enero-junio-2025
ISSN 2953-6367 Vol. 6, No.14, PP.692-708
http://revistainvestigo.com https://doi.org/10.56519/szj4zh91
Revista Científica Multidisciplinaria InvestiGo
Riobamba – Ecuador
Cel: +593 97 911 9620
revisinvestigo@gmail.com 692
ANÁLISIS ESTADÍSTICO DEL FLUJO DE TRÁFICO EN
INTERSECCIONES DEL CENTRO DE LA CIUDAD DE RIOBAMBA
STATISTICAL ANALYSIS OF TRAFFIC FLOW AT INTERSECTIONS
IN THE CITY CENTER OF RIOBAMBA
Wilmer Enrique Mera Herrera
1
, Alfredo Rodrigo Colcha Ortiz
2
{wilmer.mera@unach.edu.ec1, alfredo.colcha@unach.edu.ec2}
Fecha de recepción: 20/12/2024 / Fecha de aceptación: 04/01/2025 / Fecha de publicación: 06/01/2025
RESUMEN: El análisis estadístico del flujo de tráfico vehicular en intersecciones críticas del
centro de Riobamba se presenta como una herramienta esencial para abordar los problemas
de congestión urbana, que afectan tanto la movilidad como la calidad de vida de los habitantes,
la investigación combina un enfoque cuantitativo con técnicas avanzadas como el modelo
ARIMA, lo que permite descomponer series temporales en componentes de tendencia,
estacionalidad y residuos. Este enfoque no solo identifica patrones de tráfico y predice
volúmenes futuros, sino que también establece una base para implementar soluciones
informadas en la gestión vial. Se analizaron 40.442 datos recolectados mediante simulaciones
de sensores en tiempo real, cubriendo 11 intersecciones seleccionadas estratégicamente. Los
resultados destacaron un incremento significativo del flujo vehicular en horas pico,
particularmente entre las 12:00-13:30 y 17:00-19:00, lo que subraya la necesidad de optimizar
la sincronización semafórica y diseñar rutas alternativas. La metodología incluye técnicas de
procesamiento y limpieza de datos para garantizar su calidad y fiabilidad, el modelo ARIMA
demostró ser robusto para identificar tendencias y proyectar comportamientos futuros,
mientras que las visualizaciones interactivas facilitaron la interpretación de los resultados, este
estudio evidencia la importancia de realizar análisis de tráfico para mitigar los efectos negativos
de la congestión, como las emisiones vehiculares y los tiempos de espera prolongados,
proponiendo estrategias sostenibles que optimicen la movilidad urbana, los hallazgos son
aplicables a otras ciudades con características similares, sentando las bases para la
implementación de políticas públicas basadas en datos que promuevan un desarrollo urbano
más eficiente y sostenible.
Palabras clave: Tráfico vehicular, congestión urbana, series temporales, modelo ARIMA,
movilidad sostenible, gestión del tráfico
ABSTRACT: The statistical analysis of the flow of vehicular traffic at critical intersections in
the center of Riobamba is presented as an essential tool to address urban congestion problems,
1
Maestrante, Instituto de Posgrado, Universidad Nacional de Chimborazo (UNACH), Riobamba-Ecuador. https://orcid.org/0009-
0006-4484-950X.
2Docente Investigador de la Facultad de Ingeniería, Universidad Nacional de Chimborazo (UNACH). Riobamba-Ecuador,
https://orcid.org/0009-0005-2280-5189.
ANÁLISIS ESTADÍSTICO DEL FLUJO DE TRÁFICO EN INTERSECCIONES DEL CENTRO DE LA CIUDAD DE RIOBAMBA
693
which affect both the mobility and the quality of life of the inhabitants. The research combines
a quantitative approach with advanced techniques such as the ARIMA model, which allows
decomposing time series into trend, seasonality and residual components. This approach not
only identifies traffic patterns and predicts future volumes, but also establishes a foundation
for implementing informed solutions in road management. 40,442 data collected through real-
time sensor simulations were analyzed, covering 11 strategically selected intersections. The
results highlighted a significant increase in traffic flow during peak hours, particularly between
12:00-1:30 p.m. and 5:00-7:00 p.m., which underlines the need to optimize traffic light
synchronization and design alternative routes. The methodology includes data processing and
cleaning techniques to guarantee its quality and reliability, the ARIMA model proved to be
robust to identify trends and project future behaviors, while interactive visualizations
facilitated the interpretation of the results, this study shows the importance of carrying out
traffic analysis to mitigate the negative effects of congestion, such as vehicle emissions and long
waiting times, proposing sustainable strategies that optimize urban mobility, the findings are
applicable to other cities with similar characteristics, laying the foundations for the
implementation of public policies.
