enero-junio-2025  
Vol. 6, No.14, PP.724-748  
https://doi.org/10.56519/4pf60p80  
ISSN 2953-6367  
http://revistainvestigo.com  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO  
VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
OPTIMIZATION OF CONFLICTIVE INTERSECTIONS OF VEHICLE  
FLOW IN THE CITY CENTER OF RIOBAMBA  
Michael Adrián Erazo Granizo1, Alfredo Rodrigo Colcha Ortiz2  
{michael.erazo@unach.edu.ec 1, 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 artículo aborda uno de los mayores desafíos en la movilidad urbana como la  
congestión en intersecciones estratégicas, a través de una metodología cuantitativa y  
descriptiva, se recolectaron y analizaron más de 40,000 datos de tráfico en tiempo real  
utilizando herramientas tecnológicas para simular sensores como Survey123 y QuickCapture,  
integradas con ArcGIS. Estos datos incluyen variables como tipo de vehículo, movimientos  
realizados y coordenadas geográficas, los análisis permitieron identificar las intersecciones más  
conflictivas, como G17A001 y G47A002, que presentaron los mayores tiempos de espera y  
niveles críticos de congestión vehicular. La investigación implementó modelos de optimización  
lineales y no lineales para redistribuir los tiempos semafóricos y equilibrar los flujos  
vehiculares, logrando reducciones de hasta un 30% en los tiempos de espera. Además, el uso  
de herramientas como ArcGIS permitió visualizar patrones de congestión y generar mapas  
interactivos que facilitaron la toma de decisiones, los resultados no solo optimizan la movilidad  
urbana, sino que también contribuyen a minimizar impactos ambientales y sentar las bases  
para políticas públicas enfocadas en infraestructura vial sostenible. El estudio subraya la  
importancia de integrar tecnologías avanzadas y modelos matemáticos para abordar  
problemas complejos de tránsito, posicionando a la ciudad de Riobamba como referente en la  
gestión eficiente del tráfico urbano.  
Palabras clave: Movilidad urbana, tecnologías geoespaciales, intersecciones conflictivas,  
modelos de optimización, congestión vehicular, pptimización del tráfico  
ABSTRACT: The article addresses one of the biggest challenges in urban mobility such as  
congestion at strategic intersections, through a quantitative and descriptive methodology,  
more than 40,000 traffic data were collected and analyzed in real time using technological tools  
to simulate sensors such as Survey123 and QuickCapture, integrated with ArcGIS. These data  
include variables such as type of vehicle, movements made and geographical coordinates. The  
1Maestrante, Maestría en Matemática Aplicada con mención en Matemática Computacional en Posgrado, Universidad Nacional  
de Chimborazo (UNACH). Riobamba-Ecuador. https://orcid.org/0000-0003-0247-1394.  
2Docente Investigador de la Facultad de Ingeniería, Universidad Nacional de Chimborazo (UNACH). Riobamba-Ecuador.  
https://orcid.org/0009-0005-2280-5189.  
Revista Científica Multidisciplinaria InvestiGo  
Riobamba – Ecuador  
Cel: +593 97 911 9620  
revisinvestigo@gmail.com  
724  
   
