Romario Isaías Abreu Santos y Demian Fernando Reynoso Gómez – Ingeniería en Ciencias de la Computación, Pontificia Universidad Católica Madre y Maestra (PUCMM)

Introducción

El acelerado crecimiento urbano de Santiago de los Caballeros ha transformado radicalmente la dinámica de movilidad en la segunda ciudad más importante de República Dominicana, generando una presión sin precedentes sobre su infraestructura vial. Este proyecto, desarrollado por Romario Isaías Abreu Santos y Demian Fernando Reynoso Gómez bajo la asesoría del profesor Jorge Alejandro Luna Martínez en la Pontificia Universidad Católica Madre y Maestra, surge como respuesta innovadora a la creciente problemática de congestión vehicular que afecta tanto la productividad económica como la calidad de vida de los santiagueros.

A medida que la ciudad experimenta un proceso de densificación urbana acelerado, las avenidas principales como Estrella Sadhalá, 27 de Febrero y Juan Pablo Duarte han sido testigos de una saturación progresiva que evidencia las limitaciones de los sistemas tradicionales de gestión del tráfico. La motivación principal de esta iniciativa radica en la urgente necesidad de modernizar la infraestructura de control semafórico, transitando desde sistemas rígidos de tiempo fijo hacia soluciones adaptativas que respondan dinámicamente a las variaciones del flujo vehicular [1], [2].

La relevancia de este proyecto trasciende el ámbito académico para posicionarse como una contribución directa al desarrollo de ciudades inteligentes en el contexto dominicano. A diferencia de las implementaciones costosas de infraestructura nueva, esta propuesta aprovecha las capacidades de simulación computacional y algoritmos de optimización para evaluar y validar soluciones antes de su posible implementación física, representando un enfoque costo-efectivo particularmente apropiado para ciudades en desarrollo [3], [4].

El desarrollo de esta solución se enmarca dentro del área emergente de sistemas inteligentes de transporte (ITS), integrando técnicas avanzadas de optimización evolutiva con modelado microscópico de tráfico. Esta aproximación metodológica permite no solo evaluar el impacto de diferentes estrategias de control semafórico, sino también generar evidencia cuantitativa sobre los beneficios potenciales de la automatización en la gestión del tráfico urbano, contribuyendo así al corpus de conocimiento sobre movilidad sostenible en América Latina [7], [8].

La problemática del tráfico en Santiago

El crecimiento descontrolado del parque vehicular en Santiago de los Caballeros ha superado significativamente la capacidad de adaptación de su infraestructura vial, creando un desequilibrio crítico entre la oferta de espacios de circulación y la demanda de movilidad urbana. Este fenómeno, común en ciudades intermedias de países en desarrollo, se ve agravado por sistemas de control de tráfico obsoletos que operan con lógicas de temporización fija, incapaces de responder a las variaciones dinámicas inherentes al flujo vehicular urbano. La consecuencia directa de esta rigidez operacional se manifiesta en tiempos de espera excesivos durante períodos de baja demanda y colapsos sistemáticos durante las horas de mayor afluencia vehicular [7], [8].

Esta problemática no se limita únicamente a inconvenientes de movilidad, sino que genera externalidades negativas de amplio espectro que incluyen incremento en el consumo de combustible, elevación de emisiones contaminantes, deterioro de la calidad del aire urbano y reducción de la productividad económica por pérdidas de tiempo en desplazamientos. La literatura especializada documenta ampliamente cómo la congestión vehicular en entornos urbanos densos contribuye al fenómeno de islas de calor urbano, degradación de la salud pública por exposición a contaminantes atmosféricos, y efectos psicológicos negativos asociados al estrés del conductor [9], [11].

En el contexto específico de Santiago de los Caballeros, intersecciones críticas como las ubicadas en la Avenida Estrella Sadhalá con Gregorio Luperón, 27 de Febrero, Juan Pablo Duarte y Hatuey, experimentan niveles de saturación que comprometen la conectividad eficiente entre diferentes sectores de la ciudad. La ausencia de coordinación entre semáforos adyacentes y la falta de adaptabilidad temporal de las fases semafóricas resultan en patrones de tráfico ineficientes que penalizan tanto a usuarios del transporte privado como público, limitando las opciones de movilidad sostenible para la población [10].

Estado del arte

El estado del arte en optimización de sistemas de control de tráfico ha experimentado avances sustanciales mediante la aplicación de técnicas computacionales avanzadas. Investigaciones pioneras como las desarrolladas por Jia et al. han demostrado el potencial del aprendizaje reforzado profundo para la optimización dinámica de fases semafóricas, logrando reducciones significativas en tiempos de espera mediante algoritmos como Clipped Double Deep Q-Learning que aprenden y se adaptan continuamente a patrones de tráfico variables [1]. Complementariamente, estudios comparativos realizados por Gunarathne et al. han validado la superioridad de sistemas de simulación integrados como VISSIM sobre métodos analíticos tradicionales como Webster, especialmente en términos de precisión predictiva y facilidad de implementación operacional [2].

