Evaluación metodológica de un sistema de inferencia difusa para el tráfico vehicular mediante computación paralela: estudio simulado en la Avenida Cero

Autores/as

  • Johann Leonardo Latorre Jaimes Universidad de Pamplona, Villa del Rosario, Colombia https://orcid.org/0009-0001-6362-7164
  • Jose Gerardo Chacón Rangel Universidad de Pamplona, Villa del Rosario, Colombia
  • Juan Carlos Escalante Universidad de Pamplona, Villa del Rosario, Colombia
  • Daniel Alexis Celis Ferrer Universidad de Pamplona, Villa del Rosario, Colombia.

DOI:

https://doi.org/10.61799/2216-0388.2076

Palabras clave:

lógica difusa, transito vehicular, evaluación cuantitativa simulada, machine learning, redes neuronales, modelo hibrido, computación paralela.

Resumen

El tráfico vehicular en urbes fronterizas como Cúcuta es un reto citadino serio debido a sus repercusiones en la movilidad, la duración de trayectos y el estado del medio ambiente. El presente estudio desarrolla y evalúa metodológicamente un sistema de inferencia difusa para estimar el nivel de tráfico en escenarios simulados asociados con la Avenida Cero. Emplea un Sistema de Inferencia Difusa Mamdani con una ejecución paralela aprovechando multiprocessing en Python. La herramienta usa como datos la hora, el clima y el día, devolviendo un puntaje de tráfico que oscila entre 0 y 10. Luego esto es visto como bajo, medio o elevado. Se fijaron las reglas con fundamentos claros de ingeniería vial y saber propio de la zona. Los ajustes finales de los resultados se hicieron solo con los datos de entrenamiento, en una simulación. Como no existió un registro horarias verificado de aforos de la Avenida Cero, se realizó validación numérica con 2400 datos simulados, todos re-generables. Estos datos se dividieron en un 80 por ciento para aprender y el restante 20 para comprobar. En la muestra de prueba, el FIS produjo un MAE de 0.953, un RMSE de 1.183 y un R² de 0.511. Random Forest arribó a un MAE de 0.386, un RMSE de 0.484 y un R² de 0.918. una red MLP arrojó un MAE de 0.416, un RMSE de 0.521 y un R² de 0.905. y un diseño hibrido FIS más Random Forest concibió un MAE de 0.400, un RMSE de 0.497 y un R² de 0.913. La comparación demuestra que los modelos basados en datos sobresalen sobre el FIS en la exactitud predictiva dentro del entorno sintético. Al mismo tiempo, el sistema difuso mantiene sus ventajas en interpretabilidad y rastreabilidad de reglas. El procesamiento paralelo acortó el tiempo de evaluación en comparación a la versión secuencial, obteniendo un speedup máximo de 2.92x en las pruebas registradas. Estos hallazgos corresponden exclusivamente a una validación metodológica mediante datos simulados y no constituyen una validación empírica del desempeño del sistema en la Avenida Cero. La adición de aforos reales es el próximo paso fundamental para evaluar su generalización y utilidad operativa.


Descargas

Los datos de descarga aún no están disponibles.

Referencias

[1] L. A. Zadeh, "Fuzzy sets," Information and Control, vol. 8, pp. 338–353, 1965.

[2] L. Li, W.-H. Lin, and H. Liu, "Type-2 fuzzy logic approach for short-term traffic forecasting," Transportation Research Part C: Emerging Technologies, vol. 14, no. 4, pp. 303–317, 2006.

[3] X. Jiang, R. Sengupta, J. Demmel, and S. Williams, "Large scale multi-GPU based parallel traffic simulation for accelerated traffic assignment and propagation," arXiv preprint arXiv:2406.08496, 2024.

[4] J. A. Bernal-Sánchez and J. Riascos-Ochoa, "Traffic Forecasting in Bogota, Colombia, with Attention Temporal Graph Convolutional Networks (A3T-GCN)," CEUR Workshop Proceedings, vol. 3795, pp. 210–221, 2024.

[5] Y. Liu, X.-K. Wang, W.-H. Hou, H. Liu, and J.-Q. Wang, "A novel hybrid model combining a fuzzy inference system and a deep learning method for short-term traffic flow prediction," Knowledge-Based Systems, vol. 255, art. 109760, 2022, doi: 10.1016/j.knosys.2022.109760.

[6] Alcaldía de Cúcuta, "Resumen Ejecutivo – Plan de Movilidad Sostenible y Segura (PMSS)," Documento oficial, 2023.

[7] Python Software Foundation, "multiprocessing — Process-based parallelism," Python 3.x Documentation, 2024.

[8] G. M. Amdahl, "Validity of the single processor approach to achieving large scale computing capabilities," in AFIPS Conference Proceedings, vol. 30, pp. 483–485, 1967.

[9] Congreso de la República de Colombia, "Ley 1581 de 2012 – Protección de datos personales," Diario Oficial, 2012.

[10] H. J. Zimmermann, Fuzzy Set Theory and Its Applications, 4th ed. Springer, 2010.

[11] K. M. Passino and S. Yurkovich, Fuzzy Control. Addison-Wesley, 1997.

[12] M. Sugeno, "Industrial applications of fuzzy control," Elsevier Science Publishing, 1985.

[13] K. Tanaka, Fuzzy Control Systems Design and Analysis. Wiley-Interscience, 2001.

[14] D. P. Filev and R. R. Yager, "Fuzzy modeling and control of uncertain systems," IEEE Transactions on Systems, Man, and Cybernetics, pp. 604–615, 1994.