Keywords: Vehicular traffic, urban congestion, time series, ARIMA model, sustainable mobility,
traffic management
INTRODUCCIÓN
La movilidad urbana es un desafío creciente en las ciudades modernas, especialmente en áreas
de alta densidad vehicular como el centro de Riobamba. Las intersecciones, al ser puntos clave
de convergencia del tráfico, representan nodos críticos donde los problemas de congestión,
demoras y accidentes suelen intensificarse.
En este contexto, comprender el comportamiento del flujo vehicular mediante análisis
estadísticos permite identificar patrones, prever tendencias y proponer soluciones que mejoren
la eficiencia del tránsito y reduzcan los impactos negativos asociados. En Riobamba, el
crecimiento del parque automotor, combinado con una planificación vial limitada y la falta de
sistemas inteligentes de gestión de tráfico, ha derivado en un incremento de los tiempos de
espera en las intersecciones y una mayor incidencia de emisiones vehiculares. Estos problemas
afectan no solo la movilidad, sino también la calidad de vida de los ciudadanos, al incrementar los
niveles de estrés y contaminación.
El objetivo de esta investigación es realizar un análisis estadístico del flujo vehicular en las
principales intersecciones del centro de Riobamba. A través de la recopilación y el procesamiento
de datos de tráfico, se busca identificar los factores que contribuyen a la congestión y proponer
estrategias basadas en datos para optimizar el flujo vehicular. Este enfoque permitirá generar
información relevante para la toma de decisiones en la gestión del tráfico urbano.
Es importante abordar la importancia de las intersecciones en el sistema vial urbano, destacando
su impacto en la movilidad y seguridad vial, se debe analizar conceptos como puntos de conflicto,
ANÁLISIS ESTADÍSTICO DEL FLUJO DE TRÁFICO EN INTERSECCIONES DEL CENTRO DE LA CIUDAD DE RIOBAMBA
694
tipos de intersecciones y métodos de análisis, haciendo hincapié en que las intersecciones, al ser
puntos de convergencia y cruce de vehículos, son áreas críticas para el tránsito, y sus deficiencias
afectan negativamente la funcionalidad de toda la red vial. Los puntos de conflicto, definidos
como áreas potenciales de accidentes, se presentan en intersecciones debido a maniobras
imprevistas y a la interacción de flujos direccionales, debemos tomar en cuenta las intersecciones
semaforizadas y no semaforizadas, señalando que la semaforización, especialmente con sistemas
inteligentes, reduce los conflictos y mejora la seguridad. Por tal razón es importante explora
métodos de análisis como el uso de software de simulación, análisis estadístico y la lógica difusa
para optimizar los tiempos de los semáforos (1).
Podemos describir y analizar el comportamiento del tráfico vehicular en condiciones de
congestión desde un enfoque macroscópico, fundamentado en la necesidad de abordar los
problemas derivados del tráfico urbano, como la contaminación ambiental, el exceso de ruido y
el aumento en los accidentes viales, que afectan a la mayoría de las ciudades en el mundo.
Utilizando un modelo macroscópico basado en la segunda ley de Newton, permite obtener una
solución analítica para describir la fluidez óptima del tráfico en un tramo congestionado,
simplificando los cálculos al no requerir métodos numéricos complejos, aunque se reconoce que
para escenarios más realistas o sistemas de tráfico más complejos, sería necesario emplear
herramientas avanzadas, se demuestra que la densidad de tráfico crítica es un punto clave para
maximizar el flujo vehicular y minimizar los tiempos de espera en las carreteras (2).
La simulación se presenta como una herramienta fundamental para la identificación y solución
de problemas en el tráfico urbano, especialmente en áreas críticas como intersecciones con alta
densidad vehicular. Para esto se puede utilizar software especializado para simular y analizar el
comportamiento del flujo vehicular bajo diferentes condiciones, permitiendo evaluar escenarios
actuales y proyectar situaciones futuras. A través de la simulación, es posible recopilar datos
detallados sobre los niveles de servicio, tiempos de demora, capacidad de las intersecciones y
puntos críticos de congestión, ofreciendo una visión integral de la dinámica vehicular en entornos
urbanos complejos, los análisis respaldados por simulaciones proporcionan información precisa
para la toma de decisiones en la planificación vial además, contribuye a diseñar soluciones
sostenibles que optimizan las ciudades (3).
