Los conductores profesionales constituyen un grupo importante de conductores que asumen la responsabilidad de transportar pasajeros y carga de forma segura. Los conductores de autobús y de taxi son una parte importante del sistema de transporte público urbano, y su seguridad al volante afecta a la seguridad del tráfico rodado. Por lo tanto, el objetivo de este trabajo es explorar las diferencias entre conductores de autobús y taxis en sus comportamientos y habilidades al volante y predecir su implicación en accidentes de tráfico basándonos en estos comportamientos y habilidades. Realizamos una encuesta de campo a 274 conductores de autobús y 178 conductores de taxi en Hefei, China. Los resultados revelaron diferencias significativas entre conductores de autobús y taxistas en cuanto a infracciones, falta de concentración y habilidades técnicas al volante. La agresividad y las infracciones tenían efectos predictivos significativos sobre la implicación en accidentes de tráfico de los conductores de autobús, y los fallos de memoria y la falta de conciencia de seguridad tenían efectos predictivos significativos sobre la implicación en accidentes de los taxistas.

Se ha comprobado que la medición de rampas mejora las condiciones del tráfico en la línea principal de la autopista al romper los pelotones de vehículos de rampa y minimizar las turbulencias en los puntos de incorporación. La mayoría de los estudios de evaluación de la medición de rampas han examinado el rendimiento del tráfico en condiciones específicas de demanda, mientras que los aspectos de fiabilidad y variabilidad del tiempo de viaje no se han tratado adecuadamente. Este trabajo se centra en la evaluación de dos algoritmos de medición de rampas bien conocidos en términos de fiabilidad del tiempo de viaje, así como otras medidas de rendimiento, tales como la longitud de las colas, el rendimiento y la duración de la congestión, teniendo en cuenta una amplia gama de demandas de tráfico a lo largo de un año natural. La evaluación se realizó mediante la simulación de un corredor de 8 millas en Kansas City, KS. Los resultados mostraron mejoras localizadas debidas a la medición de rampas en la sección norte de la instalación, en términos de fiabilidad del tiempo de viaje, rendimiento y duración de la congestión. También se demostró que la medición de rampas puede provocar la aparición de un nuevo cuello de botella (posiblemente "oculto") aguas abajo, diluyendo así sus beneficios generales cuando se considera una autopista en su totalidad. Además, se observa que, aunque ALINEA obtuvo mejores resultados que HERO en la línea principal, el funcionamiento del tráfico en las rampas se deterioró significativamente con el control aislado.

La estrategia de embarque razonable puede mejorar la eficiencia, por lo que cómo mejorar la eficiencia de embarque ha sido un tema candente en el transporte aéreo. En este artículo, incorporamos la cantidad de equipaje y el comportamiento grupal de los pasajeros en el modelo de embarque, y desarrollamos una estrategia ampliada para explorar el comportamiento de embarque de cada pasajero y las influencias de la estrategia propuesta en la eficiencia del embarque. Los resultados numéricos indican que la estrategia propuesta puede aliviar las congestiones en la puerta de embarque y en la cabina, eliminar los conflictos de asiento y reducir el tiempo de manipulación del equipaje y el tiempo de embarque. Esto demuestra que la estrategia propuesta puede mejorar la eficacia del embarque. Los resultados pueden ayudar a los administradores a organizar el patrón de embarque para mejorar la eficiencia.

En este estudio, desarrollamos un modelo de Red Neuronal Recurrente (RRNN) para predecir el tráfico de pasajeros en los Sistemas de Tránsito Rápido Masivo (MRT). La Red Neuronal Recurrente se aplicó para construir un modelo para realizar la predicción del tráfico de pasajeros, donde la tarea de previsión se transformó en una tarea de clasificación. Sin embargo, en este proceso, el conjunto de datos de entrenamiento suele estar desequilibrado. Para hacer frente a este desequilibrio del conjunto de datos, nuestra investigación propone volver a muestrear la red neuronal recurrente. Un estudio de caso del Sistema de Tránsito Rápido Masivo de California reveló que el modelo introducido en este trabajo podía predecir oportuna y eficazmente el tráfico de pasajeros del MRT. También se estudiaron las mediciones del propio tráfico de pasajeros y se demostró que el nuevo método proporcionaba una buena comprensión del nivel de tráfico de pasajeros y era capaz de alcanzar una precisión de predicción superior en un 90% a las pruebas estándar. El desarrollo de este modelo añade valor a la metodología de las aplicaciones de tráfico mediante el empleo de estas redes neuronales recurrentes.

