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
Estado
versión publicada
Colaborador/a o director/a de tesis
Parente, Lisandro Armando
Fernández Ferreyra, Damián Roberto
Descripción
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.
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
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Repositorio
Repositorio Digital Universitario (UNC)
Institución
Universidad Nacional de Córdoba
OAI Identificador
oai:rdu.unc.edu.ar:11086/556842

id RDUUNC_c5a66a45bc6a996d78f7cabdc1883ff9
oai_identifier_str oai:rdu.unc.edu.ar:11086/556842
network_acronym_str RDUUNC
repository_id_str 2572
network_name_str Repositorio Digital Universitario (UNC)
spelling Optimización no lineal aplicada a la estimación del flujo y la demanda dinámica de transporteJares, NicolásProgramación no linealProblemas de tráfico en la investigación operativaRedes neuronales artificiales y aprendizaje profundoProblemas de complementariedad y equilibrio e inequidades variacionalesOptimización no linealAprendizaje automáticoUbicación de sensores de tráficoEstimación de demanda dinámica de transporteProblemas Binivel simplesNonlinear programmingTraffic problems in operations researchArtificial neural networks and deep learningComplementarity and equilibrium problems and variational inequalitiesTesis (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.Parente, Lisandro ArmandoFernández Ferreyra, Damián Roberto2025-03-28info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralapplication/pdfhttp://hdl.handle.net/11086/556842spainfo:eu-repo/semantics/openAccessreponame:Repositorio Digital Universitario (UNC)instname:Universidad Nacional de Córdobainstacron:UNC2025-09-29T13:42:13Zoai:rdu.unc.edu.ar:11086/556842Institucionalhttps://rdu.unc.edu.ar/Universidad públicaNo correspondehttp://rdu.unc.edu.ar/oai/snrdoca.unc@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:25722025-09-29 13:42:13.492Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdobafalse
dc.title.none.fl_str_mv Optimización no lineal aplicada a la estimación del flujo y la demanda dinámica de transporte
title Optimización no lineal aplicada a la estimación del flujo y la demanda dinámica de transporte
spellingShingle Optimización no lineal aplicada a la estimación del flujo y la demanda dinámica de transporte
Jares, Nicolás
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
title_short Optimización no lineal aplicada a la estimación del flujo y la demanda dinámica de transporte
title_full Optimización no lineal aplicada a la estimación del flujo y la demanda dinámica de transporte
title_fullStr Optimización no lineal aplicada a la estimación del flujo y la demanda dinámica de transporte
title_full_unstemmed Optimización no lineal aplicada a la estimación del flujo y la demanda dinámica de transporte
title_sort Optimización no lineal aplicada a la estimación del flujo y la demanda dinámica de transporte
dc.creator.none.fl_str_mv Jares, Nicolás
author Jares, Nicolás
author_facet Jares, Nicolás
author_role author
dc.contributor.none.fl_str_mv Parente, Lisandro Armando
Fernández Ferreyra, Damián Roberto
dc.subject.none.fl_str_mv 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
topic 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
dc.description.none.fl_txt_mv 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.
description Tesis (Doctor en Matemática)--Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación, 2025.
publishDate 2025
dc.date.none.fl_str_mv 2025-03-28
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_db06
info:ar-repo/semantics/tesisDoctoral
format doctoralThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11086/556842
url http://hdl.handle.net/11086/556842
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Digital Universitario (UNC)
instname:Universidad Nacional de Córdoba
instacron:UNC
reponame_str Repositorio Digital Universitario (UNC)
collection Repositorio Digital Universitario (UNC)
instname_str Universidad Nacional de Córdoba
instacron_str UNC
institution UNC
repository.name.fl_str_mv Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdoba
repository.mail.fl_str_mv oca.unc@gmail.com
_version_ 1844618921304391680
score 13.070432