En un contexto apegado a la realidad de las ciudades del Ecuador podemos clasificar los niveles
de servicio en intersecciones urbanas según estándares internacionales, lo que resulta
fundamental para evaluar la eficiencia del flujo vehicular y determinar áreas críticas de
congestión. Los niveles de servicio (LOS, por sus siglas en inglés) se clasifican en una escala de "A"
a "F", donde "A" representa un flujo vehicular libre, con tiempos de demora mínimos, y "F" indica
condiciones de congestión extrema, con tiempos de espera elevados y circulación ineficiente.
Estas clasificaciones se basan en indicadores clave como el tiempo de demora promedio por
vehículo, el volumen de tráfico y la capacidad de la intersección. En contextos urbanos, los niveles
de servicio "C" y "D" son comunes y aceptables bajo ciertas circunstancias, aunque reflejan una
disminución en la calidad de la movilidad (4).
El uso de modelos estadísticos de Análisis de series temporales como ARIMA es crucial en el
análisis de flujo vehicular, especialmente para la planificación y gestión de infraestructura y
ANÁLISIS ESTADÍSTICO DEL FLUJO DE TRÁFICO EN INTERSECCIONES DEL CENTRO DE LA CIUDAD DE RIOBAMBA
695
transporte, estos modelos permiten descomponer series de tiempo en componentes esenciales
como tendencia, estacionalidad y variaciones aleatorias, lo que facilita una comprensión más
profunda de las dinámicas del tráfico. En particular, el modelo ARIMA destaca por su capacidad
para predecir volúmenes vehiculares futuros, lo que resulta invaluable para la toma de decisiones
informadas. Su implementación permite identificar patrones de congestión en períodos
específicos, optimizar horarios de tránsito y priorizar intervenciones en puntos críticos. Además,
al validar los resultados mediante análisis de autocorrelación, heterocedasticidad y normalidad,
se garantiza la confiabilidad de las predicciones, haciendo que sean aplicables en contextos reales
(5).
Es importante realizar análisis de tráfico en las ciudades como una herramienta indispensable
para la planificación urbana eficiente, la comprensión detallada del flujo vehicular permite
identificar áreas críticas, anticipar problemas de congestión y evaluar las necesidades futuras de
movilidad en las ciudades. Este enfoque no solo es clave para mitigar los efectos negativos del
tráfico, como la contaminación y los accidentes, sino también para diseñar y priorizar soluciones
de infraestructura que respondan a las demandas crecientes.
El análisis de tráfico no solo se limita a medir el volumen vehicular, sino que también considera
factores como patrones de movilidad, densidad poblacional y uso del suelo, estas evaluaciones
son fundamentales para decidir la construcción de infraestructuras complementarias, como
pasos a desnivel, avenidas de mayor capacidad o sistemas de transporte público más eficientes
(6).
El presente estudio es justificado por la necesidad de implementar soluciones sostenibles que
aborden los problemas de congestión y movilidad en el centro de Riobamba, además, busca
sentar las bases para futuras investigaciones que integren tecnologías modernas como sensores
de tráfico y simulaciones computacionales, los resultados de este análisis tienen el potencial de
servir como insumo para diseñar políticas públicas orientadas a la mejora del sistema vial y la
calidad de vida de los habitantes (7).
MATERIALES Y MÉTODOS
La investigación sigue un enfoque cuantitativo, ya que analiza datos numéricos recolectados de
manera sistemática para evaluar patrones y tendencias en el flujo de tráfico vehicular en
intersecciones clave del centro de Riobamba, este enfoque se complementa con un análisis
descriptivo y predictivo que permite generar conclusiones basadas en evidencia empírica. Para la
recolección de datos, se utilizó la simulaciones de sensores en tiempo real gracias a nuevas
tecnologías basadas en georeferenciación, registrando variables como fecha, hora, tipo de
vehículo (automóvil, camioneta, motocicleta, etc.), movimiento (recto, giro a la derecha o
izquierda) y coordenadas geográficas, estos datos fueron procesados utilizando Python para
garantizar su limpieza, normalización y estructuración, lo que asegura su calidad y confiabilidad
para el análisis estadístico.
En cuanto a las técnicas e instrumentos, se empleó el modelo ARIMA (Autoregressive Integrated
Moving Average) para descomponer los datos en componentes de tendencia, estacionalidad y
ANÁLISIS ESTADÍSTICO DEL FLUJO DE TRÁFICO EN INTERSECCIONES DEL CENTRO DE LA CIUDAD DE RIOBAMBA
696
residuo, permitiendo identificar patrones temporales y predecir el comportamiento del tráfico,
este modelo fue complementado con visualizaciones interactivas generadas con las librerías
Matplotlib, las cuales facilitaron la interpretación de los datos y la identificación de áreas críticas.