Los nodos clave de una red de transporte compleja tienen una influencia significativa en la seguridad de las operaciones de tráfico, la fiabilidad de la conectividad y el rendimiento de toda la red. Sin embargo, la identificación de nodos clave en las redes de transporte urbano existentes se ha centrado principalmente en redes no ponderadas y en la información de red de los propios nodos, que no reflejan con precisión su estado global. Por ello, el presente estudio propone un algoritmo de identificación de nodos clave que combina las características del flujo de tráfico y se basa en la centralidad ponderada de las relaciones entre nodos. Este estudio también utiliza carreteras ponderadas para construir una red de transporte ponderada en el espacio L y un algoritmo aproximado para la centralidad de la interrelación con el fin de reducir la complejidad de los cálculos. Los resultados de la simulación indican que el algoritmo propuesto no sólo es capaz de identificar los nodos clave en un tiempo relativamente corto, sino que lo hace con gran precisión. Las conclusiones de este estudio pueden servir de apoyo a la toma de decisiones en la gestión de redes de carreteras, la planificación y la optimización de la construcción del tráfico urbano.

Más de la mitad de los votantes británicos optaron por abandonar la Unión Europea (UE), lo que dio lugar a una serie de negociaciones entre el Reino Unido y la UE. La retirada del Reino Unido de la UE se conoce como Brexit. Como único país que comparte una frontera terrestre con el Reino Unido, se espera que el impacto del Brexit en Irlanda sea mayor que en cualquier otro país europeo. El objetivo de la investigación es evaluar el impacto potencial del Brexit en el sector del transporte en Irlanda a nivel micro, centrándose en los viajeros transfronterizos y evaluando también el impacto en el transporte de mercancías por carretera. Se examinan posibles escenarios de cruce en seis puntos de cruce. Suponiendo que se implemente una frontera dura, cada cruce se modela en VISSIM, un software de simulación de flujo de tráfico microscópico, utilizando datos de tráfico de Transport Infrastructure Ireland (TII) y el tiempo de permanencia estimado basado en los cruces fronterizos entre EE.UU. y Canadá. Se estudian seis escenarios para determinar el impacto en el tráfico transfronterizo en diferentes condiciones de flujo y con distintos niveles de tecnología utilizada en la infraestructura fronteriza, lo que lleva a tiempos de tramitación cortos frente a largos. El documento evalúa las medidas de viaje, incluidos los retrasos, la longitud de las colas y las emisiones. En el peor de los casos, el retraso de los vehículos es de 18,4 minutos y los costes más elevados asociados a los retrasos en todas las ubicaciones modelizadas se estiman en 60,7 millones de euros al año. Las emisiones estimadas generadas en los pasos fronterizos suscitan preocupación por las repercusiones medioambientales de un Brexit duro. Las entrevistas con las partes interesadas destacaron el papel fundamental de la tecnología para reducir el impacto de un Brexit duro en los viajeros transfronterizos y en el sector del transporte de mercancías. Un hallazgo clave es la importancia de utilizar herramientas tecnológicas para facilitar los controles y reducir los tiempos de procesamiento. Los resultados indican que el uso de la tecnología conlleva un ahorro significativo de tiempo y costes, así como una reducción del impacto medioambiental.

Obtener las trayectorias de todos los vehículos en un tráfico congestionado es esencial para analizar la dinámica del tráfico. Para llevar a cabo un análisis eficaz utilizando datos de trayectorias, se necesita un marco que permita extraer los datos de forma eficiente y precisa. Desafortunadamente, la obtención de trayectorias precisas en el tráfico congestionado es un reto debido a las falsas detecciones y errores de seguimiento causados por factores en el entorno de la carretera, como los vehículos adyacentes, las sombras, las señales de tráfico y las instalaciones de la carretera. Los vehículos aéreos no tripulados (UAV), con la incorporación del aprendizaje automático y el procesamiento de imágenes, pueden mitigar estas dificultades gracias a su capacidad para planear por encima del tráfico. Sin embargo, falta investigación sobre la extracción y evaluación de trayectorias de vehículos en tráfico congestionado. En este estudio, proponemos y comparamos dos marcos basados en el aprendizaje para detectar vehículos: la característica de canal agregado (ACF), que se basa en características creadas por el ser humano, y la red neuronal convolucional más rápida basada en regiones (Faster R-CNN), que se basa en características generadas por datos. Ampliamos los resultados de detección para extraer trayectorias de vehículos en condiciones de tráfico congestionado a partir de imágenes de UAV. Para eliminar los errores asociados al seguimiento de vehículos, también desarrollamos un método de postprocesamiento basado en restricciones de movimiento. A continuación, realizamos análisis detallados de rendimiento para confirmar la viabilidad del marco propuesto en una autopista congestionada de Corea. Los resultados muestran que la R-CNN más rápida supera a la ACF en imágenes con objetos grandes y en aquellas con objetos pequeños si se proporcionan datos suficientes. Este marco extrae las trayectorias de los vehículos con gran precisión, lo que permite analizar la dinámica del tráfico a partir del entrenamiento de un número reducido de muestras positivas. Los resultados de este estudio proporcionan una pauta práctica para construir un marco que extraiga las trayectorias de los vehículos basándose en unas condiciones dadas.

