Noelia Cáceres Sánchez TESIS DOCTORAL - Universidad de Sevilla
Noelia Cáceres Sánchez TESIS DOCTORAL - Universidad de Sevilla
Noelia Cáceres Sánchez TESIS DOCTORAL - Universidad de Sevilla
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Capítulo 4: INFERENCIA DE VOLÚMENES DE TRÁFICO MEDIANTE LA TELEFONÍA MÓVIL 109<br />
Gráficamente, se aprecia que los mo<strong>de</strong>los 2 y 3 consiguen valores muy similares <strong>de</strong><br />
estimaciones <strong>de</strong> volúmenes <strong>de</strong> vehículos dado un número <strong>de</strong> llamadas en movilidad. Esto tiene<br />
su origen en la forma funcional <strong>de</strong> los mo<strong>de</strong>los, dado que ambas se diferencian únicamente en el<br />
término cuadrático que multiplica al número <strong>de</strong> llamadas en movilidad (c·x 2 ). El or<strong>de</strong>n <strong>de</strong><br />
magnitud <strong>de</strong> ese parámetro c no introduce un cambio significativo en la predicción, mientras<br />
que el resto <strong>de</strong> parámetros se mantienen <strong>de</strong>l mismo or<strong>de</strong>n en ambos mo<strong>de</strong>los. En consecuencia,<br />
las diferencias entre las predicciones <strong>de</strong> ambos mo<strong>de</strong>los apenas son apreciables en la escala<br />
gráfica utilizada, no ocurriendo lo mismo atendiendo a otros criterios como error absoluto, error<br />
relativo o correlación, entre otros, como ya se <strong>de</strong>mostró con anterioridad. Algo similar ocurre<br />
con las predicciones <strong>de</strong> los mo<strong>de</strong>los 4 y 5. Por ello, resulta complejo establecer una clasificación<br />
clara atendiendo a un análisis visual. No obstante, centrándose en los mo<strong>de</strong>los seleccionados<br />
según los criterios <strong>de</strong>sarrollados en los apartados anteriores, mo<strong>de</strong>lo 2, 3 y 6, se observa que sus<br />
predicciones son las que mejor seguimiento realizan <strong>de</strong> los picos y valles <strong>de</strong> los valores<br />
observados <strong>de</strong> volúmenes <strong>de</strong> vehículos. Este hecho encaja con las conclusiones alcanzadas<br />
anteriormente en términos <strong>de</strong> error, percentiles y correlación. Por ello, parece lógico pensar que<br />
esos tres mo<strong>de</strong>los – mo<strong>de</strong>lo 2, 3 y 6 – son los más a<strong>de</strong>cuados para la predicción <strong>de</strong> volúmenes<br />
<strong>de</strong> vehículos a partir <strong>de</strong> un número <strong>de</strong> llamadas en movilidad realizadas en un periodo <strong>de</strong><br />
tiempo. Las siguientes figuras se centran en las predicciones <strong>de</strong> volúmenes <strong>de</strong> vehículos hechas<br />
por esos tres mo<strong>de</strong>los y los valores reales observados por estaciones <strong>de</strong> aforo.<br />
[veh]<br />
[veh]<br />
1400<br />
1200<br />
1000<br />
800<br />
ID Frontera 1<br />
600<br />
8h-9h 9h-10h 10h-11h 11h-12h 12h-13h 13h-14h 14h-15h 15h-16h 16h-17h 17h-18h 18h-19h 19h-20h 20h-21h<br />
Intervalo horario ti 1600<br />
1400<br />
1200<br />
1000<br />
ID Frontera 2<br />
800<br />
8h-9h 9h-10h 10h-11h 11h-12h 12h-13h 13h-14h 14h-15h 15h-16h 16h-17h 17h-18h 18h-19h 19h-20h 20h-21h<br />
Intervalo horario ti y reales y2 =(a+b·x)·f �<br />
v<br />
·gll<br />
� y3 =(a+b·x+c·x 2 )·f �<br />
v<br />
·gll<br />
� y6 = f (x,ti ,k))<br />
Figura 4-30: Volúmenes <strong>de</strong> vehículos observados y estimados con mo<strong>de</strong>los 2, 3 y 6 que cruzan la<br />
frontera 1 y la frontera 2.