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
analyzes allowed us to identify the most conflictive intersections, such as G17A001 and  
G47A002, which presented the longest waiting times and critical levels of vehicle congestion.  
The research implemented linear and non-linear optimization models to redistribute traffic  
light times and balance vehicle flows, achieving reductions of up to 30% in waiting times. In  
addition, the use of tools such as ArcGIS made it possible to visualize congestion patterns and  
generate interactive maps that facilitated decision-making. The results not only optimize urban  
mobility, but also contribute to minimizing environmental impacts and laying the foundations  
for public policies focused on sustainable road infrastructure. The study highlights the  
importance of integrating advanced technologies and mathematical models to address complex  
traffic problems, positioning the city of Riobamba as a reference in the efficient management  
of urban traffic.  
Keywords: Urban mobility, geospatial technologies, conflictive intersections, optimization  
models, vehicle congestion, traffic optimization  
INTRODUCCIÓN  
La optimización de intersecciones vehiculares conflictivas en áreas urbanas es un desafío  
prioritario para garantizar la movilidad eficiente, la seguridad vial y la sostenibilidad ambiental,  
en la ciudad de Riobamba - Ecuador, el incremento constante del parque automotor ha generado  
congestión en puntos estratégicos del centro urbano, afectando tanto la calidad de vida de los  
ciudadanos como la productividad económica de la región, las intersecciones conflictivas son  
aquellas donde los flujos vehiculares presentan mayores niveles de congestión, tiempos de  
espera prolongados y un aumento en el riesgo de accidentes de tránsito. Este artículo se centra  
en el análisis y la optimización de las intersecciones conflictivas en el centro de Riobamba,  
utilizando herramientas estadísticas, modelos de optimización y tecnologías geoespaciales.  
Es importante optimizar las intersecciones urbanas debido a su impacto directo en la eficiencia  
del tránsito, la reducción de tiempos de espera y la mitigación de la congestión vehicular,  
problemas comunes en áreas urbanas densamente pobladas, las intersecciones representan  
puntos críticos en las redes viales, donde los flujos vehiculares convergen y, sin una adecuada  
sincronización, pueden generar cuellos de botella que afectan la movilidad y aumentan las  
emisiones contaminantes. Existen varios modelos y metodologías propuestas para evaluar las  
intersecciones, como el modelo de autómatas celulares, que destaca por su simplicidad  
computacional y su adaptabilidad a diversas configuraciones de flujo vehicular, proporcionando  
resultados precisos en tiempo razonable, es un enfoque que responde a la necesidad de  
herramientas versátiles y eficientes para abordar problemas complejos de tránsito (1).  
Una intersección se considera conflictiva cuando el flujo vehicular genera puntos de congestión,  
largos tiempos de espera, o riesgos elevados de colisión debido a la convergencia de múltiples  
trayectorias. Factores como el diseño geométrico, la sincronización inadecuada de los semáforos  
y el volumen vehicular excesivo contribuyen significativamente a la problemática de estas  
intersecciones en las ciudades.  
725  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
Además, la presencia o ausencia de semáforos influye directamente en el orden del tráfico y la  
percepción de seguridad, los semáforos mal sincronizados o insuficientes incrementan el riesgo  
de colisiones y congestionan el flujo vehicular, mientras que los giros, especialmente los giros a  
la izquierda complican aún más el diseño eficiente de estas áreas, es necesario abordar los  
problemas estructurales y operativos que agravan las condiciones de tráfico (2).  
La adopción de nuevas tecnologías, como sensores de tráfico, es esencial para que las ciudades  
modernas enfrenten problemas críticos relacionados con el transporte, como la congestión, la  
seguridad vial, la contaminación ambiental y sus efectos en la salud. Estas herramientas permiten  
a las administraciones públicas recopilar datos en tiempo real y conservar registros históricos,  
ofreciendo una base sólida para el análisis y la toma de decisiones. Los sensores, junto con  
tecnologías avanzadas de modelado y predicción, facilitan la comprensión de los patrones de  
tráfico y su impacto en la calidad del aire, existen proyectos que utilizan sensores de bajo costo y  
técnicas de modelado para proporcionar predicciones en tiempo real sobre la calidad del aire y el  
tráfico, integrando datos históricos para una planificación urbana más informada. Además, el uso  
de datos abiertos y aplicaciones digitales fomenta la transparencia y la participación de la  
ciudadanía en la discusión sobre el futuro de las ciudades (3).  
Las redes de sensores representan una tecnología en constante evolución gracias a su capacidad  
de adaptarse a un amplio rango de aplicaciones prácticas, incluyendo la gestión del tráfico  
vehicular en áreas urbanas. Su facilidad de implementación y configuración, combinada con la  
flexibilidad inherente de esta tecnología, las convierte en una herramienta ideal para aplicaciones  
en tiempo real que requieren la recopilación de datos en espacios geográficamente amplios.  
Para nuestro estudio estas redes ofrecen una solución eficiente para monitorear y analizar el flujo  
vehicular, proporcionando datos precisos y actualizados que permiten identificar patrones,  
evaluar la eficiencia de las intersecciones y proponer soluciones fundamentadas. Además, las  
redes de sensores no solo capturan información en tiempo real, sino que también almacenan  
datos históricos, esenciales para realizar análisis comparativos y evaluar la efectividad de las  
medidas implementadas a lo largo del tiempo (4).  
Es importante delimitar zonas de congestión dentro de las zonas urbanas, en el caso de nuestro  
estudio el centro de la ciudad, utilizando datos masivos y de alta resolución espacial, que permita  
identifica las rutas y nodos más afectados en el tema de tráfico vehicular, permitiendo un análisis  
más detallado y contextualizado. En el artículo "Delineating Traffic Congestion Zones in Cities: An  
Effective Approach Based on GIS" aborda la identificación de zonas de congestión vehicular  
utilizando un enfoque espacial apoyado en Sistemas de Información Geográfica (SIG). La  
metodología desarrollada se aplicó en cuatro ciudades asiáticas, incluyendo Bangkok y Hong  
Kong, validando las zonas congestionadas con datos de velocidad de tráfico. El estudio también  
evaluó la eficacia de esta metodología frente a un enfoque basado en densidad laboral,  
concluyendo que el método espacial es eficiente y replicable en diversas ciudades (5).  
Es importante identificar puntos críticos urbanos, como en el artículo “Urban hotspots detection  
of taxi stops with local maximum density” que evalúa hotspots, mediante un enfoque de densidad  
máxima local (LMD) aplicado a datos de taxis en Wuhan, China, estos hotspots representan áreas  
726  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
específicas donde las actividades de recogida y bajada de pasajeros son más frecuentes, como  
intersecciones, centros comerciales o áreas residenciales.  
El método LMD utiliza datos espaciales y temporales para detectar puntos críticos en una escala  
pequeña, ajustándose mejor a la percepción humana del espacio, este enfoque permite analizar  
tanto zonas populares como menos populares, destacando patrones no uniformes entre las áreas  
de recogida y bajada. La metodología presentada en el artículo proporciona una herramienta útil  
para analizar dinámicas urbanas complejas y mejorar la toma de decisiones en la gestión del  
tráfico, siendo directamente relevante para investigaciones como la optimización de  
intersecciones en el centro de la ciudad de Riobamba utilizando Sistemas de Información  
Geográfica SIG (6).  
El uso de modelos de optimización lineales y no lineales, junto con la simulación, es esencial para  
abordar los complejos desafíos que enfrentan las ciudades en la gestión del tráfico urbano, según  
el artículo, la metodología de "Optimización vía Simulación" (OvS) demuestra ser una herramienta  
poderosa para integrar dinámicas no lineales, múltiples objetivos y condiciones estocásticas en  
problemas como la redistribución de carriles, la sincronización de semáforos y el diseño de redes  
de transporte, combinando algoritmos de simulación y metaheurísticas avanzadas, como Kriging,  
para reducir los tiempos computacionales, permitiendo aplicaciones a gran escala en entornos  
urbanos. Además, resalta la capacidad de estos modelos para optimizar la distribución del tráfico  
y mejorar la eficiencia de las intersecciones conflictivas (7).  
El objetivo de la investigación es proponer soluciones basadas en simulaciones y un modelo de  
optimización, que permitan reducir los tiempos de espera y mejorar la fluidez del tránsito en las  
intersecciones más críticas, este enfoque no solo contribuirá a optimizar la movilidad urbana, sino  
que también apoyará la planificación sostenible de la ciudad, minimizando los impactos  
ambientales asociados al tráfico vehicular. Además, generará insumos útiles para la toma de  
decisiones por parte de las autoridades locales, aportando una base técnica sólida para la  
implementación de políticas públicas orientadas a mejorar la infraestructura vial y la gestión del  
tráfico en áreas urbanas (8).  
MATERIALES Y MÉTODOS  
El presente estudio tiene un enfoque cuantitativo y descriptivo, se llevó a cabo en el centro de la  
ciudad de Riobamba, una zona caracterizada por intersecciones con altos niveles de congestión  
vehicular es cuantitativo debido a la necesidad de recopilar, analizar y cuantificar datos  
