Browsing by Author "Garrido Valenzuela, Francisco Orlando"

Now showing 1 - 3 of 3
  • No Thumbnail Available
    Item
    Bayesian Route Choice Inference to Address Missed Bluetooth Detections
    (2020) Garrido Valenzuela, Francisco Orlando; Raveau Feliú, Sebastián; Herrera Maldonado, Juan Carlos
    By installing wireless sensors such as Bluetooth or Wi-Fi at a specific set of intersections and/or roadways it is possible to detect the passage of vehicles equipped with these technologies. However, Wi-Fi or Bluetooth-equipped vehicles are not necessarily detected by every sensor they pass by, as the detection probability depends on several factors, such as weather, nearby infrastructure, or the vehicle's speed. To address this lack of perfect information, we propose a methodology to infer the most likely route used by a vehicle between two successive detections. The methodology consists of three stages. The first stage entails constructing a graph of the road network and the location of the sensors. The second stage consists of using the wireless data to calibrate the distribution of dwell time at each node and travel time for each link of the graph defined in the first stage. The third and final stage consists of convoluting node and link time distributions between successive detections to obtain an aggregate time distribution for each potential route. A Bayesian inference is then applied based on the travel time observed for each vehicle and the number of missed detections, to determine the probability of each alternative route. The methodology is tested through microsimulations, showing a prediction performance of over 90% in most favorable scenarios tested. When compared to a benchmark approach to infer routes, the proposed methodology provides better results when the network's sensory density is low and data available are reduced.
  • No Thumbnail Available
    Item
    Identifying and visualizing operational bottlenecks and Quick win opportunities for improving bus performance in public transport systems
    (Elsevier Ltd, 2022) Garrido Valenzuela, Francisco Orlando; Cruz, Diego; Dragicevic, Marina; Schmidt Garín, Alejandro; Moya Aguad, Jaime Francisco; Tamblay Moënne, Sebastián Jorge; Herrera Maldonado, Juan Carlos; Muñoz Abogabir, Juan Carlos; CEDEUS (Chile)
    Congestion is one of the main problems prevalent in surface public transport systems. Congestion affects travel time, service regularity, and system costs. The accuracy of identification of speed-related problems depends on the quality and precision of the tools used to analyze the available operational data, that is, data on the impact on users and operational costs. Furthermore, traffic signals contribute significantly to operational delay, and programming traffic signals to prioritize transit can substantially increase the operating speeds. For example, green split redistributions are simple and low-cost adjustments to traffic signals that can significantly improve operating speeds. However, it might be expensive to collect the necessary traffic flow information. This study had a twofold contribution. First, it presents an extension of a tool that uses buses GPS data to identify and rank bottlenecks, in which queue lengths and bus load profiles are now considered for estimating user delay. Second, a methodology to identify which of these bottlenecks can be easily removed (Quick wins) by reallocating the traffic signal's green times among phases. The modified methodology was applied in the city of Santiago de Chile, where the inclusion of both the queue length and bus load profiles is shown to modify the ranking. Additionally, Quick wins opportunities were detected and addressed resulting in an average 85% reduction in bus delays.
  • Thumbnail Image
    Item
    Inferencia bayesiana de elección de rutas a partir de tecnología bluetooth
    (2018) Garrido Valenzuela, Francisco Orlando; Herrera Maldonado, Juan Carlos; Raveau Feliú, Sebastián; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    La tecnología Bluetooth puede ser utilizada para seguir vehículos equipados mediante la dirección MAC. Esto es posible por medio de la instalación de sensores Bluetooth en un conjunto específico de intersecciones de un área de estudio. Sin embargo, un vehículo equipado con esta tecnología no necesariamente es detectado por todos los sensores por los que este transita. Esto se debe a que la probabilidad de detección depende de varios factores tales como el clima, la infraestructura cercana o la velocidad de los vehículos. Dada esta falta de información, es necesario inferir la ruta más probable que utilizó el vehículo. Este estudio presenta una metodología capaz inferir las rutas elegidas por vehículos en una red. La inferencia se realiza a partir de la reconstrucción del recorrido realizado por el vehículo entre dos detecciones sucesivas donde se estiman probabilidades de uso para cada ruta. Una vez que las probabilidades son obtenidas, es posible inferir la ruta completa desde el origen a su destino. El predecir los patrones de viaje es esencial para planificación de transporte y la aplicación de diferentes políticas como gestión de tráfico y tarificación vial.La metodología cuenta con tres etapas. En la primera de ellas, se construye un grafo a partir de la red vial y la localización de sensores Bluetooth. En la segunda etapa, con la información Bluetooth recolectada se calibran distribuciones del tiempo de permanencia en cada uno de los nodos y del tiempo de viaje para cada arco. El tercer y último paso consiste en convolucionar las distribuciones de los tiempos de nodos y arcos entre un par de detecciones sucesivas con el fin de obtener una distribución agregada para cada ruta potencial. Basado en el tiempo observado de viaje de cada vehículo y el conjunto de detecciones que no se realizaron, se realiza una inferencia Bayesiana para obtener las probabilidades de cada ruta. La metodología es testeada mediante microsimulación y presenta buenos resultados a la hora de inferir las rutas elegidas por cada vehículo. Además, es comparada con otra metodología presente en la literatura. Ambas poseen similar porcentaje de predicción, pero la metodología propuesta muestra mejores resultados cuando la red presenta menor densidad de sensores y falta más información.