Análisis de Modelos de Capacidad Y Demora en Intersecciones Prioritarias

PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
ESCUELA DE INGENIERIA
ANÁLISIS DE MODELOS DE
CAPACIDAD Y DEMORA EN
INTERSECCIONES PRIORITARIAS
TOMÁS IGNACIO PINOCHET FUENZALIDA
Tesis para optar al grado de

Magister en Ciencias de la Ingeniería
Profesor Supervisor:
JUAN ENRIQUE COEYMANS AVARIA
Santiago de Chile, (Abril, 2012)

 2012, Tomás I. Pinochet F.
PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
ESCUELA DE INGENIERIA
ANÁLISIS DE MODELOS DE CAPACIDAD Y

DEMORA EN INTERSECCIONES
PRIORITARIAS
TOMÁS IGNACIO PINOCHET FUENZALIDA
Tesis presentada a la Comisión integrada por los profesores:
JUAN ENRIQUE COEYMANS A.
JUAN CARLOS HERRERA M.
RODRIGO FERNANDEZ A.
DOMINGO MERY Q.
Para completar las exigencias del grado de

Magister en Ciencias de la Ingeniería
Santiago de Chile, (Abril, 2012)

ii
DEDICATORIA
A mis Padres, hermanos y a Josefina,

por el incondicional amor y
compañía que me han dado.
iii
AGRADECIMIENTOS
Primero que todo debo agradecer al Profesor Juan Enrique Coeymans por su constante
guía y apoyo, y principalmente por la gran compañía que fue durante toda la
investigación.
Me gustaría mencionar la importantísima ayuda que recibí por parte del Profesor Juan
Carlos Herrera. Gracias por tu tiempo, dedicación y consejos.
No puedo dejar de lado a todas las personas que me acompañaron en las frías mañanas
de Santiago contando autos: Josefina, Carolina, Francisco, Vicente, Bernardita, Felipe y
a mi madre.
Por último, me gustaría agradecer a todos mis compañeros de batalla: Felipe Delgado,
Sebastian “Music Challenge” Raveau, Phillipe “Set of Skills” Burq y en especial, al
hombre más abrigado de Ingeniería (Felipe Zuñiga) quien resulto ser la segunda persona
que sabe más de IP en Chile.
ii
INDICE GENERAL
Pág.
DEDICATORIA….. .................................................................................................... ii
AGRADECIMIENTOS .............................................................................................. iii
INDICE DE FIGURAS ................................................................................................ v
INDICE DE TABLAS ............................................................................................... vii
RESUMEN………...................................................................................................... ix
ABSTRACT………. .................................................................................................... x
1. INTRODUCCIÓN .............................................................................................. 1
1.1 Motivación ................................................................................................. 1
1.2 Objetivos .................................................................................................... 3
1.3 Alcances ..................................................................................................... 4
1.4 Estructura de la Tesis ................................................................................. 6
2. REVISIÓN BIBLIOGRÁFICA .......................................................................... 7

2.1 Conceptos Preliminares .............................................................................. 7
2.2 Descripción General de una Intersección Prioritaria ................................. 9
2.3 Teoría de Aceptación de Gaps ................................................................. 11
2.3.1 Distribuciones de Headway ........................................................... 11
2.3.2 Función de Inserción...................................................................... 17
2.3.3 Sistemas con Prioridad Limitada y Absoluta ................................. 19
2.3.4 Homogeneidad y Consistencia ...................................................... 20
2.3.5 Resumen de los supuestos de la Teoría de Aceptación de Gaps ... 21
2.4 Capacidad ................................................................................................. 22
2.4.1 Métodos generales de estimación de Capacidad ........................... 23
2.4.2 Método tradicional de Aceptación de Gaps ................................... 25
iii
2.4.3 Modelos de estimación de capacidad a nivel de pista ................... 35