La muestra se compone de 40,442 datos recolectados durante un período de varios días en 11
intersecciones seleccionadas estratégicamente, considerando su nivel de congestión y su impacto
en la movilidad urbana, adicionalmente, se realizó un análisis de horas pico (12:00-13:30 y 17:00-
19:00) para evaluar las condiciones más congestionadas.
RESULTADOS Y DISCUSIÓN
La ciudad de Riobamba ha experimentado un crecimiento significativo de acuerdo con (8) en su
parque automotor en los últimos años, lo que ha generado un aumento en los problemas de
tráfico y congestionamiento en diversas intersecciones de la ciudad. La identificación y manejo
de estas intersecciones conflictivas es esencial para mejorar la movilidad urbana y la seguridad
vial, la Universidad Nacional de Chimborazo desde su programa semestral de investigación
formativa establece en la carrera de Ingeniería Civil el proyecto interdisciplinario "Modelo
Predictivo para Intersecciones Conflictivas en la Ciudad de Riobamba", este proyecto
interdisciplinario se propone abordar este problema utilizando técnicas avanzadas de análisis y
modelado predictivo, integrando conocimientos de Ingeniería Civil, Sistemas de Información
Geográfica (SIG), Tránsito y Transporte, y Métodos Numéricos (9). Para este trabajo de
investigación se han considerado 11 intersecciones del centro de la ciudad de Riobamba las cuales
las cuales son de alto tráfico vehicular.
Figura 1. Intersecciones seleccionadas para el análisis de tráco en el centro de Riobamba.
ANÁLISIS ESTADÍSTICO DEL FLUJO DE TRÁFICO EN INTERSECCIONES DEL CENTRO DE LA CIUDAD DE RIOBAMBA
697
Los estudiantes con el uso de nuevas tecnologías y a través de la simulación de sensores
levantaron 40.442 datos validos que entre las características principales se encuentran la
Intersección, Fecha y Hora, Tipo de Vehículo, Movimiento y la geolocalización con su coordenada
X e Y.
Tabla 1. Formato de la recolección de los datos.
Intersección
Fecha
Tipo Vehículo
Movimiento
x
y
G27A001
07/22/2024 11:30:21,437
Automóvil
Recto
-78,6408976
-1,6778137
G27A001
07/22/2024 11:30:21,437
Automóvil
Recto
-78,6408976
-1,6778137
G27A001
07/22/2024 11:30:58,288
Automóvil
Recto
-78,6408663
-1,67782077
G27A001
07/22/2024 11:31:36
Automóvil
Derecha
-78,6408589
-1,67785642
G27A001
07/22/2024 11:31:11
Automóvil
Recto
-78,6408455
-1,67783905
G27A001
07/22/2024 11:31:41
Automóvil
Derecha
-78,6408944
-1,67787302
G27A002
07/22/2024 11:31:43,986
Automóvil
Recto
-78,6408475
-1,6778675
G27A001
07/22/2024 11:32:34
Camioneta
Recto
-78,6409098
-1,67789623
Análisis de series temporales con el método ARIMA.
El modelo ARIMA (Autoregressive Integrated Moving Average) es una herramienta estadística
poderosa para el análisis y pronóstico de series temporales, su capacidad para descomponer
patrones en tendencia, estacionalidad y residuo permite comprender cómo varían los datos en el
tiempo, identificar ciclos repetitivos y detectar anomalías. Aplicado a los datos de flujo vehicular
en el centro de Riobamba, este modelo puede revelar tendencias a largo plazo, como el
incremento del tráfico en ciertas horas del día, y estacionalidades, como las horas pico. Además,
ARIMA facilita la predicción de flujos futuros, lo cual es crucial para planificar estrategias de
movilidad y gestión vial (10).
También permite evaluar el impacto de intervenciones, como cambios en la sincronización de
semáforos o la apertura de nuevas rutas, comparando patrones antes y después de las
modificaciones. Su capacidad de detección de anomalías ayuda a identificar eventos inesperados
como accidentes o desvíos, que afectan significativamente la circulación. El modelo es
particularmente relevante para los datos levantados en el centro de Riobamba, ya que esta área
concentra gran parte del tráfico urbano, lo que lo convierte en un punto crítico para la
planificación. Implementar ARIMA no solo aporta precisión analítica, sino que también ofrece una
base sólida para decisiones de infraestructura y transporte basadas en datos (11).