Se investiga el problema de localización y ruta (LRP) de vehículos aéreos no tripulados (UAV) en patrullas fronterizas para Inteligencia, Vigilancia y Reconocimiento, en el que se optimizan conjuntamente las ubicaciones de las estaciones base de los UAV y las rutas de vuelo de los UAV para visitar los objetivos en la zona fronteriza. Se tienen en cuenta la capacidad de la estación base y la resistencia del UAV. Se desarrolla un modelo de programación binaria entera para formular el problema, y se diseñan dos algoritmos heurísticos combinados con estrategias de búsqueda local para resolver el problema. Se propone un diseño de experimento para simular la distribución de estaciones y objetivos en la frontera con el fin de generar instancias de prueba aleatorias. Además, se presenta un ejemplo basado en la frontera práctica de Guangxi para ilustrar el problema y el enfoque de solución. Se analiza y compara el rendimiento de los dos algoritmos mediante instancias generadas aleatoriamente.

En la última década ha aumentado la demanda de medios de transporte activos, como los desplazamientos a pie y en bicicleta. Aunque es deseable proporcionar altos niveles de seguridad para estos modos de desplazamiento ecológicos, por desgracia, el porcentaje total de víctimas mortales entre peatones y ciclistas aumentó del 13% al 18% del total de víctimas mortales relacionadas con la carretera en la última década. En el condado de San Diego, aunque el número total de víctimas mortales entre peatones y ciclistas disminuyó en el mismo periodo de tiempo, se observa una tendencia similar con un cambio más drástico; el porcentaje global de víctimas mortales entre peatones y ciclistas aumentó del 19,5% al 31,8%. El objetivo de este estudio es estimar la exposición de peatones y ciclistas e identificar las intersecciones señalizadas con mayor riesgo para peatones y ciclistas dentro de la ciudad de San Diego, California (EE.UU.). Se utilizaron múltiples fuentes de datos, como contadores automáticos de peatones y ciclistas, cámaras de vídeo y datos de accidentes. Se adoptaron técnicas de extracción de datos, una nueva estrategia de muestreo y métodos automatizados de procesamiento de vídeo para demostrar un enfoque holístico que puede aplicarse para identificar las instalaciones con mayor necesidad de mejora. Se empleó el análisis de conglomerados junto con la estratificación para seleccionar una muestra representativa de intersecciones para la recopilación de datos. Los modelos automatizados de recuento de peatones y ciclistas utilizados en este estudio alcanzaron una gran precisión, siempre que se dieran ciertas condiciones en los datos de vídeo. Los resultados de los modelos de exposición mostraron que el volumen de peatones y ciclistas se caracterizaba por variables de red de transporte, población, generadores de tráfico y uso del suelo. Existían similitudes y diferencias entre los modelos de peatones y ciclistas, incluidas las diferentes escalas espaciales de influencia por modo. Además, el estudio cuantificó el riesgo incorporando los niveles de gravedad de las lesiones, la frecuencia de las víctimas, la distancia recorrida y la exposición en una única ecuación. Se descubrió que no todas las intersecciones con mayor número de víctimas entre peatones y ciclistas se identificaban como de alto riesgo después de tener en cuenta la exposición y otros factores como la gravedad de los accidentes.

El choque por alcance es uno de los accidentes más comunes en carretera. El reconocimiento preciso del estilo de conducción teniendo en cuenta el riesgo de colisión trasera es crucial para diseñar sistemas útiles de asistencia al conductor y sistemas de control de vehículos. El objetivo de este estudio es desarrollar un método de reconocimiento del estilo de conducción basado en los datos de la trayectoria del vehículo extraídos del vídeo de vigilancia. En primer lugar, se seleccionan tres sustitutos de colisión trasera, Inversed Time to Collision (ITTC), Time-Headway (THW) y Modified Margin to Collision (MMTC), para evaluar el nivel de riesgo de colisión de la trayectoria del vehículo de cada conductor. El estilo de conducción de cada conductor en los datos de entrenamiento se etiqueta en función de su nivel de riesgo de colisión mediante el algoritmo K-mean. A continuación, las entradas del modelo de reconocimiento del estilo de conducción se extraen de las características de la trayectoria del vehículo, incluidas la aceleración, la velocidad relativa y la distancia relativa, utilizando la transformada discreta de Fourier (DFT), la transformada wavelet discreta (DWT) y un método estadístico para facilitar el reconocimiento del estilo de conducción. Por último, se aplica la máquina de vectores de apoyo (SVM) para reconocer el estilo de conducción basándose en los datos etiquetados. También se compara el rendimiento de Random Forest (RF), K-Nearest Neighbor (KNN) y Multi-Layer Perceptron (MLP) con SVM. Los resultados muestran que SVM supera a los demás con un 91,7con el método de extracción de características DWT.