2.5 Demora ..................................................................................................... 38
2.5.1 Conceptos preliminares ................................................................. 38
2.5.2 Tiempo de Espera en Estado Estacionario ..................................... 42
2.5.3 Tiempo de Espera Determinístico ................................................. 45
2.5.4 Transformación Coordinada .......................................................... 48
3. SELECCIÓN DE MODELOS .......................................................................... 51

3.1 Selección de Modelos de Capacidad ........................................................ 51
3.1.1 Distribución de headways .............................................................. 52
3.1.2 Función de Inserción...................................................................... 54
3.1.3 Factores de impedancia vehicular .................................................. 54
3.1.4 Efecto de Pistas Prioritarias Compartidas...................................... 55
3.1.5 Modelo de Capacidad de pista ....................................................... 55
3.2 Selección de Modelos de Demora ............................................................ 56
3.2.1 Tiempo de Espera en Estado Estacionario ..................................... 57
3.2.2 Tiempo de Espera Determinístico ................................................. 59
3.2.3 Transformación Coordinada .......................................................... 62
3.3 Resumen Modelos Seleccionados ............................................................ 63
4. MÉTODOS DE ANÁLISIS DE MODELOS ................................................... 66

4.1 Selección de Métodos de Análisis............................................................ 66
4.2 Método de Análisis de Modelos de Capacidad ........................................ 69
4.2.1 Escenarios de simulación por movimiento .................................... 71
4.2.2 Descripción de AIMSUN NG ........................................................ 73
4.2.3 Homologación de Parámetros para AIMSUN NG ........................ 76
4.2.4 Calibración de Parámetros ............................................................. 85
4.2.5 Descripción de Experimentos de Análisis ..................................... 88
4.2.6 Limitaciones y Fortalezas .............................................................. 96
4.3 Método de Análisis de Modelos de Demora ............................................ 97
4.3.1 Cadena de Markov ......................................................................... 98
4.3.2 Experimento N°5: Función Coordinada ...................................... 101
iv
5. RESULTADOS DEL ANÁLISIS DE MODELOS ........................................ 104

5.1 Modelos de Capacidad ........................................................................... 104
5.1.1 Resultados Experimento N°1 ....................................................... 105
5.2 Modelos de Demora ............................................................................... 124
6. CONCLUSIONES Y RECOMENDACIONES ............................................. 130

6.1 Conclusiones .......................................................................................... 130
6.1.1 Fortalezas de la metodología general........................................... 130
6.1.2 Debilidades de la metodología general ........................................ 131
6.1.3 Conclusiones de los modelos de capacidad ................................. 131
6.1.4 Conclusiones de los modelos de demora ..................................... 134
6.2 Recomendaciones ................................................................................... 135
BIBLIOGRAFÍA….. ............................................................................................... 138
A N E X O S……… ................................................................................................ 142
Anexo A: Estimación de Gap Crítico y Tiempo de Seguimiento ............................ 143
Anexo B: Modelos de Capacidad Potencial ............................................................. 146
Anexo C: Capacidad Pista no Prioritaria Compartida.............................................. 149
Anexo D: Tiempo de Espera en Estado Estacionario .............................................. 152
Anexo E: Funciones asociadas a las Distribuciones de Headways .......................... 159
Anexo F: Desarrollo modelos propuesto para demora ............................................ 163

