41- #1040 EVALUACIÓN DE METAHEURÍSTICAS 51 PARA CALIBRAR EL MODELO DE MICROSIMULACIÓN: TRANSMODELER.
| dc.creator | Arias Hernández, Juan Sebastián | |
| dc.date | 2019-01-01 | |
| dc.date.accessioned | 2022-03-14T20:10:16Z | |
| dc.date.available | 2022-03-14T20:10:16Z | |
| dc.description | Los microsimuladores de tráfico son herramientasampliamente utilizadas en análisis de transporte(Hollander & Liu, 2008) debido a que permiten modelarlas interacciones que presentan diferentes actores yelementos como son: vehículos, peatones, señales detránsito e infraestructura, entre otros. De esta manera,se puede evaluar políticas que van desde laintervención de la red hasta la implementación desistemas inteligentes de transporte con el fin de valorarlos impactos de estas decisiones. Para que las conclusiones de un microsimulador sepuedan extrapolar a la realidad se debe garantizar queel software represente las condiciones de la zona deestudio adecuadamente, proceso denominadocalibración (Balakrishna, 2007). Esto se logra a travésde la metodología optimización basada en simulación(Ciuffo, Punzo, & Montanino, 2012), donde se minimizala discrepancia entre las variables del simulador y lasadquiridas en campo al modificar, de manerainteligente, los parámetros del simulador. El objetivo de esta investigación es evaluar elcomportamiento de tres estrategias para buscar losparámetros que calibran el modelo de microsimulaciónTransModeler, estas son: una aproximación simultánea mediante una perturbación estocástica (SPSA), un algoritmo basado en enjambres de partículas (SO) y unalgoritmo genético (AG). La zona del parque OlayaHerrera de Pereira se selecciona para llevar a cabo elestudio debido al alto flujo vehicular que presenta. Los resultados muestran que el AG tiene un mejordesempeño que el SPSA y el SO. Este hallazgo es deresaltar puesto que en la literatura se reporta que éstosson los de peor desempeño. El SO explora el espaciode soluciones de manera amplia, algo que no ofrecemayor ventaja en los procesos de calibración debido altiempo requerido. Además, los resultados se validanestadísticamente, práctica poco común en este tipo deinvestigaciones. | es-ES |
| dc.format | application/pdf | |
| dc.identifier | https://revistas.uis.edu.co/index.php/memoriasuis/article/view/10449 | |
| dc.identifier.uri | https://noesis.uis.edu.co/handle/20.500.14071/5470 | |
| dc.language | spa | |
| dc.publisher | Universidad Industrial de Santander | es-ES |
| dc.relation | https://revistas.uis.edu.co/index.php/memoriasuis/article/view/10449/10327 | |
| dc.rights.accessrights | info:eu-repo/semantics/openAccess | |
| dc.rights.coar | http://purl.org/coar/access_right/c_abf2 | |
| dc.rights.creativecommons | Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) | |
| dc.rights.license | Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) | |
| dc.source | Memorias Institucionales UIS; Vol. 2 Núm. 1 (2020): Memorias Institucionales UIS | es-ES |
| dc.source | Memorias Institucionales UIS; Vol. 2 No. 1 (2020): Memorias Institucionales UIS | en-US |
| dc.source | Memorias Institucionales UIS; v. 2 n. 1 (2020): Memorias Institucionales UIS | pt-BR |
| dc.source | 2711-0567 | |
| dc.subject | Calibración | es-ES |
| dc.subject | Microsimulación | es-ES |
| dc.subject | Metaheurísticas, | es-ES |
| dc.subject | Optimización Basada en Simulación | es-ES |
| dc.title | 41- #1040 EVALUACIÓN DE METAHEURÍSTICAS 51 PARA CALIBRAR EL MODELO DE MICROSIMULACIÓN: TRANSMODELER. | es-ES |
| dc.type | info:eu-repo/semantics/article | |
| dc.type | info:eu-repo/semantics/publishedVersion | |
| dspace.entity.type |