Metodología de predicción de viajes en ciudades medias con GIS-T: desagregación máxima a coste mínimo

Este artículo describe el diseño de un modelo de asignación de tráfico que predice flujos para cada segmento de una red urbana, con una mayor exactitud que el modelo tradicional de cuatro etapas, conservando además los orígenes y destinos de viaje. Los objetivos de investigación son determinar la intensidad de tráfico en áreas específicas de la red, e identificar los orígenes y destinos de los viajes para predecir cambios en la movilidad urbana. Para lograr estos objetivos, se utilizan bases de datos relacionales y un sistema de información geográfico con los que analizar la oferta de transporte (GIS-T). Este entorno de trabajo se completa con datos de entrevistas a hogares y encuestas de intercepción, para identificar los patrones de movilidad en la ciudad detamaño medio de Mérida, España. Estos programas de aplicación pueden detectar cambios en los patrones de movilidad y localizar áreas problemáticas. Los resultados obtenidos demuestran un alto grado de ajuste entre las predicciones y las observaciones de los viajes. Además, los niveles de desagregación en cada sección del punto medio de la red combinada con el ajuste de datos de población mediante pirámides de población, evitan sesgos en las muestras de viaje.This paper describes the design of a traffic assignment model that predicts flows for each segment of an urban network with a higher resolution than a traditional four stage model, retaining the origins and destinations of travel. The research objectives are to determine the traffic intensity in specific areas of the network, and then to identify the origins and destinations of travel to predict changes in urban mobility. To achieve these objectives, relational databases and the geographic information system for transport environment are used (GIS-T), together with data from household and intercept interviews, to identify mobility patterns in the middle-sized city of Mérida, Spain. These application programs can detect changes in the mobility patterns and can locate problem areas. The results obtained show a high degree of adjustment between the predictions and the actual observations of the trips. In addition, the disaggregation levels in each midpoint section of the network combined with population data adjustment using population pyramids avoid bias in the travel samples.Trabajo patrocinado por: Gobierno de Extremadura y Desarrollo Regional Europeo. Ayuda GR 10024peerReviewe