Los algoritmos genéticos han emergido como una de las técnicas más prometedoras para la optimización multiobjetivo de sistemas semafóricos. Trabajos desarrollados por Al-Turki et al., Sanchez-Medina et al., y Teklu et al. han demostrado consistentemente que estos algoritmos evolutivos pueden identificar configuraciones óptimas de temporización semafórica que balancean múltiples criterios de desempeño simultáneamente, incluyendo minimización de retrasos, reducción de emisiones, y optimización de consumo energético [3], [4], [5]. La efectividad de estos enfoques radica en su capacidad para explorar espacios de solución complejos donde métodos de optimización tradicionales frecuentemente fallan debido a la naturaleza no lineal y multimodal del problema [6], [16].

La simulación microscópica de tráfico ha sido reconocida como una herramienta fundamental para la validación y evaluación de estrategias de optimización semafórica. Plataformas como SUMO (Simulation of Urban Mobility), desarrollada por el Centro Aeroespacial Alemán, han ganado aceptación amplia en la comunidad científica debido a su capacidad para modelar comportamientos vehiculares realistas, su arquitectura modular extensible, y su compatibilidad con interfaces de programación que facilitan la implementación de algoritmos de control externos [15]. Esta flexibilidad tecnológica permite la evaluación rigurosa de diferentes estrategias de optimización en entornos controlados antes de considerar implementaciones en sistemas reales.

Sin embargo, la transferencia efectiva de estas tecnologías avanzadas a contextos urbanos de países en desarrollo como República Dominicana enfrenta desafíos específicos relacionados con la disponibilidad y calidad de datos de tráfico, características particulares de patrones de movilidad local, limitaciones en infraestructura tecnológica de soporte, y restricciones presupuestarias para implementación de sistemas automatizados. La mayoría de las soluciones documentadas en la literatura internacional han sido desarrolladas para ciudades con recursos tecnológicos y financieros superiores, lo que hace necesario adaptar y contextualizar estos enfoques a las realidades y limitaciones específicas del entorno dominicano [12], [13].

El desarrollo de este proyecto ha logrado implementar un sistema integral de optimización de tráfico que utiliza algoritmos genéticos para mejorar dinámicamente la gestión semafórica en el corredor de la Avenida Estrella Sadhalá en Santiago de los Caballeros, desde la intersección con Gregorio Luperón hasta Hatuey. Para alcanzar este objetivo general, se ejecutaron múltiples objetivos específicos que incluyeron la recolección sistemática y análisis detallado de datos macroscópicos de flujo vehicular mediante observación directa y medición instrumental con radar de velocidad, garantizando la captura representativa de patrones de comportamiento del tráfico en diferentes períodos temporales y condiciones operacionales. Se desarrolló un modelo de simulación de alta fidelidad utilizando SUMO (Simulation of Urban Mobility) que replica con precisión las características geométricas, topológicas y operacionales de las intersecciones estudiadas, incorporando datos empíricos de velocidades vehiculares, densidades de tráfico y configuraciones semafóricas existentes para asegurar la validez y confiabilidad del entorno de pruebas. Finalmente, se diseñó e implementó un algoritmo genético especializado que optimiza de manera adaptativa las duraciones de fases semafóricas, logrando mejoras medibles en indicadores clave de desempeño como reducción de tiempos de espera promedio, incremento en velocidades de tránsito, disminución de paradas vehiculares y optimización del flujo global del corredor mediante adaptación continua a condiciones variables de demanda vehicular.

Metodología

Para poder probar la propuesta, fue necesario combinar varios pasos que van desde la recopilación de información en la calle hasta la simulación en computadora y la optimización mediante un algoritmo. Todo inició con la toma de datos en campo, donde se midió cuántos vehículos pasaban por distintos puntos del corredor de la Avenida Estrella Sadhalá en intervalos de diez minutos. Estos conteos se realizaron manualmente, apoyados también por el uso de un radar de velocidad para registrar la rapidez de los vehículos. Con esta información se obtuvo un panorama real del tráfico en horas representativas, y luego los datos se ajustaron a escala de una hora para que fueran más fáciles de comparar entre intersecciones.

Con esos datos como base, el siguiente paso fue llevar la realidad de las calles a un entorno virtual. Para esto se utilizó SUMO (Simulation of Urban Mobility), un software de simulación de tráfico muy utilizado a nivel mundial. Primero, se importó el mapa del tramo estudiado desde la plataforma OpenStreetMap y se ajustó con una herramienta llamada NETEDIT, que permite corregir detalles como carriles, intersecciones y semáforos. De esta manera, se construyó un modelo digital que reflejaba fielmente la geometría y las condiciones actuales del corredor vial en Santiago.