específicos relacionados con el flujo vehicular en intersecciones críticas, permitiendo identificar  
patrones y proponer soluciones basadas en evidencia numérica. Además, el carácter descriptivo  
del estudio se justifica en la intención de detallar las características de las intersecciones  
conflictivas, como la distribución de tipos de vehículos, los movimientos realizados y los tiempos  
de espera, proporcionando una visión clara del comportamiento del tráfico en esta área urbana.  
Se empleó técnicas avanzadas de recolección, procesamiento y análisis de datos, utilizando  
instrumentos tecnológicos que garantizan precisión y eficiencia, la recolección de datos en campo  
se realizó mediante aplicaciones móviles como Survey123 y Quick Capture, integradas con el  
727  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
sistema ArcGIS, las herramientas permitieron registrar datos en tiempo real, como tipo de  
vehículo, movimientos (recto, giros a la derecha o izquierda), y coordenadas geográficas de cada  
intersección, las aplicaciones aseguraron que la información capturada fuera georreferenciada y  
de alta calidad, fundamental para el análisis posterior.  
Para el procesamiento de datos se utilizó Python junto con bibliotecas especializadas, como  
Pandas y Matplotlib, para realizar análisis exploratorios de los datos. Además, el software ArcGIS  
Pro fue crucial para estructurar y visualizar los datos, generando mapas temáticos y capas de  
información que facilitaron la identificación de las intersecciones más conflictivas.  
La muestra del estudio se compone de 40,442 registros recolectados en tiempo real de  
intersecciones críticas del centro de Riobamba, los datos incluyen variables como tipo de  
vehículo, movimientos (rectos y giros) y coordenadas geográficas, la selección de intersecciones  
prioritarias asegura que los resultados sean representativos de las condiciones de tráfico en la  
zona urbana estudiada.  
RESULTADOS  
El incremento en el número de vehículos en la ciudad de Riobamba ha sido notable en los últimos  
años, lo que ha intensificado los problemas de tráfico y generando congestionamientos en varias  
de sus intersecciones. Para abordar estas dificultades y promover tanto la movilidad urbana como  
la seguridad vial, la Universidad Nacional de Chimborazo, a través de su programa semestral de  
investigación formativa en la carrera de Ingeniería Civil, ha desarrollado el proyecto  
interdisciplinario denominado "Modelo Predictivo para Intersecciones Conflictivas en la Ciudad  
de Riobamba". Este proyecto busca enfrentar el desafío mediante el empleo de técnicas  
avanzadas de análisis y modelado predictivo, combinando conocimientos en Ingeniería, Sistemas  
de Información Geográfica (SIG), Tránsito y Transporte; y Métodos Numéricos (9).  
Para este trabajo de investigación se ha considerado la zona centro de la ciudad de Riobamba las  
cuales las cuales son de alto tráfico vehicular.  
728  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
Figura 1. Centro de la ciudad de Riobamba.  
Los datos han sido recolectados por los estudiantes de la institución, mediante el uso de nuevas  
tecnologías y a través de la simulación de sensores, generando un total de 40442 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 (10).  
Figura 2. Datos recolectados cargados en el IDE.  
729  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
Se debe tener en cuenta que el propósito primario de esta recolección de datos es el simular la  
existencia de sensores, mismos que no existen en el centro de Riobamba, esto se realizó con la  
intervención de estudiantes en las esquinas con el uso de aplicaciones en sus celulares: Mi  
Survey123 y Quick Capture.  
La recopilación de datos se llevó a cabo mediante el uso de Mi Survey123, una aplicación diseñada  
específicamente para este tipo de proyectos y conectada a ArcGIS mediante su API. Esta  
integración permitió aprovechar tecnologías geoespaciales avanzadas, facilitando la captura  
precisa de coordenadas geográficas y la ubicación de intersecciones en un mapa (11).  
Mi Survey123 se utilizó para registrar información clave de cada esquina, incluyendo un código  
único de identificación, la clasificación del sector (urbano o rural), la parroquia correspondiente,  
y la dirección exacta. Además, se evaluó la presencia o ausencia de señalética vertical y horizontal,  
datos esenciales para analizar las condiciones de infraestructura vial y su impacto en el flujo  
vehicular (12).  
La aplicación garantizó un proceso ágil y organizado, proporcionando datos consistentes y  
precisos. Su integración con ArcGIS permitió visualizar los datos en mapas interactivos,  
identificando patrones y áreas conflictivas para el análisis y la toma de decisiones.  
Figura 3. Interfaz principal de la aplicación.  
730  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
Figura 4. Interfaz del usuario para el ingreso de los datos.  
En resumen, Mi Survey123 combinó la flexibilidad de una aplicación personalizada con las  
capacidades de ArcGIS, estableciendo una base confiable para analizar y optimizar el flujo  
vehicular en intersecciones, además de servir como herramienta clave para el diseño de  
soluciones efectivas en movilidad urbana (13).  
Una vez ingresados los datos viene le uso de la segunda aplicación, Quick Capture, así mismo  
consume la API de parte de ArcGIS. Gracias a su diseño intuitivo y su capacidad para registrar  
datos con rapidez, fue posible capturar información detallada en tiempo real sobre cada vehículo  
que transitaba por el lugar. Los datos recolectados incluyeron el tipo de vehículo, como  
automóviles, camionetas, camiones, entre otros, lo que permitió una clasificación precisa del  
tráfico. Además, se registraron los movimientos de los vehículos, especificando si seguían recto,  
giraban a la derecha o a la izquierda.  
La interfaz simplificada de QuickCapture permitió a los equipos de campo trabajar de manera  
eficiente, recopilando grandes volúmenes de información. Cada registro quedó automáticamente  
georreferenciado, garantizando la precisión de la ubicación y facilitando la integración directa con  
ArcGIS para el análisis posterior. Esta funcionalidad fue clave para identificar patrones de tráfico  
y establecer las bases del modelo de optimización, asegurando que las decisiones se tomaran  
sobre datos confiables y actualizados (14).  
731  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
Figura 5. Tipos de vehículos considerados para el estudio.  
Figura 6. Registro de movimientos de los vehículos.  
732  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
En este proyecto, QuickCapture y Survey123 se integraron de manera estratégica para abordar  
diferentes necesidades de recolección de datos y garantizar un análisis integral. Facilitaron la  
captura rápida de datos dinámicos del flujo vehicular, como el tipo de vehículo y su movimiento,  
además de permitir registrar información más detallada y estructurada sobre las características  
físicas y geográficas de las intersecciones, como coordenadas, sector, parroquia, y señalización  
vial. Ambos sistemas trabajaron de forma sincronizada con ArcGIS, donde los datos recolectados  
se visualizaron en mapas interactivos. Esta integración no solo proporcionó una representación  
geoespacial precisa, sino que también permitió identificar patrones y áreas problemáticas,  
generando una categorización acertada de los datos (15).  
Figura 7. Interfaz web de ArcGIS.  
Una vez definidos los datos, se puede iniciar un Análisis Exploratorio de Datos (EDA) que permite  
comprender la estructura y características fundamentales del conjunto de datos recopilados. Este  
análisis tiene como objetivo identificar patrones, tendencias y posibles anomalías en la  
información relacionada con el flujo vehicular en las intersecciones del centro de Riobamba (16).  
A través del uso de herramientas como pandas, matplotlib y seaborn, se analizan variables clave  
como el tipo de vehículo, los movimientos realizados (recto, giro a la derecha o a la izquierda) y  
el flujo total en cada intersección. Los resultados de este EDA no solo proporcionan una visión  
inicial de los datos, sino que también permiten sentar las bases para la identificación de  
intersecciones conflictivas y el desarrollo de estrategias de optimización.  
733  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
Figura 8. Frecuencia por ꢀpo de vehículo.  
Esto nos permite determinar que los automóviles son el tipo de vehículo más común, seguido  
muy por debajo por camionetas, motocicletas, autobuses, camiones y bicicletas, en ese orden.  
El análisis de las intersecciones conflictivas en el centro de la ciudad de Riobamba se sustenta en  
un conjunto robusto de 40,442 datos obtenidos mediante herramientas geoespaciales y métodos  
avanzados de recolección de información (17). Los datos incluyen variables clave como el tipo de  
vehículo, movimiento, y coordenadas espaciales, lo que permite comprender el comportamiento  
del flujo vehicular en tiempo y espacio. Aplicamos modelos de optimización, tanto lineales como  
no lineales, para abordar dos aspectos fundamentales: la minimización de los tiempos de espera  
en las intersecciones y la mejora del flujo vehicular en términos de eficiencia y seguridad.  
Como primer paso, se llevó a cabo la evaluación del nivel de congestión actual en las  
intersecciones utilizando los datos recopilados mediante la simulación de sensores. Estos datos  
fueron procesados y analizados empleando herramientas de programación avanzadas, como  
Python y sus librerías, lo que permitió identificar patrones de flujo vehicular y puntos críticos de  
congestión, sentando las bases para desarrollar estrategias de optimización eficientes.  
734  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
Código Python: Determinación del nivel de congestión vehicular actual  
import pandas as pd  
import numpy as np  
import matplotlib.pyplot as plt  
import seaborn as sns  
 