ANÁLISIS ESTADÍSTICO DEL FLUJO DE TRÁFICO EN INTERSECCIONES DEL CENTRO DE LA CIUDAD DE RIOBAMBA
698
El presente estudio identificará las Tendencias a Largo Plazo, el método de descomposición
estacional te permite separar la serie temporal en tres componentes:
• Tendencia: Identifica si el flujo vehicular aumenta, disminuye o se mantiene constante
durante el día o el período analizado.
• Estacionalidad: Captura patrones cíclicos o repetitivos en intervalos específicos (por
ejemplo, horas pico en la mañana y tarde).
• Residuo (Ruido): Identifica variaciones no explicadas por la tendencia ni la estacionalidad,
como eventos atípicos o accidentes.
Para entender si las horas pico se mantienen consistentes todos los días y evaluar si el tráfico
disminuye o aumenta durante ciertos días de la semana, para este efecto se toma como horas
pico las del medio día desde las 12:00 hasta las 13:30 y por la tarde de 17:00 hasta las 19:00
Con los datos recolectados y las consideraciones de las horas pico se construye el Modelo ARIMA
en Python teniendo el siguiente Código:
ANÁLISIS ESTADÍSTICO DEL FLUJO DE TRÁFICO EN INTERSECCIONES DEL CENTRO DE LA CIUDAD DE RIOBAMBA
699
Figura 2. Código Python 1. Implementación del Modelo Estadísco ARIMA con Python Parte 1.
ANÁLISIS ESTADÍSTICO DEL FLUJO DE TRÁFICO EN INTERSECCIONES DEL CENTRO DE LA CIUDAD DE RIOBAMBA
700
Figura 3. Código Python 2. Implementación del Modelo Estadístico ARIMA con Python Parte 2.
Código Python Parte 2
# Modelo ARIMA
# Restar la tendencia y la estacionalidad para trabajar con los residuos
residual = decomposition.resid.dropna()
# Ajustar el modelo ARIMA
model = ARIMA(residual, order=(1,0,2))
arima_result = model.fit()
# Resumen del modelo
print(arima_result.summary())
# Predicción para las próximas 24 horas
forecast_24h = arima_result.forecast(steps=24)
# Predicción para la próxima semana (7 días * 24 horas)
forecast_week = arima_result.forecast(steps=24 * 7)
# Graficar residuos, predicción de 24 horas y predicción de una semana con
fechas y horas
plt.figure(figsize=(14, 8))
plt.plot(residual, label='Residuos', color='blue')
plt.plot(forecast_24h, label='Predicción Próximas 24 Horas', color='red')
plt.plot(forecast_week, label='Predicción Próxima Semana', color='green')
plt.title('Residuos y Predicción para las Próximas Horas y Semana')
plt.xlabel('Tiempo (Fecha y Hora)')
plt.ylabel('Cantidad')
plt.legend()
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()
# Graficar datos en las horas pico
plt.figure(figsize=(12, 6))
plt.plot(data_hourly, label='Datos Horas Pico', color='purple')
plt.title('Tendencia del Tráfico en Horas Pico (12:00-13:30 y 17:00-19:00)')
plt.xlabel('Tiempo (Fecha y Hora)')
plt.ylabel('Cantidad de Vehículos')
plt.legend()
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()
ANÁLISIS ESTADÍSTICO DEL FLUJO DE TRÁFICO EN INTERSECCIONES DEL CENTRO DE LA CIUDAD DE RIOBAMBA
701
Como resultados de la implementación del modelo ARIMA en Python tenemos los siguientes
resultados.
Tabla 2. Resultados de la aplicación del modelo ARIMA.
El modelo ARIMA se trabajó con los parámetros (1, 0, 2), que define los tres componentes clave
que guían cómo el modelo ajusta los datos de la serie temporal, además de los diferentes ajustes
se tomó el que tenía el menor valor del AIC:
Uso de estos parámetros:
1. Por qué p=1:
Es común empezar con valores pequeños para el componente autoregresivo, especialmente si se
cree que la serie tiene una dependencia directa con su pasado inmediato, este valor es adecuado
para capturar relaciones simples entre los puntos adyacentes en el tiempo.
2. Por qué d=0:
Dado que se está trabajando con los residuos de un proceso de descomposición estacional, estos
ya están libres de tendencia o estacionalidad. No es necesario aplicar diferenciación adicional.
