Optimización no lineal aplicada a la estimación del flujo y la demanda dinámica de transporte

• Autores: Jares, Nicolás
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: tesis doctoral
• Colaborador/a o director/a de tesis: Parente, Lisandro Armando; Fernández Ferreyra, Damián Roberto
• Materia: Programación no lineal; Problemas de tráfico en la investigación operativa; Redes neuronales artificiales y aprendizaje profundo; Problemas de complementariedad y equilibrio e inequidades variacionales; Optimización no lineal; Aprendizaje automático; Ubicación de sensores de tráfico; Estimación de demanda dinámica de transporte; Problemas Binivel simples; Nonlinear programming; Traffic problems in operations research; Artificial neural networks and deep learning; Complementarity and equilibrium problems and variational inequalities
• Institución: Universidad Nacional de Córdoba

Tesis (Doctor en Matemática)--Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación, 2025.
Fil: Jares, Nicolás. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
El estudio de los sistemas de transporte ha cobrado relevancia debido al crecimiento urbano, ya que permite mejorar la gestión del tráfico, la seguridad vial y la eficiencia de los viajes. Un aspecto clave en este análisis es la demanda de transporte, cuya estimación resulta compleja. Este trabajo presenta modelos para estimar el estado del tráfico y la demanda, combinando técnicas de optimización y aprendizaje automático. Respecto al Problema de Ubicación de Sensores de Tráfico (TSLP), se propone un modelo basado en redes neuronales autoencoder que permite seleccionar un conjunto óptimo de aristas para medir el tráfico. Se obtienen tanto la ubicación de sensores como la red neuronal necesaria para reconstruir el estado del tráfico en toda la red. Para la estimación de demanda, se plantea un problema binivel en dimensión infinita, basado en el equilibrio dinámico de usuario con elección de rutas (RC DUE). Utilizando una variante del algoritmo de Viscosidad Inercial en el que se basa el método iBiG-SAM, se obtienen resultados prometedores en grafos pequeños.
The study of transportation systems has gained importance due to urban growth, as it allows for improved traffic management, road safety, and travel efficiency. A key aspect in this field is transportation demand, which is challenging to measure. This work presents models for the estimation of the traffic state and demand, combining optimization and machine learning techniques. Regarding the Traffic Sensor Location Problem (TSLP), an autoencoder neural networks is proposed that allows for the selection of an optimal set of edges for measuring traffic. Both the sensor locations and the neural network required to reconstruct the traffic conditions across the entire network are obtained. For demand estimation, an infinite-dimensional bi-level problem is posed, based on dynamic user equilibrium with route choice (RC DUE). Using a variant of the Inertial Viscosity algorithm on which the iBiG-SAM method is based, promising results are obtained on small graphs.
Fil: Jares, Nicolás. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.