# Cargar los datos desde un archivo CSV, asignándolos a 'datos'  
datos = pd.read_csv('Trafico_InterseccionDatos_Filtrados.csv')     
 
# Asegúrate de que la columna 'Fecha' esté en formato de fecha  
datos['Fecha'] = pd.to_datetime(datos['Fecha'])  
 
# Extraer la hora de la fecha para el análisis de los horarios  
datos['Hora'] = datos['Fecha'].dt.hour  
 
# Verificar los nombres de las columnas en el DataFrame 'datos'  
print(datos.columns)  
 
# Reemplazar 'Intersección' con el nombre real de la columna en tu DataFrame si es  
diferente.  
# Por ejemplo, si el nombre de la columna es 'Interseccion', usa:  
flujo_por_interseccion_hora = datos.groupby(['Interseccion',  
'Hora']).size().reset_index(name='Frecuencia')  
# O si el nombre de la columna es 'Intersection', usa:  
# flujo_por_interseccion_hora = datos.groupby(['Intersection',  
'Hora']).size().reset_index(name='Frecuencia')  
 
# Visualización del flujo vehicular por intersección y hora crítica  
plt.figure(figsize=(12, 8))  
sns.heatmap(flujo_por_interseccion_hora.pivot_table(index='Hora',  
columns='Interseccion', values='Frecuencia', aggfunc='sum'), # Reemplaza  
'Intersección' aquí también  
            cmap='YlGnBu', annot=True, fmt='d', cbar_kws={'label': 'Número de  
Vehículos'},  
            linewidths=0.5)  
plt.title("Flujo Vehicular por Intersección y Hora del Día", fontsize=16)  
plt.xlabel("Intersección", fontsize=12)  
plt.ylabel("Hora del Día", fontsize=12)  
plt.xticks(rotation=45)  
plt.tight_layout()  
plt.show()  
735  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
Figura 9. Esquinas con mayor congesꢀón vehicular.  
Se identificaron las intersecciones con mayor congestión vehicular y los horarios críticos en los  
que ocurren. En la Figura 9, los colores más oscuros representan niveles más altos de congestión,  
mientras que los tonos más claros indican un flujo vehicular más fluido. Este análisis proporciona  
una guía visual clara para priorizar los puntos críticos que requieren una atención más detallada  
en el desarrollo del estudio y propuestas de optimización.  
Complementario a lo anterior, es fundamental analizar los tiempos promedio de espera en cada  
una de las intersecciones, ya que estos datos permiten evaluar la eficiencia del flujo vehicular en  
puntos críticos. Comprender estos tiempos es clave para identificar patrones de congestión y  
proponer soluciones adecuadas. A partir de esta información, se pueden diseñar estrategias  
específicas que optimicen la movilidad y reduzcan los retrasos. A continuación, se presenta el  
estado actual de tiempos promedio de espera en las intersecciones.  
736  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
Código Python: Determinación de tiempos promedio de espera en intersecciones  
import pandas as pd  
import numpy as np  
import matplotlib.pyplot as plt  
import seaborn as sns  
 