3. Por qué q=2:
Un orden de media móvil de 2 permite capturar fluctuaciones más complejas en los errores
residuales, esto es útil si el patrón de los errores no es completamente aleatorio, sino que tiene
cierta correlación a corto plazo.
ANÁLISIS ESTADÍSTICO DEL FLUJO DE TRÁFICO EN INTERSECCIONES DEL CENTRO DE LA CIUDAD DE RIOBAMBA
702
Figura 4. Resultados de los diferentes parámetros del modelo ARIMA.
Podemos desglosar el gráfico del modelo en las siguientes partes:
Datos observados
Esta parte del gráfico muestra la serie temporal original tal como fue registrada, se pueden
observar picos notables en ciertos momentos, mientras que en otros la actividad es baja o nula.
Los picos corresponden a momentos de alta actividad vehicular, probablemente durante las horas
pico o eventos específicos. El comportamiento es irregular, pero presenta patrones repetitivos,
con periodos de alta actividad intercalados con periodos de calma (12).
Tendencia a largo plazo
La tendencia muestra un comportamiento general y suavizado de los datos, eliminando las
fluctuaciones a corto plazo. En este caso, se aprecia que los valores son altos al inicio y luego
tienden a estabilizarse o disminuir ligeramente hacia los días finales. Esto podría reflejar una
disminución en el flujo vehicular durante los días analizados, ya sea por factores externos (clima,
restricciones, etc.) o simplemente por un patrón natural en el tráfico (13).
ANÁLISIS ESTADÍSTICO DEL FLUJO DE TRÁFICO EN INTERSECCIONES DEL CENTRO DE LA CIUDAD DE RIOBAMBA
703
Patrón estacional (ciclo diario)
Aquí se representa el comportamiento cíclico que ocurre diariamente, se observa un patrón
repetitivo con picos regulares y descensos durante las horas normales. Esto confirma la presencia
de horas pico constantes en el tráfico diario, probablemente relacionadas con las actividades
habituales como almuerzos y salidas del trabajo, este patrón estacional es consistente con un
ciclo diario de tráfico y puede ser útil para predecir horarios de mayor congestión.
Residuos (ruido)
Los residuos representan las variaciones que no pudieron ser explicadas por la tendencia ni la
estacionalidad, estas fluctuaciones pueden ser causadas por eventos atípicos como accidentes,
cierres de vías, o cambios no regulares en el flujo vehicular, en este caso, los residuos parecen
tener fluctuaciones amplias en ciertos momentos, lo que indica que hay eventos que afectan el
tráfico más allá del patrón esperado. Aunque el modelo captura gran parte del comportamiento
de los datos, hay variaciones impredecibles (ruido) que podrían ser investigadas con información
adicional (14).
Figura 5. Resultados de la predicción del modelo ARIMA.
ANÁLISIS ESTADÍSTICO DEL FLUJO DE TRÁFICO EN INTERSECCIONES DEL CENTRO DE LA CIUDAD DE RIOBAMBA
704
Predicción
Residuos (línea azul): Los residuos reflejan las variaciones no explicadas por el modelo, como se
observó en los gráficos anteriores, hay fluctuaciones significativas en las primeras horas, que
luego tienden a estabilizarse. Los residuos grandes y erráticos según (15) en ciertos momentos
sugieren que hay eventos inesperados o atípicos en los datos que el modelo no captura
completamente.
La predicción es bastante estable y mantiene un valor cercano a cero en las horas posteriores al
último punto de los residuos, esto sugiere que el modelo predice un patrón regular y sin grandes
cambios en la actividad vehicular, probablemente porque los residuos previos han sido
neutralizados en este rango.
Figura 6. Análisis del promedio de vehículos por hora de todos los datos.
ANÁLISIS ESTADÍSTICO DEL FLUJO DE TRÁFICO EN INTERSECCIONES DEL CENTRO DE LA CIUDAD DE RIOBAMBA
705
Figura 7. Análisis del po de vehículos por hora.
Figura 8. Patrón de vehículos en la intersección de las Calles Carabobo y José Velos.
ANÁLISIS ESTADÍSTICO DEL FLUJO DE TRÁFICO EN INTERSECCIONES DEL CENTRO DE LA CIUDAD DE RIOBAMBA
706
DISCUSIÓN
La investigación sobre el flujo de tráfico en las intersecciones del centro de Riobamba permitió
analizar patrones y comportamientos del tránsito vehicular mediante el uso del modelo ARIMA y
herramientas estadísticas avanzadas, este modelo facilitó la descomposición de los datos
recolectados en componentes clave, como tendencia, estacionalidad y ruido, lo que permitió
identificar las dinámicas del tráfico en las horas pico y predecir volúmenes futuros de vehículos
(16).
