La simulación genera estados de tráfico y flujo de vehículos.
Caso de estudio2025
Adaptive Traffic AI System
Caso de estudio sobre coordinación adaptativa de semáforos con simulación e IA.
Caso de estudio de diseño de sistemas que explora cómo la simulación sintética de tráfico, señales de congestión y razonamiento asistido por IA podrían apoyar la coordinación adaptativa de semáforos.
Problema
Qué resuelve este proyecto
El tráfico urbano suele gestionarse por intersección, pero la congestión se forma en redes completas. El sistema necesita razonar sobre la ciudad conectada.
Solución
Cómo lo abordé
El proyecto inicia con una simulación digital que genera datos sintéticos, prueba estrategias y evalúa comportamiento adaptativo de forma segura.
Arquitectura
Estructura del sistema
La capa de datos captura intersecciones, espera, densidad y congestión.
La capa de IA propone ajustes según el estado de la red.
El dashboard visualiza intersecciones, intervenciones y resultados.
Decisiones
Tradeoffs y resultados
Simulación antes de promesas reales
Tradeoff: El control real de semáforos es de alto riesgo y no debe afirmarse sin datos validados, acceso a infraestructura y pruebas de seguridad.
Resultado: Enmarqué el proyecto como caso de estudio de diseño de sistemas y simulación antes de cualquier afirmación de despliegue real.
Datos sintéticos antes de integración urbana
Tradeoff: La integración con una ciudad real suena impresionante, pero sin acceso y validación sería poco realista y difícil de probar.
Resultado: Partí de patrones sintéticos de congestión, entradas de simulación y métricas de evaluación para probar ideas de control adaptativo con seguridad.
Coordinación urbana sobre optimización aislada
Tradeoff: Optimizar una sola intersección puede mejorar una señal local mientras crea cuellos de botella en otras zonas.
Resultado: Traté la coordinación, restricciones, propagación de congestión y flujo a nivel red como partes centrales del diseño del sistema.
Evidencia
Evidencia e impacto
Definí la arquitectura para un sistema de coordinación de tráfico basado primero en simulación, sin afirmar despliegue real.
Identifiqué el reto central de modelado: datos sintéticos, estados de congestión, restricciones de intersecciones y flujo de tráfico a nivel red.
Creé una ruta de concepto a prototipo: simulación en cuadrícula, métricas de congestión, comportamiento base y experimentos de control adaptativo.
Roadmap
Siguiente iteración
Construir una simulación mínima en Python con intersecciones, volumen de tráfico, tiempos de semáforo y estados de congestión.
Capturar una visualización de simulación o screenshot de dashboard para el caso de estudio.
Definir métricas de evaluación como tiempo promedio de espera, throughput, longitud de fila y reducción de cuellos de botella.