Modelo conceptual para la gestión inteligente del tráfico urbano mediante la integración de MaxPressure y tecnologías de la Industria 4.0
DOI:
https://doi.org/10.53591/easi.V3i2.3248Palabras clave:
Control adaptativo, Industria 4.0, MaxPressure, Gestión del tráfico, Movilidad urbanaResumen
La congestión vehicular representa uno de los principales desafíos de la movilidad urbana, especialmente en ciudades intermedias donde la capacidad vial crece más lentamente que la demanda. Este estudio desarrolla un modelo conceptual para la gestión inteligente del tráfico urbano en Ambato, Ecuador, integrando MaxPressure como núcleo de control adaptativo, herramientas de ingeniería industrial para el monitoreo del desempeño y tecnologías de la Industria 4.0 y Sistemas Ciberfísicos (CPS) para la captura e integración de datos. La investigación adopta un enfoque de construcción conceptual basado en la integración de evidencia teórica, la identificación de constructos clave y el diseño de una arquitectura funcional trazable. Como resultado, se propone una arquitectura modular que articula observación, estimación del estado, toma de decisiones, ejecución y retroalimentación. La principal contribución radica en integrar un algoritmo de control, mecanismos de evaluación operativa y habilitadores digitales en una propuesta funcional unificada, superando la fragmentación presente en la literatura. Aunque mantiene un alcance conceptual, el modelo proporciona una base para futuras etapas de simulación, validación e implementación progresiva.
Referencias
Agarwal, A., Sahu, D., Mohata, R., Jeengar, K., Nautiyal, A., & Saxena, D. K. (2024). Dynamic traffic signal control for heterogeneous traffic conditions using Max Pressure and Reinforcement Learning. Expert Systems with Applications, 254, 124416. https://doi.org/10.1016/j.eswa.2024.124416
Ahmed, T., Liu, H., & Gayah, V. V. (2025). C-MP: A decentralized adaptive-coordinated traffic signal control using the Max Pressure framework. Transportation Research Part B: Methodological, 200, 103308. https://doi.org/10.1016/J.TRB.2025.103308
Arnott, R., de Palma, A., & Lindsey, R. (1993). A Structural Model of Peak-Period Congestion: A Traffic Bottleneck with Elastic Demand. American Economic Review, 83(1), 161–179. https://ideas.repec.org/a/aea/aecrev/v83y1993i1p161-79.html
Aslam, M. M., Shafik, W., Hidayatullah, A. F., Kalinaki, K., Gul, H., Zakari, R. Y., & Tufail, A. (2026). Intelligent Transportation Systems: A Critical Review of Integration of Cyber-Physical Systems (CPS) and Industry 4.0. Digital Communications and Networks, 12(1), 143–164. https://doi.org/10.1016/j.dcan.2025.06.014
Bedoya-Maya, F., Calatayud, A., & González Mejía, V. (2022). Estimating the effect of road congestion on air quality in Latin America. Transportation Research Part D: Transport and Environment, 113, 103510. https://doi.org/10.1016/j.trd.2022.103510
Elassy, M., Al-Hattab, M., Takruri, M., & Badawi, S. (2024). Intelligent transportation systems for sustainable smart cities. Transportation Engineering, 16, 100252. https://doi.org/10.1016/J.TRENG.2024.100252
García-de-la-Cruz, I., & Chancay-García, L. (2024). Semaforización Inteligente: Un Análisis a los Desafíos en la Implementación de Tecnologías y Algoritmos IoT. Revista Tecnológica - ESPOL, 36(E1), 80–96. https://doi.org/10.37815/rte.v36ne1.1189
Gregoire, J., Qian, X., Frazzoli, E., De La Fortelle, A., & Wongpiromsarn, T. (2015). Capacity-aware backpressure traffic signal control. IEEE Transactions on Control of Network Systems, 2(2), 164–173. https://doi.org/10.1109/TCNS.2014.2378871
Huang, Z., & Loo, B. P. Y. (2023). Urban traffic congestion in twelve large metropolitan cities: A thematic analysis of local news contents, 2009–2018. International Journal of Sustainable Transportation, 17(6), 592–614. https://doi.org/10.1080/15568318.2022.2076633
Jabareen, Y. (2009). Building a Conceptual Framework: Philosophy, Definitions, and Procedure. International Journal of Qualitative Methods , 8(4), 49–62. https://doi.org/10.1177/160940690900800406
Li, J., Yu, C., Shen, Z., Su, Z., & Ma, W. (2023). A survey on urban traffic control under mixed traffic environment with connected automated vehicles. Transportation Research Part C: Emerging Technologies, 154, 104258. https://doi.org/10.1016/J.TRC.2023.104258