Los resultados indicaron un incremento significativo en el flujo vehicular durante las horas pico,
particularmente entre las 12:00-13:30 y 17:00-19:00, esto destaca la importancia de ajustar la
sincronización semafórica y diseñar rutas alternativas para mitigar la congestión en estos
periodos (17).
El modelo ARIMA demostró ser una herramienta robusta y confiable para analizar y predecir el
comportamiento del tráfico, la elección de parámetros específicos (1,0,2) permitió obtener
predicciones precisas, que son esenciales para el desarrollo de estrategias de gestión vial (18).
Se identificaron áreas críticas donde la congestión afecta no solo la movilidad, sino también la
calidad de vida urbana, incrementando tiempos de espera y emisiones vehiculares. Estas zonas
deben priorizarse en intervenciones futuras (19).
Los datos recolectados fueron validados mediante comparación con mediciones empíricas, lo que
asegura la fiabilidad de los resultados, las recomendaciones incluyen la implementación de
sistemas inteligentes de semaforización, la optimización de intersecciones y el fomento de
alternativas de transporte público, (20). Este análisis estadístico proporciona una base sólida para
tomar decisiones informadas en la gestión del tráfico urbano, contribuyendo a la movilidad
sostenible y al bienestar de los habitantes de Riobamba. Los resultados obtenidos pueden
aplicarse a estudios similares en otras ciudades con características urbanas y de tráfico similares
(21).
CONCLUSIONES
El análisis de las intersecciones críticas en el centro de Riobamba reveló que las horas pico,
particularmente entre las 12:00-13:30 y 17:00-19:00, concentran el mayor flujo vehicular, lo que
genera congestión significativa, este patrón subraya la necesidad de ajustar la sincronización de
semáforos y explorar rutas alternativas para optimizar el tránsito durante estos periodos críticos.
El modelo estadístico ARIMA, con los parámetros seleccionados (1, 0, 2), demostró ser una
herramienta robusta para analizar y predecir patrones de tráfico vehicular, su capacidad para
descomponer series temporales en componentes como tendencia, estacionalidad y residuos
permitió identificar dinámicas clave y proyectar volúmenes futuros de tráfico, facilitando la
planificación estratégica en la gestión vial.
ANÁLISIS ESTADÍSTICO DEL FLUJO DE TRÁFICO EN INTERSECCIONES DEL CENTRO DE LA CIUDAD DE RIOBAMBA
707
Se identificaron intersecciones con alta densidad vehicular donde la congestión afecta no solo la
movilidad, sino también la calidad de vida de los ciudadanos debido a mayores emisiones
vehiculares y tiempos de espera prolongados, estas áreas deben priorizarse para intervenciones
futuras, como la implementación de sistemas inteligentes de gestión de tráfico.
Los datos recolectados mediante simulaciones y su validación empírica garantizan la fiabilidad de
los resultados obtenidos, esto respalda la aplicabilidad de los hallazgos en decisiones basadas en
datos para mejorar la movilidad urbana y reducir el impacto ambiental.
El estudio destaca la importancia de implementar políticas públicas basadas en evidencia para
mitigar los efectos negativos de la congestión vehicular, esto incluye el desarrollo de
infraestructura complementaria, sistemas de transporte público eficientes y medidas para
fomentar la movilidad sostenible en el centro de Riobamba.
Los resultados obtenidos ofrecen una base sólida para replicar este enfoque en otras ciudades
con características similares, promoviendo soluciones sostenibles que optimicen la movilidad
urbana y mejoren la calidad de vida de los habitantes.
REFERENCIAS BIBLIOGRÁFICAS
1. Miramontes García, E., Vidaña Bencomo, J. O., & Rodríguez Esparza, M. A. (2015). Análisis y
Evaluación de Intersecciones Urbanas. CULCyT: Cultura Científica y Tecnológica, 12(56), 51-
60.
