basado en VANET
para reducir las emisiones de los vehículos. IEEE Trans. Intell. Transp. Syst. 2016 , 18 ,
608–620. [ Google Académico ] [ CrossRef ]
87. Litman, T. Estrategias de reducción de emisiones de transporte
inteligente ; Victoria Transport Policy Institute: Victoria, BC, Canadá, 2017. [ Google
Scholar ]
88. Gaines, L .; Singh, M. Impactos ambientales y energéticos de la producción y el
reciclaje de baterías de vehículos eléctricos ; Laboratorio Nacional de Argonne: Lemont,
IL, EE. UU., 1995. [ Google Scholar ]
89. Nordelöf, A .; Messagie, M .; Tillman, AM; Söderman, ML; Van Mierlo, J.
Impactos ambientales de los vehículos híbridos, híbridos enchufables y de batería:
¿qué podemos aprender de la evaluación del ciclo de vida? En t. J. Evaluación del ciclo
de vida. 2014 , 19 , 1866–1890. [ Google Académico ] [ CrossRef ]
90. Horn, D .; Zimmermann, J .; Gassmann, A .; Stauber, R .; Gutfleisch, O. Reciclaje
de baterías: enfoque en baterías de iones de litio. En ingeniería de baterías moderna:
una introducción completa ; Compañía Editorial Científica Mundial: Singapur,
2019; pags. 223. [ Google Scholar ]
91. Raugei, M .; Winfield, P. LCA prospectivo de la producción y reciclaje EoL de un
nuevo tipo de batería de iones de litio para vehículos eléctricos. J.
Limpio. Pinchar. 2019 , 213 , 926–932. [ Google Académico ] [ CrossRef ]
92. Harper, G .; Sommerville, R .; Kendrick, E .; Driscoll, L .; Slater, P .; Stolkin,
R .; Walton, A .; Christensen, P .; Heidrich, O .; Lambert, S .; et al. Reciclaje de baterías
de iones de litio de vehículos eléctricos. Nature 2019 , 575 , 75–86. [ Google
Académico ] [ CrossRef ] [ PubMed ]
93. Mokhtarian, PL; Raney, EA; Salomon, I. Respuesta conductual a la congestión:
identificación de patrones y diferencias socioeconómicas en la
adopción. Transp. Policy 1997 , 4 , 147–160. [ Google Académico ] [ CrossRef ]

Figura 1. Diagrama de flujo de revisión de la literatura y estructura de este artículo de

revisión.
Figura 2. Cuellos de botella en una carretera [ 41 ].

Figura 3. Medidas de congestión en diferentes categorías.

Figura 4. Condiciones del tráfico en el segmento de Michigan a Lake Shore Drive el 18
de diciembre de 2019.
Figura 5. Medidas de congestión: ( a ) SRI, ( b ) SPI, ( c ) tasa de viaje, ( d ) tasa de
demora, ( e ) tasa de demora, ( f ) V / C y ( g ) RCI por un día ( 19 de marzo de 2018).
Figura 6. Tendencia de una semana de diferentes medidas de congestión. ( a ) SRI, ( b )
SPI, ( c ) tasa de desplazamiento, ( d ) tasa de demora, ( e ) tasa de demora, ( f ) V / C y
( g ) RCI.
Figura 7. Tendencias semanales de ( a ) R  i , ( b ) horas congestionadas, ( c ) TTI y ( d )
PTI.

Tabla 1. Índice de rendimiento de la velocidad con el estado del tráfico

Tabla 2. Nivel de servicio (LoS) basado en la relación V / C correspondiente y las

condiciones de operación

Tabla 3. Puntos pico de diferentes medidas de congestión en días laborables.

Tabla 4. Puntos máximos de diferentes medidas de congestión los fines de semana.

Tabla 5. Congestión cada día de la semana según el SRI y el SPI

Cuadro 6. Índice de tramos de carreteras ( R  i ) y medidas federales

Cuadro 7. Ventajas y desventajas de diversas medidas de congestión

[ 2 , 32 , 52 , 53 , 54 ].

Maestría en Ciencias en Ingeniería Civil con Mención en Transportes