[15] J. M. Mendel, Uncertain Rule-Based Fuzzy Logic Systems. Springer, 2017.

[16] D. A. Bader, Designing Parallel Algorithms. CRC Press, 2018.

[17] J. Dongarra et al., "Trends in high-performance computing: A historical overview," Computing in Science & Engineering, vol. 22, no. 6, pp. 18–29, 2020.

[18] Nvidia Corporation, "CUDA C Programming Guide," Nvidia Developer Documentation, 2023.

[19] T. Mattson, B. Sanders, and B. Massingill, Patterns for Parallel Programming. Addison-Wesley, 2004.

[20] M. Treiber and A. Kesting, Traffic Flow Dynamics: Data, Models and Simulation. Springer, 2013.

[21] J. Barceló (Ed.), Fundamentals of Traffic Simulation. Springer, 2010.

[22] S. Hoogendoorn and P. Bovy, "Traffic flow theory and modelling," Transportation Research Part C, vol. 13, pp. 1–28, 2013.

[23] C. F. Daganzo, Fundamentals of Transportation and Traffic Operations. Pergamon, 1997.

[24] ONU-Hábitat, Cities and Mobility Report, 2022.

[25] A. Ortúzar and L. Willumsen, Modelling Transport, 4th ed. Wiley, 2011.

[26] L. A. Zadeh, "Fuzzy sets," Information and Control, vol. 8, no. 3, pp. 338–353, 1965.

[27] H. J. Zimmermann, Fuzzy Set Theory and Its Applications, 4th ed. Springer, 2001.

[28] J. M. Mendel, "Fuzzy logic systems for engineering: a tutorial," IEEE Trans. Industrial Electronics, vol. 40, no. 2, pp. 211–221, 1993.

[29] O. Cordon, F. Herrera, L. Magdalena, and P. Villar, A Genetic Learning Process for Fuzzy Rule-Based System Modeling. Springer, 2001.

[30] K. S. Cardozo Rueda, "Aplicación de redes neuronales artificiales para el pronóstico de precios de café," RCTA, vol. 1, no. 39, pp. 113–117, Feb. 2022. doi: 10.24054/rcta.v1i39.1403

[31] J. E. Meneses Flórez, F. A. Garavito, and E. Meneses, "Identificación de fallas en sistemas de bombeo mecánico de petróleo utilizando neurofuzzy," RCTA, vol. 1, no. 37, pp. 10–22, Feb. 2021. doi: 10.24054/rcta.v1i37.973

[32] R. Jiménez Moreno, J. E. Martínez Baquero, and O. Agudelo Varela, "Control difuso para pinza robótica blanda orientada a objetos no rígidos," RCTA, vol. 2, no. 42, pp. 1–7, Oct. 2023. doi: 10.24054/rcta.v2i42.2647

[33] D. Arenas Seleey, C. E. Prieto Triana, and D. C. Chacón López, "Ingeniería de requerimientos e inteligencia artificial: una revisión de la literatura," RCTA, vol. 1, no. 39, pp. 100–106, Feb. 2022. doi: 10.24054/rcta.v1i39.1395

[34] Y. González Castro, O. Manzano Durán, and C. A. Vera Romero, "Tendencias de la formación docente en competencias investigativas desde la analítica de datos," RCTA, vol. 2, no. 44, pp. 74–82, Jul. 2024. doi: 10.24054/rcta.v2i44.3009

[35] J. Gómez Gómez, C. A. Parra Urueta, and J. J. Guzmán Pineda, "Sistema de trazabilidad de cacao soportado en Internet de las cosas," RCTA, vol. 1, no. 45, pp. 204–215, Jan. 2025. doi: 10.24054/rcta.v1i45.3283

[36] J.-D. Wang and C. O. N. Susanto, "Traffic Flow Prediction with Heterogenous Data Using a Hybrid CNN-LSTM Model," Computers, Materials & Continua, vol. 76, no. 3, pp. 3097–3112, 2023, doi: 10.32604/cmc.2023.040914.

[37] N. Cini and Z. Aydin, "A Deep Ensemble Approach for Long-Term Traffic Flow Prediction," Arabian Journal for Science and Engineering, vol. 49, pp. 12377–12392, 2024, doi: 10.1007/s13369-023-08672-1.

[38] L. Jin et al., "Macroscopic Traffic Modeling Using Probe Vehicle Data: A Machine Learning Approach," Data Science for Transportation, vol. 6, art. 17, 2024, doi: 10.1007/s42421-024-00102-4.

[39] X. Yin et al., "Short-term urban traffic forecasting in smart cities: a dynamic diffusion spatial-temporal graph convolutional network," Complex & Intelligent Systems, vol. 11, art. 158, 2025, doi: 10.1007/s40747-024-01769-6.

[40] Alcaldía de San José de Cúcuta, "Alcaldía de Cúcuta adopta medidas para mejorar la movilidad en la Avenida Cero y la Diagonal Santander," 18 mayo 2023.

Publicado

2026-09-01

Número

Sección

Artículo Originales

Cómo citar

[1]
Latorre Jaimes, J.L. et al. 2026. Evaluación metodológica de un sistema de inferencia difusa para el tráfico vehicular mediante computación paralela: estudio simulado en la Avenida Cero. Mundo FESC. 16, 36 (Sep. 2026). DOI:https://doi.org/10.61799/2216-0388.2076.

Artículos más leídos del mismo autor/a