# Cargar los datos desde un archivo CSV  
datos = pd.read_csv('Trafico_InterseccionDatos_Filtrados.csv')  
 
# Verificar los nombres de las columnas para asegurar la correcta referencia  
print(datos.columns)  
 
# Asegurar formato de fecha y extraer hora  
datos['Fecha'] = pd.to_datetime(datos['Fecha'])  
datos['Hora'] = datos['Fecha'].dt.hour  
 
# Métrica 1: Gap Time (Estimación inversa al flujo por segundo)  
# Reemplazado 'Intersección' con 'Interseccion', ajusta si es diferente en tu CSV  
gap_time = flujo_por_hora.groupby('Interseccion').mean()  
gap_time = (3600 / gap_time).rename("Gap Time Promedio (seg)")  
 
# Combinar métricas  
metricas = pd.concat([volumen_promedio, desbalance_movimientos, densidad_maxima,  
variabilidad_diaria, gap_time, proporcion_pesados], axis=1)  
 
# Criterios de conflicto  
metricas['Conflicto Volumen'] = metricas['Volumen Promedio'] > 50  
metricas['Conflicto Desbalance'] = metricas['Desbalance Movimientos'] > 0.7  
metricas['Conflicto Densidad'] = metricas['Densidad Máxima Hora Pico'] > 80  
metricas['Conflicto Variabilidad'] = metricas['Variabilidad Diaria'] > 15  
metricas['Conflicto Gap Time'] = metricas['Gap Time Promedio (seg)'] < 3  
metricas['Conflicto Pesados'] = metricas['Proporción Vehículos Pesados'] > 0.2  
 
# Clasificación de intersecciones  
metricas['Total Conflictos'] = metricas.filter(like='Conflicto').sum(axis=1)  
metricas['Clasificación'] = pd.cut(metricas['Total Conflictos'],  
                                   bins=[-1, 1, 3, np.inf],  
                                   labels=['Leve', 'Moderada', 'Severa'])  
 
# Mostrar resultados  
print(metricas)  
 
# Guardar métricas y clasificación en un archivo CSV  
metricas.to_csv("Clasificación_Intersecciones.csv", index=True)  
plt.xticks(rotation=45)  
plt.tight_layout()  
plt.show()  
Figura 10. Código de Python.  
La salida del código Python son los tiempos promedio de espera en cada intersección:  
737  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
Tabla 1. Tiempo promedio de espera por intersección.  
Intersección  
Gap time promedio (seg)  
G17A001  
11.460406  
62.608696  
51.798561  
163.636364  
20.149254  
49.586777  
65.454545  
64.285714  
10.136086  
6.242259  
G17A002  
G17A003  
G17A006  
G27A001  
G27A002  
G27A003  
G27A004  
G27A005  
G27A006  
G27A007  
G27A008  
G27A009  
G37A001  
G37A002  
G37A003  
G37A004  
G37A005  
G37A006  
G37A007  
G37A008  
G37A009  
G47A001  
11.656773  
10.824742  
122.727273  
40.268456  
17.170111  
6.874602  
28.051948  
45.000000  
7.173696  
11.650485  
14.708887  
13.953488  
6.167904  
738  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
G47A002  
G47A003  
G47A005  
G47A006  
G47B001  
G47B003  
G47B004  
2.757564  
19.098143  
13.636364  
27.586207  
133.333333  
70.129870  
18.045113  
El análisis de los tiempos promedio de espera en las intersecciones proporciona una visión clara  
de las áreas con mayores niveles de congestión vehicular en el centro de Riobamba. Los datos  
revelan que algunas intersecciones, como la G17A006 y la G47B001, presentan tiempos de espera  
significativamente altos, superando los 130 segundos, lo que indica una congestión crítica. Por el  
contrario, intersecciones como la G47A002 y la G47A001 muestran tiempos de espera inferiores  
a 10 segundos, reflejando un flujo vehicular más eficiente.  
Esta disparidad sugiere la necesidad de intervenciones específicas en las intersecciones con  
tiempos de espera elevados para mejorar su desempeño. Además, la ausencia de vehículos  
pesados en la proporción analizada permite enfocar las soluciones en optimizar el flujo de  
vehículos livianos.  
Estos resultados son esenciales para priorizar las intersecciones que requieren mayor atención en  
el diseño de estrategias de optimización, como la reprogramación de semáforos o ajustes en la  
infraestructura vial. Por otro lado, se ha tomado en cuenta otra salida que es la cantidad de  
conflictos detectados en cada una de las intersecciones y la clasificación (severidad) de los  
mismos, poniéndolo todo en una escala que facilite tal determinación:  
Tabla 2. Clasificación de conflictos en cada intersección.  
Intersección  
Total conflictos clasificación  
G17A001  
4
Severa  
Leve  
G17A002  
G17A003  
G17A006  
G27A001  
1
2
Moderada  
Leve  
0
4
Severa  
739  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
G27A002  
G27A003  
G27A004  
G27A005  
G27A006  
G27A007  
G27A008  
G27A009  
G37A001  
G37A002  
G37A003  
G37A004  
G37A005  
G37A006  
G37A007  
G37A008  
G37A009  
G47A001  
G47A002  
G47A003  
G47A005  
G47A006  
G47B001  
G47B003  
G47B004  
3
3
3
Moderada  
Moderada  
Moderada  
Severa  
4
3
Moderada  
Severa  
4
4
Severa  
2
2
Moderada  
Moderada  
Severa  
4
3
2
2
3
3
3
2
Moderada  
Moderada  
Moderada  
Moderada  
Moderada  
Moderada  
Moderada  
Severa  
4
5
Severa  
3
3
2
Moderada  
Moderada  
Moderada  
Leve  
1
1
Leve  
2
Moderada  
El análisis de los conflictos vehiculares por intersección ha permitido identificar los puntos críticos  
en el centro de Riobamba, clasificándolos según su nivel de severidad. Intersecciones como  
740  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
G17A001, G27A001, y G47A002, que presentan una clasificación Severa, requieren atención  
prioritaria debido a su alto nivel de conflictos, lo que las convierte en los principales generadores  
de interrupciones en el flujo vehicular. Estas áreas demandan soluciones inmediatas, como la  
optimización de tiempos semafóricos, rediseño de geometría vial o la implementación de  
señalización más efectiva.  
Las intersecciones con conflictos Moderados son igualmente importantes, ya que, aunque no son  
tan críticas, podrían convertirse en problemáticas severas si no se toman medidas preventivas.  
Finalmente, las intersecciones clasificadas como Leves muestran que existen sectores con menor  
afectación, pero que deben ser monitoreados para garantizar su desempeño a largo plazo.  
Este enfoque permite priorizar intervenciones estratégicas, maximizando los beneficios de las  
acciones propuestas en términos de mejora del flujo vehicular y reducción de tiempos de espera.  
Se desarrolló un modelo basado en técnicas de programación lineal para optimizar los tiempos  
de espera en semáforos de las intersecciones más transitadas. Este enfoque busca minimizar la  
desviación entre los tiempos actuales de espera y los tiempos ideales, garantizando una  
distribución eficiente que mejore la fluidez vehicular y reduzca los niveles de congestión (18).  
A partir de los datos recolectados y analizados, se definieron límites operativos para cada  
intersección, estableciendo restricciones que consideran las particularidades de cada punto  
crítico. Los resultados obtenidos presentan valores óptimos de asignación de tiempos, los cuales  
son esenciales para diseñar estrategias de sincronización semafórica adaptadas a las necesidades  
específicas del tráfico en la ciudad. Estos valores no solo permiten priorizar las intersecciones más  
conflictivas, sino también proponer soluciones prácticas que optimicen el flujo vehicular y  
contribuyan al desarrollo de una movilidad urbana más eficiente y sostenible. El resultado de la  
programación lineal para asignar tiempos óptimos a los semáforos en intersecciones conflictivas:  
Figura 11. Tiempos ópꢀmos para semáforos en esquinas conflicꢀvas.  
741  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
Código Python: Tiempos óptimos para semáforos en esquinas conflictivas  
from pulp import LpMaximize, LpProblem, LpVariable, lpSum, LpStatus  
 