v
INDICE DE FIGURAS
Pág.
Figura 2–1: Nomenclatura de Movimientos ...................................................................... 9
Figura 2–2: Relación Headways y Lags .......................................................................... 12
Figura 2–3: Proceso de Inserción Discreto y Continuo ................................................... 18
Figura 2–4: Ajuste Capacidad de movimientos de ranking 4 – Movimientos ................. 29
Figura 2–5: Efecto Pista Prioritaria Compartida Sobre Movimiento de Ranking 2 ........ 34
Figura 2–6: Transformación Coordinada para los Tiempos de Espera ............................ 41
Figura 2–7: Proceso de Descarga en Saturación .............................................................. 46
Figura 3–1: Demoras Determinísticas Brilon (2008) ....................................................... 61
Figura 4–1: Modelo de Aceptación de Gaps en AIMSUN NG ....................................... 75
Figura 4–2: Diferencias en Simulación de Capacidad Potencial ..................................... 84
Figura 4–3: Escenario de Evaluación Factor de Impedancia Vehicular .......................... 89
Figura 4–4: Escenario Evaluación Ajuste Capacidad Movimientos de Ranking 4 ......... 91
Figura 4–5: Escenarios de Evaluación Factor Impedancia en Pista Compartida ............. 94
Figura 4–6: Escenarios Evaluación Modelo de Capacidad en Pista Compartida ............ 95
Figura 4–7: Tiempo de Espera Determinístico de Modelos Evaluados ......................... 102
Figura 5–1: Estimación de Capacidad y Capacidad Potencial – Experimento N°1....... 106

vi
Figura 5–2: Dispersión en la estimación de Capacidad – Experimento N°1 ................. 108
Figura 5–3: Dispersión en la estimación de Capacidad – Experimento N°2 ................. 112
Figura 5–4: Capacidad Movimiento 8 – Experimento N°3 (E3a) ................................. 117
Figura 5–5: Factor de Ajuste por Pista Prioritaria Compartida (E3a) ............................ 118
Figura 5–6: Estimaciones Capacidad Pista Compartida – Experimento N°4 ................ 122
Figura 5–7: Capacidad Simulada Experimento N°4 ...................................................... 123
Figura 5–8: Ajuste Modelos de Demoras (Cola Inicial de 20 Vehículos) ..................... 128
Figura C–1: Esquema Pista Compartidas con Ensanchamiento .................................... 149

vii
INDICE DE TABLAS
Pág.
Tabla 2-1: Comparación de métodos para la estimación de la capacidad........................ 24
Tabla 3-1: Modelos aceptados para la estimación de Capacidad ..................................... 63
Tabla 3-2: Modelos aceptados para la estimación de Demora ......................................... 64
Tabla 3-3: Resumen experimentos de modelos de demora seleccionados ...................... 64
Tabla 3-4: Resumen experimentos de modelos de capacidad seleccionados .................. 65
Tabla 4-1: Gap crítico y Tiempo de Seguimiento en HCM2000 ..................................... 71
Tabla 4-2: Gap Crítico y Tiempo de Seguimiento en SIDRA ......................................... 72
Tabla 4-3: Cotas Parámetros Simulación (Tiempo Seguimiento – Gap Crítico)............. 73
Tabla 4-4: Valores de Parámetros según Velasco (2004) ................................................ 83
Tabla 4-5: Parámetros Calibrados de AIMSUN NG........................................................ 87
Tabla 5-1: Ajuste Modelos Experimento N°1................................................................ 107
Tabla 5-2: Distribución de errores Experimento N°1 – Escenario (1) ........................... 110
Tabla 5-3: Ajuste Modelos Experimento N°2................................................................ 113
Tabla 5-4: Distribución Errores Experimento N°2 - Escenario (1) ............................... 115
Tabla 5-5: Errores de estimación de E3a – Experimento N°3 (veh/hr) ......................... 116
Tabla 5-6: Resultado E3b – Experimento N°3............................................................... 119

viii
Tabla 5-7: Errores de estimación de capacidad – Experimento N°4 ............................. 121
Tabla 5-8: Error en estimación de tiempos de espera en cola promedio (segundos) ..... 125
Tabla 5-9: Error en estimación de tiempo de espera en cola promedio (segundos) ...... 127
Tabla A-1: Gap crítico y Tiempo de Seguimiento base ................................................. 145
Tabla E-1: Definiciones matemáticas – Funciones de probabilidad .............................. 159
Tabla E-2: Funciones de probabilidad – Distribución exponencial ............................... 160
Tabla E–3: Funciones de probabilidad – Distribución exponencial desfasada .............. 161
Tabla E-4: Funciones de probabilidad – Distribución Cowan ....................................... 162