Una vez que la red estuvo lista, se incorporaron los datos recolectados (velocidades, densidad de vehículos y tiempos semafóricos actuales) para que la simulación se comportara de manera lo más cercana posible a la realidad. Esto fue clave, ya que permitió observar en la computadora los mismos patrones de congestión que se viven en la ciudad, pero en un entorno controlado donde era posible probar cambios sin afectar a los conductores.

Sobre este escenario virtual se implementó un Algoritmo Genético, un método de optimización inspirado en la evolución natural. En términos sencillos, el algoritmo prueba muchas combinaciones diferentes de tiempos de semáforo, “aprende” cuáles funcionan mejor y conserva las que reducen la congestión. Con cada repetición, descarta las opciones menos efectivas y combina las mejores, hasta encontrar configuraciones óptimas para mejorar el tráfico.

Finalmente, para conectar todo este proceso, se usó el lenguaje de programación Python, que a través de una interfaz llamada TraCI se comunica en tiempo real con SUMO. Esto permitió que el algoritmo controlara los semáforos dentro de la simulación y probara automáticamente las distintas configuraciones, midiendo siempre resultados como tiempos de espera, velocidad y densidad vehicular. Así, se construyó un ciclo continuo de prueba y mejora que llevó a resultados medibles y claros.

Resultados

Los experimentos realizados demostraron la efectividad de la optimización evolutiva frente al sistema actual de semáforos de tiempo fijo. Al comparar ambos escenarios, se observaron mejoras significativas en todas las métricas evaluadas. El tiempo de espera promedio por vehículo se redujo de 49.4 segundos a 36.03 segundos, lo que representa una disminución notable en la congestión en las intersecciones críticas. Asimismo, la densidad vehicular promedio pasó de 43.83 a 36.44 vehículos por kilómetro, reflejando una distribución más equilibrada del flujo de tráfico.

El impacto positivo también se evidenció en el tiempo promedio de viaje, que disminuyó de 270.2 a 231.1 segundos, facilitando recorridos más fluidos a lo largo del corredor estudiado. Finalmente, la velocidad promedio de los vehículos aumentó de 12.71 m/s a 14.34 m/s, indicador claro de que la movilidad urbana se tornó más eficiente gracias al algoritmo implementado. Estos resultados validan no solo la utilidad de SUMO como herramienta de simulación, sino también la pertinencia del uso de algoritmos genéticos para la optimización dinámica del tráfico en contextos urbanos complejos.

	Tiempos fijos	Algoritmo genético
Tiempo de espera promedio (s)	49.4	36.03
Densidad promedio (veh/km)	43.83	36.44
Tiempo promedio de viaje (s)	270.2	231.1
Velocidad promedio (m/s)	12.71	14.34

Conclusión

El desarrollo de este proyecto confirma que es posible aprovechar el potencial de la simulación computacional y la optimización evolutiva para abordar problemas críticos de movilidad en ciudades intermedias como Santiago de los Caballeros. La implementación del algoritmo genético permitió demostrar, en un entorno controlado, que la gestión adaptativa de los semáforos puede reducir la congestión, mejorar los tiempos de viaje y disminuir las externalidades negativas asociadas al tráfico.

Más allá de los logros obtenidos, este trabajo sienta las bases para futuras investigaciones que busquen escalar la metodología a redes más extensas y complejas, así como integrar fuentes de datos en tiempo real mediante tecnologías como cámaras inteligentes o sensores de tráfico. La combinación de estas innovaciones podría acercar a Santiago a un modelo de ciudad más inteligente y sostenible, en el que la movilidad eficiente sea un pilar del bienestar ciudadano.

La siguiente imagen muestra la ruta modelada completa dentro del simulador corriendo.