Lioris, J., Kurzhanskiy, A., & Varaiya, P. (2016). Adaptive Max Pressure Control of Network of Signalized Intersections. IFAC-PapersOnLine, 49(22), 19–24. https://doi.org/10.1016/j.ifacol.2016.10.366
Mercader, P., Uwayid, W., & Haddad, J. (2020). Max-pressure traffic controller based on travel times: An experimental analysis. Transportation Research Part C: Emerging Technologies, 110, 275–290. https://doi.org/10.1016/j.trc.2019.10.002
Oks, S. J., Jalowski, M., Lechner, M., Mirschberger, S., Merklein, M., Vogel-Heuser, B., & Möslein, K. M. (2024). Cyber-Physical Systems in the Context of Industry 4.0: A Review, Categorization and Outlook. Information Systems Frontiers, 26(5), 1731–1772. https://doi.org/10.1007/S10796-022-10252-X
Rasheed, F., Yau, K. L. A., Noor, R. M., Wu, C., & Low, Y. C. (2020). Deep Reinforcement Learning for Traffic Signal Control: A Review. IEEE Access, 8, 208016–208044. https://doi.org/10.1109/ACCESS.2020.3034141
Reyes, J., Mula, J., & Díaz-Madroñero, M. (2023). Development of a conceptual model for lean supply chain planning in industry 4.0: multidimensional analysis for operations management. Production Planning and Control, 34(12), 1209–1224. https://doi.org/10.1080/09537287.2021.1993373
Varaiya, P. (2013). Max pressure control of a network of signalized intersections. Transportation Research Part C: Emerging Technologies, 36, 177–195. https://doi.org/10.1016/j.trc.2013.08.014
Wang, X., Yin, Y., Feng, Y., & Liu, H. X. (2022). Learning the max pressure control for urban traffic networks considering the phase switching loss. Transportation Research Part C: Emerging Technologies, 140, 103670. https://doi.org/10.1016/J.TRC.2022.103670
Wei, H., Chen, C., Zheng, G., Wu, K., Gayah, V., Xu, K., & Li, Z. (2019). Presslight: Learning Max pressure control to coordinate traffic signals in arterial network. Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 19, 1290–1298. https://doi.org/10.1145/3292500.3330949
Wongpiromsarn, T., Uthaicharoenpong, T., Wang, Y., Frazzoli, E., & Wang, D. (2012). Distributed Traffic Signal Control for Maximum Network Throughput. IEEE Conference on Intelligent Transportation Systems, Proceedings, ITSC, 588–595. http://arxiv.org/abs/1205.5938
Xu, T., Barman, S., & Levin, M. W. (2024). Smoothing-MP: A novel max-pressure signal control considering signal coordination to smooth traffic in urban networks. Transportation Research Part C: Emerging Technologies, 166, 104760. https://doi.org/10.1016/J.TRC.2024.104760
Zang, J., Jiao, P., Liu, S., Zhang, X., Song, G., & Yu, L. (2023). Identifying Traffic Congestion Patterns of Urban Road Network Based on Traffic Performance Index. Sustainability 2023, Vol. 15, 15(2). https://doi.org/10.3390/SU15020948
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Christian Mariño, Jimmy Cruz
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Las contribuciones publicadas en la revista EASI se rigen por la licencia de acceso abierto CC BY-NC-ND 4.0 (Creative Commons Reconocimiento-NoComercial-SinDerivadas 4.0). Esta licencia te empodera como autor, y garantiza la amplia difusión de tu investigación mientras protege tus derechos.
Para autores:
- Los autores pueden reproducir y distribuir la obra en cualquier formato no comercial, siempre que la obra indique los autores y datos de la revista EASI, y no contravenga los puntos mencionados en el apartado de los permisos y prácticas editoriales.
- La revista obtiene una licencia para publicar y distribuir el manuscrito original.
Para lectores/usuarios:
Acceso y distribución gratuita: cualquier lector o usuario puede acceder, descargar, copiar, imprimir y compartir el artículo publicado libremente según los términos de la licencia CC BY-NC-ND 4.0.
Reconocimiento obligatorio: si un tercero utiliza el material publicado, debe dar crédito al creador proporcionando el nombre, el título del artículo y el nombre de la revista, lo que garantiza la propiedad intelectual del autor(es) y ayuda a construir su reputación académica.
Uso no comercial: solo se permite el uso no comercial del trabajo publicado. No comercial significa que no está destinado principalmente ni dirigido al aprovechamiento comercial o la compensación monetaria por parte de ningún tercero.
No se permiten modificaciones: el contenido del artículo publicado no se puede cambiar, mezclar o reconstruir a partir del trabajo del autor. Esto asegura la integridad y precisión de los resultados de la investigación.