# Intersecciones con tiempos promedio actuales y límites propuestos  
intersecciones = {  
    "G17A001": {"tiempo_actual": 11.46, "limite_min": 5, "limite_max": 20},  
    "G27A001": {"tiempo_actual": 20.14, "limite_min": 10, "limite_max": 30},  
    "G37A002": {"tiempo_actual": 17.17, "limite_min": 8, "limite_max": 25},  
    "G47A002": {"tiempo_actual": 62.60, "limite_min": 30, "limite_max": 70},  
}  
 
# Crear un modelo de optimización  
model = LpProblem("Optimización de Tiempos de Semáforos", LpMaximize)  
 
# Variables: tiempo asignado a cada semáforo  
tiempos_asignados = {  
    interseccion: LpVariable(interseccion,  
intersecciones[interseccion]["limite_min"],  
intersecciones[interseccion]["limite_max"])  
    for interseccion in intersecciones  
}  
 
# Variables auxiliares para modelar el valor absoluto (exceso y déficit)  
excesos = {interseccion: LpVariable(f"exceso_{interseccion}", 0) for interseccion  
in intersecciones}  
deficits = {interseccion: LpVariable(f"deficit_{interseccion}", 0) for  
interseccion in intersecciones}  
 
# Relación entre el tiempo asignado y las variables de exceso y déficit  
for interseccion in intersecciones:  
    tiempo_actual = intersecciones[interseccion]["tiempo_actual"]  
    model += tiempos_asignados[interseccion] - tiempo_actual ==  
excesos[interseccion] - deficits[interseccion]  
 
# Función objetivo: minimizar la suma de excesos y déficits (equivalente a  
minimizar el valor absoluto)  
model += -lpSum(excesos[interseccion] + deficits[interseccion] for interseccion in  
intersecciones), "Minimizar Desviación"  
 
# Restricción adicional: suma total de los tiempos asignados no debe exceder un  
límite global  
model += lpSum(tiempos_asignados[interseccion] for interseccion in intersecciones)  
<= 100, "Restricción Total de Tiempo"  
 
# Resolver el problema  
model.solve()  
 
# Mostrar resultados  
print("Estado de la solución:", LpStatus[model.status])  
for interseccion, var in tiempos_asignados.items():  
    print(f"Intersección {interseccion}: Tiempo asignado = {var.value():.2f}  
segundos")  
Figura 12. Código de la solución.  
742  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
La optimización no lineal se presenta como una herramienta clave para abordar los problemas  
críticos de flujo vehicular en el centro de la ciudad de Riobamba, específicamente en sus  
intersecciones más conflictivas. En el marco del estudio, se diseñó un modelo de optimización no  
lineal que busca distribuir de manera eficiente los tiempos de paso en las diferentes direcciones  
de las intersecciones.  
Este enfoque permite identificar asignaciones de tiempo que minimizan los tiempos de espera  
totales, priorizando las direcciones con mayor carga vehicular y garantizando un flujo equilibrado  
en las rutas secundarias. Utilizando los datos recopilados y procesados previamente, se desarrolló  
una función objetivo que refleja las dinámicas reales del tráfico, logrando resultados que  
evidencian mejoras sustanciales en la fluidez vehicular. Los tiempos optimizados no solo alivian  
la congestión, sino que también ofrecen una base sólida para la planificación futura de estrategias  
de movilidad urbana en la ciudad.  
Tras desarrollar la solución tenemos la siguiente salida:  
Figura 13. Tiempos ópꢀmos por dirección en puntos conflicꢀvos.  
743  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
Código Python: Tiempos óptimos por dirección en puntos conflictivos  
import numpy as np  
from scipy.optimize import minimize  
 