Referencias

1. Y. Jia, J. Lu, y D. Görges, “Reinforcement Learning-Based Traffic Light Control Using a Clipped Double Deep Q-Learning Algorithm”, en Advances in Transdisciplinary Engineering, M. Shafik, Ed., IOS Press, 2024. doi: 10.3233/ATDE241191.
2. D. Gunarathne, N. Amarasingha, y V. Wickramasighe, “Traffic Signal Controller Optimization Through VISSIM to Minimize Traffic Congestion, CO and NOx Emissions, and Fuel Consumption”, Sci. Eng. Technol., vol. 3, núm. 1, abr. 2023, doi: 10.54327/set2023/v3.i1.56.
3. M. Al-Turki, A. Jamal, H. M. Al-Ahmadi, M. A. Al-Sughaiyer, y M. Zahid, “On the Potential Impacts of Smart Traffic Control for Delay, Fuel Energy Consumption, and Emissions: An NSGA-II-Based Optimization Case Study from Dhahran, Saudi Arabia”, Sustainability, vol. 12, núm. 18, p. 7394, sep. 2020, doi: 10.3390/su12187394.
4. J. J. Sanchez-Medina, M. J. Galan-Moreno, y E. Rubio-Royo, “Traffic signal optimization in ‘la almozara’ district in saragossa under congestion conditions, using genetic algorithms, traffic microsimulation, and cluster computing”, IEEE Trans. Intell. Transp. Syst., vol. 11, núm. 1, pp. 132–141, mar. 2010, doi: 10.1109/TITS.2009.2034383.
5. F. Teklu, A. Sumalee, y D. Watling, “A Genetic Algorithm Approach for Optimizing Traffic Control Signals Considering Routing”, Comput.-Aided Civ. Infrastruct. Eng., vol. 22, núm. 1, pp. 31–43, ene. 2007, doi: 10.1111/j.1467-8667.2006.00468.x.
6. A. Akopov, E. Zaripov, y A. Melnikov, “Adaptive control of transportation infrastructure in an urban environment using a real-coded genetic algorithm”, Bus. Inform., vol. 18, núm. 2, pp. 48–66, jun. 2024, doi: 10.17323/2587-814X.2024.2.48.66.
7. E. B. Lieberthal, N. Serok, J. Duan, G. Zeng, y S. Havlin, “Addressing the urban congestion challenge based on traffic bottlenecks”, Philos. Trans. R. Soc. Math. Phys. Eng. Sci., vol. 382, núm. 2285, p. 20240095, dic. 2024, doi: 10.1098/rsta.2024.0095.
8. “Urban Mobility System Upgrade: How shared self-driving cars could change city traffic”, International Transport Forum Policy Papers 6, mar. 2015. doi: 10.1787/5jlwvzdk29g5-en.
9. D. Meriana, B. S. Subagio, y Najid, “Assessment for Evaluation of Local Roads Based on Infrastructure Data and Budget Allocation”, Civ. Eng. J., vol. 11, núm. 1, pp. 44–57, ene. 2025, doi: 10.28991/CEJ-2025-011-01-04.
10. X. Liang, X. Du, G. Wang, y Z. Han, “A Deep Reinforcement Learning Network for Traffic Light Cycle Control”, IEEE Trans. Veh. Technol., vol. 68, núm. 2, pp. 1243–1253, feb. 2019, doi: 10.1109/TVT.2018.2890726.
11. K. H. Mhana, S. B. Norhisham, H. Y. B. Katman, y Z. M. Yaseen, “Road urban planning sustainability based on remote sensing and satellite dataset: A review”, Heliyon, vol. 10, núm. 21, p. e39567, nov. 2024, doi: 10.1016/j.heliyon.2024.e39567.
12. J. Jin, X. Ma, y I. Kosonen, “A stochastic optimization framework for road traffic controls based on evolutionary algorithms and traffic simulation”, Adv. Eng. Softw., vol. 114, pp. 348–360, dic. 2017, doi: 10.1016/j.advengsoft.2017.08.005.
13. F. Van Wageningen-Kessels, H. Van Lint, K. Vuik, y S. Hoogendoorn, “Genealogy of traffic flow models”, EURO J. Transp. Logist., vol. 4, núm. 4, pp. 445–473, dic. 2015, doi: 10.1007/s13676-014-0045-5.
14. Y. Shamlitsky, A. Popov, E. Morozov, y A. Ovsyankin, “Mathematical methods and models of traffic flow management”, E3S Web Conf., vol. 402, p. 01010, 2023, doi: 10.1051/e3sconf/202340201010.
15. A. Diallo, G. Lozenguez, A. Doniec, y R. Mandiau, “Comparative Evaluation of Road Traffic Simulators based on Modeler’s Specifications: An Application to Intermodal Mobility Behaviors”, en Proceedings of the 13th International Conference on Agents and Artificial Intelligence, Online Streaming: SCITEPRESS – Science and Technology Publications, 2021, pp. 265–272. doi: 10.5220/0010238302650272.
16. A. A. Alkhatib y T. Sawalha, “Techniques for road traffic optimization: an overview”, Indian J. Comput. Sci. Eng., vol. 11, núm. 4, pp. 311–320, ago. 2020, doi: 10.21817/indjcse/2020/v11i4/201104063.
17. J. Gajcin y I. Dusparic, “Redefining Counterfactual Explanations for Reinforcement Learning: Overview, Challenges and Opportunities”, ACM Comput. Surv., vol. 56, núm. 9, pp. 1–33, oct. 2024, doi: 10.1145/3648472.
18. J. M. Parra-Ullauri et al., “Event-driven temporal models for explanations – ETeMoX: explaining reinforcement learning”, Softw. Syst. Model., vol. 21, núm. 3, pp. 1091–1113, jun. 2022, doi: 10.1007/s10270-021-00952-4.