IMPACTO DE LA PROXIMIDAD DE LOS PUNTOS DE INTERÉS EN LA CONGESTIÓN DE TRÁFICO: UN ENFOQUE BASADO EN LA DENSIDAD DE KERNEL
DOI:
https://doi.org/10.61530/redtis.vol8.n1.2024.210Palabras clave:
Congestión de tráfico, Densidad, Kernel, Puntos de interésResumen
Esta investigación examina cómo la proximidad de puntos de interés, como tiendas, restaurantes, hospitales, escuelas, parques y oficinas, influye en la congestión del tráfico en áreas urbanas. Utilizando un enfoque de densidad de Kernel, el análisis busca entender cómo la concentración de estos puntos afecta los patrones de tráfico y la densidad en diferentes zonas. El método de densidad de Kernel permite estimar la intensidad del tráfico en áreas específicas, creando centroides de áreas dinámicas que muestra las regiones con mayor y menor congestión. El estudio integra datos geoespaciales sobre la ubicación de puntos de interés y los patrones de tráfico, identificando correlaciones entre la cercanía de estos puntos y los niveles de congestión. Los resultados indican que una alta densidad de puntos de interés en una zona tiende a incrementar el tráfico y la congestión, especialmente en áreas de alto atractivo comercial o recreativo. El estudio proporciona información valiosa para urbanistas y responsables de transporte al ofrecer alternativas sobre cómo la ubicación de puntos de interés puede ser optimizada para mejorar la fluidez del tráfico y reducir la congestión en áreas urbanas.
Referencias
[1] M. Paucara Rojas, S. E. Avilés Córdova, and S. Huaquisto Cáceres, "Utilización De La Microsimulación Para El Estudio De Tráfico Vehicular En Vías Urbanas," Investig. Desarrollo, vol. 23 no.1, pp. 67–77, 2023, doi: 10.23881/idupbo.023.1-5i.
[2] J. Lu, B. Li, H. Li, and A. Al-Barakani, "Expansion of city scale, traffic modes, traffic congestion, and air pollution," Cities, vol. 108, 2021, doi: 10.1016/j.cities.2020.102974.
[3] C. Lu, "Mapping urban spatial structure based on POI (Point of interest) data: A case study of the central city of Lanzhou, China," ISPRS Int. J. Geo-Information, vol. 9, no.2, 2020, doi: 10.3390/ijgi9020092.
[4] H. Zhu, K. Zhang, C. Wang, L. Jia, and S. Song, "The Impact of Road Functions on Road Congestions Based on POI Clustering: An Empirical Analysis in Xi’an, China," J. Adv. Transp., 2023, doi: 10.1155/2023/6144048.
[5] K. Cheruiyot, "Detecting spatial economic clusters using kernel density and global and local Moran’s I analysis in Ekurhuleni metropolitan municipality, South Africa," Reg. Sci. Policy Pract., vol. 4, no.2, pp. 307–327, 2022, doi: 10.1111/rsp3.12526.
[6] P. Zhao and H. Hu, "Geographical patterns of traffic congestion in growing megacities: Big data analytics from Beijing," Cities, vol.92, pp. 164–174, 2019, doi: 10.1016/j.cities.2019.03.022.
[7] Z. Bao, S. T. Ng, G. Yu, X. Zhang, and Y. Ou, "The effect of the built environment on spatial-temporal pattern of traffic congestion in a satellite city in emerging economies," Dev. Built Environ., vol. 14, pp. 100173, 2023, doi: 10.1016/j.dibe.2023.100173.
[8] M. Kolat, T. Tettamanti, T. Bécsi, and D. Esztergár-Kiss, "On the relationship between the activity at point of interests and road traffic," Commun. Transp. Res., vol. 3, 2023, doi: 10.1016/j.commtr.2023.100102.
[9] Y. Li, M. Abdel-Aty, J. Yuan, Z. Cheng, and J. Lu, "Analyzing traffic violation behavior at urban intersections: A spatio-temporal kernel density estimation approach using automated enforcement system data," Accid. Anal. Prev., vol. 141, pp.105509, 2020, doi: 10.1016/j.aap.2020.105509.
[10] H. Xu and Z. Wang, "Integrating Points-of-Interest and Areas-Of-Interest for Commercial Space Pattern Analysis," J. Phys. Conf. Ser., vol. 1852, no. 4, 2021, doi: 10.1088/1742-6596/1852/4/042053.
[11] H. Ge, L. Dong, M. Huang, W. Zang, and L. Zhou, "Adaptive Kernel Density Estimation for Traffic Accidents Based on Improved Bandwidth Research on Black Spot Identification Model," Electron., vol. 11, no. 21, 2022, doi: 10.3390/electronics11213604.
[12] L. Srikanth and I. Srikanth, "A Case Study on Kernel Density Estimation and Hotspot Analysis Methods in Traffic Safety Management," Int. Conf. Commun. Syst. NETworkS, COMSNETS ,pp. 99–104, 2020, doi: 10.1109/COMSNETS48256.2020.9027448.
[13] B. Pishue, INRIX Global Traffic Scorecard with Q1 2024 Update,INRIX, 2024.
[14] C. Luiselli, Los desafíos del México urbano, UNAM, 2019.
[15] Geoapify, https://www.geoapify.com/places-api/, last accessed:2024/02/02.
[16] T. Traffic, https://developer.tomtom.com/traffic-api/documentation/traffic-flow/flow-segment-data, last accessed:2024/02/02.
[17] H. Maps, https://www.here.com/docs/bundle/traffic-api-developer-guide-v6/page/topics_v6.1/resource-parameters-flow.html, last accessed: 2024/02/02.
[18] D. Onyekachi,"Cubic Square and Square Root Transformation of a Gamma Distribution : A Comparative Analysis," International Journal of Applied Science and Mathematical Theory, vol. 6, no. 3, pp. 26–39, 2020.
[19] N. Fei, Y. Gao, Z. Lu, and T. Xiang, "Z-Score Normalization , Hubness , and Few-Shot Learning". IEEE Xplore, pp.142–151.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Revista Digital de Tecnologías Informáticas y Sistemas
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
This is a human-readable summary of (and not a substitute for) the license.
Advertencia.
Usted es libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar — remezclar, transformar y crear a partir del material
El licenciador no puede revocar estas libertades mientras cumpla con los términos de la licencia.
Bajo las condiciones siguientes:
Reconocimiento — Debe reconocer adecuadamente la autoría, proporcionar un enlace a la licencia e indicar si se han realizado cambios<. Puede hacerlo de cualquier manera razonable, pero no de una manera que sugiera que tiene el apoyo del licenciador o lo recibe por el uso que hace.
NoComercial — No puede utilizar el material para una finalidad comercial.
CompartirIgual — Si remezcla, transforma o crea a partir del material, deberá difundir sus contribuciones bajo la misma licencia que el original.
No hay restricciones adicionales — No puede aplicar términos legales o medidas tecnológicas que legalmente restrinjan realizar aquello que la licencia permite.
Avisos:
No tiene que cumplir con la licencia para aquellos elementos del material en el dominio público o cuando su utilización esté permitida por la aplicación de una excepción o un límite.
No se dan garantías. La licencia puede no ofrecer todos los permisos necesarios para la utilización prevista. Por ejemplo, otros derechos como los de publicidad, privacidad, o los derechos morales pueden limitar el uso del material.