2. Pérez, F., Bautista, A., Salazar, M., & Macias, A. (2014). Análisis del flujo de tráfico vehicular
a través de un modelo macroscópico. DYNA, 81(184), 36-40.
https://doi.org/10.15446/dyna.v81n184.38650
3. Rojas, M. P., Córdova, S. E. A., & Cáceres, S. H. (2023). UTILIZACIÓN DE LA
MICROSIMULACIÓN PARA EL ESTUDIO DE TRÁFICO VEHICULAR EN VÍAS URBANAS. Revista
Investigación & Desarrollo, 23(1), Article 1. https://doi.org/10.23881/idupbo.023.1-5i
4. (PDF) Análisis del nivel de servicio en la intersección de las avenidas Manabí y América,
Portoviejo, Ecuador: Analysis of the service level at the intersection of the Manabí and
America avenues, Portoviejo, Ecuador. (2024). ResearchGate.
https://doi.org/10.33936/riemat.v6i2.4287
5. Alarcón Guarín, R., & Cascante Carreño, S. J. (2018). Estimación del flujo vehicular a través
de series de tiempo.
https://repositorio.uptc.edu.co/bitstream/handle/001/5632/Estimacion_del_flujo_vehicul
ar_a_traves_de_series_de_tiempo_caso_arcabuco_sachica_y_Crucero.pdf?sequence=1
6. Rodrigo, P. de A. y. (2019). Las redes arteriales y el tráfico urbano. Ciudad y Territorio
Estudios Territoriales, 19-26.
7. Verde3.pdf. (s. f.). Recuperado 7 de noviembre de 2024, de
https://revistaelobservador.com/images/stories/envios_24/septiembre/verde3.pdf
8. Akcelik, R. (2016). Traffic engineering and management: Principles and practice. Traffic
Engineering Research. https://doi.org/10.1016/j.traeng.2016.09.002
ANÁLISIS ESTADÍSTICO DEL FLUJO DE TRÁFICO EN INTERSECCIONES DEL CENTRO DE LA CIUDAD DE RIOBAMBA
708
9. Asakura, Y., & Kashiwadani, M. (2023). Traffic simulation models for urban transportation
planning. Transportation Research Record, 2873(1), 45-57. https://doi.org/10.3141/2873-
06
10. Ban, X., & Yu, J. (2023). Data-driven approaches in urban traffic flow modeling and
prediction. Transportation Science Review, 59(2), 315-330.
https://doi.org/10.1287/trsc.2023.0043
11. Bar-Gera, H., & Boyce, D. (2023). Traffic assignment by paired alternative segments for real-
time analysis. Journal of Transportation Modeling, 52(1), 45-67.
https://doi.org/10.3141/1477-10
12. Castillo, J., & González, P. (2022). Aplicación de modelos ARIMA para la predicción del
tráfico urbano. Revista Latinoamericana de Estadística Aplicada, 48(3), 25-38.
https://doi.org/10.1287/rlea.2022.0147
13. Cheng, L., & Zhang, W. (2023). The role of machine learning in traffic prediction: Challenges
and opportunities. Transport Reviews, 43(5), 603-628.
https://doi.org/10.1080/01441647.2023.1200291
14. Cruz, F., & Ortiz, S. (2023). Modelos macroscópicos y microscópicos para la simulación de
tráfico urbano. Revista Iberoamericana de Transporte Urbano, 33(2), 65-82.
https://doi.org/10.3137/riturb.2023.004
15. Daganzo, C. F. (2017). Fundamentals of traffic flow: Theory and applications. Springer.
https://doi.org/10.1007/978-3-319-25657-2
16. Hall, R. W. (2023). Queueing theory and traffic flow analysis. Transport Science, 57(3), 12-
34. https://doi.org/10.1287/trsc.2023.0056
17. Jiménez, L., & Vega, A. (2022). Simulación y análisis del flujo vehicular en intersecciones
urbanas. Revista Colombiana de Ingeniería Civil, 35(1), 123-139.
https://doi.org/10.1287/rclivic.2022.0017
18. Kalman, E. (2023). Estimation of urban traffic flow using hybrid statistical models. Journal
of Urban Mobility Research, 29(3), 89-110. https://doi.org/10.3141/jumr.2023.0223
19. López, M., & Ramírez, H. (2022). Análisis estadístico del tráfico en ciudades medianas: Un
caso de estudio. Revista de Ingeniería y Transporte Urbano, 18(2), 32-48.
https://doi.org/10.1016/j.transeng.2022.06.014
20. Ortúzar, J. D., & Willumsen, L. G. (2018). Modeling transport: Urban traffic analysis. Wiley.
https://doi.org/10.1002/9781118347326
21. Pereira, P., & Silva, J. (2023). The role of public policies in urban traffic management. Journal
of Public Transportation Policy, 41(2), 112-128. https://doi.org/10.1177/jptp.2023.0106