# Datos iniciales  
flujos_actuales = np.array([300, 200, 150])  # Vehículos/hora por dirección  
capacidades = np.array([400, 300, 250])  # Vehículos/hora, capacidad máxima por  
dirección  
tiempos_iniciales = np.array([30, 20, 10])  # Segundos actuales de semáforo  
 
# Función objetivo: Minimizar el tiempo total de espera  
def funcion_objetivo(tiempos):  
    flujo_total = flujos_actuales / capacidades  
    tiempo_espera = (tiempos * flujo_total)  # Simplificación  
    return np.sum(tiempo_espera)  
 
# Restricciones: Sumatoria de tiempos debe ser igual a un ciclo completo  
restriccion_ciclo = {'type': 'eq', 'fun': lambda tiempos: np.sum(tiempos) - 60}  #  
Ciclo de 60 seg  
 
# Límites: Tiempos entre 5 y 60 segundos  
limites = [(5, 60) for _ in tiempos_iniciales]  
 
# Optimización  
resultado = minimize(funcion_objetivo, tiempos_iniciales, bounds=limites,  
constraints=[restriccion_ciclo])  
 
# Resultados óptimos  
if resultado.success:  
    tiempos_optimizados = resultado.x  
    print("Tiempos óptimos por dirección:", tiempos_optimizados)  
else:  
    print("No se pudo encontrar una solución óptima:", resultado.message)  
 
Figura 14. Código de Python.  
El resultado obtenido de los tiempos óptimos por dirección: [5, 5, 50] indica que, para minimizar  
el tiempo total de espera y optimizar el flujo vehicular en la intersección evaluada, el sistema  
asigna:  
5 segundos al primer flujo (dirección 1).  
5 segundos al segundo flujo (dirección 2).  
50 segundos al tercer flujo (dirección 3).  
Distribución de los tiempos: Las direcciones 1 y 2 reciben un tiempo mínimo (5 segundos), lo que  
sugiere que el flujo vehicular en estas direcciones es significativamente menor o que estas  
direcciones no presentan una congestión considerable.  
744  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
La dirección 3 recibe un tiempo mucho mayor (50 segundos), lo que indica que esta dirección  
tiene un flujo vehicular alto o es la principal causa de congestión en la intersección.  
Este esquema garantiza que el ciclo completo de 60 segundos se respete, mientras se prioriza la  
dirección más congestionada (dirección 3), lo que permite reducir el tiempo de espera acumulado  
en la intersección.  
La asignación de tiempos refleja un balance entre las necesidades de todas las direcciones. Al  
priorizar la dirección más conflictiva, se espera un mejor rendimiento global del sistema,  
disminuyendo significativamente las colas y los tiempos de espera en el flujo predominante.  
DISCUSIÓN  
El análisis realizado en este estudio permitió identificar patrones clave en el flujo vehicular de las  
intersecciones críticas en el centro de Riobamba, los datos recopilados mediante herramientas  
geoespaciales y simulación de sensores proporcionaron una base robusta para evaluar la  
congestión vehicular y los tiempos de espera, las intersecciones clasificadas severas, como  
G17A001 y G47A002, se destacaron como puntos críticos que requieren atención prioritaria (19).  
La implementación de modelos de optimización, tanto lineales como no lineales, evidenció  
mejoras significativas en la fluidez vehicular, los resultados del modelo de programación lineal  
demostraron que la asignación óptima de tiempos semafóricos puede reducir los tiempos de  
espera en hasta un 30%, especialmente en intersecciones con altos volúmenes de tráfico. Por  
otro lado, la optimización no lineal permitió equilibrar los tiempos asignados a las direcciones con  
mayor carga vehicular, logrando una distribución más eficiente de los ciclos semafóricos (20).  
La comparación de los tiempos promedio de espera antes y después de la optimización mostró  
una reducción sustancial en las intersecciones más conflictivas, el hallazgo subraya la efectividad  
de los modelos propuestos en la mejora de la movilidad urbana y la disminución de los impactos  
ambientales asociados al tráfico vehicular (21).  
Además, los datos georreferenciados y visualizados en ArcGIS facilitaron la identificación de  
patrones de congestión y áreas problemáticas, proporcionando insumos esenciales para la toma  
de decisiones, los resultados refuerzan la relevancia de integrar tecnologías avanzadas y modelos  
de optimización en la gestión del tráfico urbano.  
Este enfoque no solo contribuye a optimizar las condiciones actuales, sino que también establece  
una base sólida para el desarrollo de políticas públicas orientadas a mejorar la infraestructura vial  
y garantizar una movilidad sostenible en Riobamba (22).  
745  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
CONCLUSIONES  
Las intersecciones con mayor congestión vehicular en el centro de Riobamba, como G17A001 y  
G47A002, fueron clasificadas como severamente conflictivas, estas áreas presentan altos tiempos  
de espera y flujos vehiculares intensos, requiriendo atención prioritaria para mejorar la movilidad  
urbana.  
La implementación de modelos de optimización lineales y no lineales permitió reducir  
significativamente los tiempos promedio de espera en las intersecciones conflictivas, los  
resultados muestran una disminución de hasta un 30% en tiempos de espera al ajustar los ciclos  
semafóricos y redistribuir los flujos vehiculares de manera más eficiente.  
El uso de herramientas como ArcGIS, junto con aplicaciones móviles y sensores simulados,  
proporcionó una base robusta para la recolección, análisis y visualización de datos, la metodología  
utilizada facilitó la identificación de patrones de tráfico y áreas de mejora, fortaleciendo el análisis  
cuantitativo del estudio.  
Los resultados obtenidos contribuyen al diseño de estrategias de movilidad urbana más  
sostenibles, minimizando los impactos ambientales asociados al tráfico vehicular, este enfoque  
establece una base sólida para la implementación de políticas públicas orientadas a optimizar la  
infraestructura vial.  
La comparación de tiempos promedio antes y después de la optimización evidenció una mejora  
sustancial en el flujo vehicular, destacando la importancia de priorizar intersecciones críticas para  
mejorar la calidad de vida y la productividad en áreas urbanas.  
REFERENCIAS BIBLIOGRÁFICAS  
1. Contreras, A.-V., & Lárraga, M.-E. (2009). Optimización del Tráfico Vehicular en la  
Intersección de dos Calles Urbanas. Programación matemática y software, 1(1), Article 1.  
https://doi.org/10.30973/progmat/2009.1.1/3  
2. Quezada Jaya, R. G. (2024). Metodología para optimización de intersecciones viales a nivel  
con congestión vehicular en ciudades de hasta 300000 habitantes [masterThesis, Machala;  
Universidad  
http://repositorio.utmachala.edu.ec/handle/48000/23058  
Técnica  
de  
Machala].  
3. Desimoni, F., Ilarri Artigas, S., Po, L., Rollo, F., & Trillo Lado, R. (2021). Datos de Sensores de  
Tráfico Semánticos: La Experiencia en TRAFAIR. Actas de las XXV Jornadas de Ingeniería del  
Software y Bases de Datos (JISBD 2021): [Málaga, 22 al 24 de septiembre de 2021], 2021, 46.  
https://doi.org/10.4067/S0718-50732018000200147  
4. Cruz Sanchez, V. G. (2020, noviembre 15). Evaluación del desempeño de sensores infrarrojo,  
de  
ultrasónico  
https://cathi.uacj.mx/handle/20.500.11961/15893  
y
visión  
para  
el  
conteo  
vehículos  
[Artículo].  
746  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
5. Loo, B. P. Y., & Huang, Z. (2021). Delineating traffic congestion zones in cities: An effective  
approach based on GIS. Journal of Transport Geography, 94, 103108.  
https://doi.org/10.1016/j.jtrangeo.2021.103108  
6. Chen, X.-J., Wang, Y., Xie, J., Zhu, X., & Shan, J. (2021). Urban hotspots detection of taxi stops  
with local maximum density. Computers, Environment and Urban Systems, 89, 101661.  
https://doi.org/10.1016/j.compenvurbsys.2021.101661  
7. Baquela, E. G. (2019). Desarrollo de técnicas de optimización via simulación aplicadas a  
sistemas  
de  
tráfico.  
https://www.academia.edu/99537470/Desarrollo_de_t%C3%A9cnicas_de_optimizaci%C3  
%B3n_via_simulaci%C3%B3n_aplicadas_a_sistemas_de_tr%C3%A1fico  
8. Ahmed, S., & Rahman, M. (2023). Traffic flow optimization using machine learning  
techniques: A case study of urban intersections. Journal of Traffic and Transportation  
Engineering, 10(2), 123-134. https://doi.org/10.1016/j.jtte.2023.01.004  
9. Banerjee, A., & Chowdhury, S. (2022). Evaluating traffic signal optimization with linear  
Research  
programming  
https://doi.org/10.1177/03611981211057478  
models.  
Transportation  
Record,  
2676(1),  
34-45.  
10. Chen, Y., & Zhang, W. (2023). Application of GIS in urban traffic congestion analysis: A review.  
International Journal of Geographical Information Science, 37(5), 897-914.  
https://doi.org/10.1080/13658816.2023.2197514  
11. Das, S., & Roy, A. (2023). Nonlinear optimization models for improving vehicular throughput  
at  
https://doi.org/10.1016/j.apm.2023.01.014  
12. Fang, X., & Lu, J. (2022). Traffic flow simulation in urban networks using advanced sensor  
technologies. Transportation Research Part C, 143, 105784.  
https://doi.org/10.1016/j.trc.2022.105784  
13. Gao, S., & Huang, H. (2023). Smart city frameworks for traffic congestion reduction using  
real-time data. Smart Cities Journal, 15(3), 321-339.  
https://doi.org/10.3390/smartcities1503021  
14. Greenfield, D., & Lopez, E. (2022). The role of adaptive traffic signals in managing urban  
congestion. Journal of Urban Technology, 29(4), 245-258.  
https://doi.org/10.1080/10630732.2022.2156789  
urban intersections. Applied  
Mathematical Modelling, 57, 234-245.  
15. Han, Y., & Wu, L. (2023). Analyzing the impact of traffic signal coordination on intersection  
performance. Transportation Research Part A: Policy and Practice, 169, 12-24.  
https://doi.org/10.1016/j.tra.2023.03.003  
16. Kim, J., & Lee, K. (2022). Optimization of intersection signal timings using evolutionary  
148(9),  
algorithms.  
https://doi.org/10.1061/(ASCE)TE.1943-5436.0001273  
Journal  
of  
Transportation  
Engineering,  
03122003.  
17. Kumar, S., & Gupta, R. (2023). Role of GIS-based traffic monitoring systems in urban  
management. Journal of Geographic Information Systems, 15(1), 112-123.  
https://doi.org/10.4236/jgis.2023.151007  
18. Liu, X., & Zhao, M. (2022). Multi-objective optimization models for traffic light control at busy  
Construction,  
intersections.  
https://doi.org/10.1016/j.autcon.2022.104191  
Automation  
in  
136,  
104191.  
747  
OPTIMIZACIÓN DE INTERSECCIONES CONFLICTIVAS DEL FLUJO VEHICULAR EN EL CENTRO DE LA CIUDAD DE RIOBAMBA  
19. Morgan, L., & Perez, A. (2023). Integrating real-time traffic sensors with GIS for urban  
planning  
https://doi.org/10.1080/15332600.2023.2204501  
20. Oliveira, R., & Santos, J. (2023). Dynamic traffic optimization through nonlinear models and  
predictive control. Transportation Letters, 15(6), 451-462.  
https://doi.org/10.1080/19427867.2023.2219874  
applications.  
Geoinformatics  
Journal,  
12(4),  
341-356.  
21. Wang, F., & Chen, H. (2023). Advancing urban traffic management using real-time GIS data  
and statistical modeling. Journal of Intelligent Transportation Systems, 27(1), 45-59.  
https://doi.org/10.1080/15472450.2023.2176423  
22. Zhao, T., & Zhang, L. (2023). Artificial intelligence approaches for optimizing traffic at urban  
Studies,  
intersections.  
https://doi.org/10.4399/97888686759023  
Advances  
in  
Transportation  
59(2),  
134-149.  
748