ix
RESUMEN
Esta tesis surge de la necesidad de contar con una herramienta de análisis de

intersecciones prioritarias que se complemente con el programa computacional
SIGCOM (Cortés, 2010), el cual hasta el momento únicamente se enfoca en la
modelación de intersecciones semaforizadas aisladas. Específicamente, se buscó la
determinación de los mejores modelos que permitan la estimación de la demora
experimentada por cada uno de los vehículos que utilizan la intersección, los modelos
que permitan estimar la capacidad de cada uno de los movimientos que describen la
operación de la intersección.
Una parte importante de la investigación se concentró en el desarrollo de una
metodología específica para el análisis de los modelos. Respecto a los modelos de
capacidad, se generó un marco conceptual que permite el análisis basándose en el uso de
AIMSUN NG (TSS, 2005), un programa computacional orientado a la microsimulación
de sistemas de transporte. Por su parte, los modelos de demora fueron analizados
basándose en métodos numéricos de cálculo.
Entre los principales resultados relacionado con los modelos de capacidad fue la
determinación de que el modelo de Luttinen (2004) es el con mejor ajuste entre los
modelos orientados a la estimación de la capacidad de movimientos con ranking 3.
Adicionalmente, se concluyó que el modelo de Wu (2001) es el con mejor ajuste y
comportamiento en la estimación de la capacidad de movimientos con ranking 3.
Por último, respecto a los modelos de demora, se logró identificar claras distorsiones en
el modelo de Brilon (2008), en términos de la manera en que se considera la cantidad de
vehículos expuestos a la demora durante el período de análisis. Sin embargo, una
importante conclusión, fue que la transformación coordinada del modelo, basada en una
relación aditiva de capacidades de reserve, resultó ser la con mejor ajuste.
x
ABSTRACT
This thesis arises from the necessity for a tool that facilitates the analysis of unsignalized
intersections and that complements the software SIGCOM (Cortés, 2010), which at this
moment is only focus on isolated signalized intersections. Specifically, it was sought the
determination of the best models that allow the estimation of de delay experienced by
each of the vehicles that use the intersections, and also the capacity of each of the
movements which describe the operation of it.
An important part of the investigation was the development of specific methodologies
for the analysis of the capacity and delay models. With respect to the first, a conceptual
framework was generated for the analysis based on the utilization of AIMSUN NG
(TSS, 2005), a software that microsimulate transport systems. The delay models,
meanwhile, were analyzed using numeric methods.
Among the main results related to the capacity models was determinate that the Luttinen
(2004) model is the one with the best fit when estimating the capacity of movments with
rank 3. Also, it was found that the model of Wu (2001) is the one with the best fit and
behavior in the estimation of the capacity of movements with a rank 4.
Regarding the results of the delay models, it was identifies the existence of clear
distortions in the model of Brilon (2008), in terms of the types of considerations related
to the amount of vehicles exposed to the delay during the period of analysis.
Nevertheless, an important conclusion is that the coordinated transformation that
sustains the model, based on an additive relationship of reserve capacities, is the one
with the best results.
1
1. INTRODUCCIÓN
En este capítulo introductorio se presenta, en primer lugar, una breve motivación de la

presente investigación, la cual da cuenta de diferentes aspectos que se deben considerar
a la hora de evaluar cómo operan los distintos tipos de intersecciones en una red de
transporte privado. Esta tesis está enfocada en el desarrollo de una metodología estándar
que permita evaluar la operación de las intersecciones más frecuentes en una ciudad,
como las intersecciones prioritarias.
En segundo lugar, se describen los objetivos, tanto generales como específicos, los
cuales permitirán generar la metodología mencionada.
Luego, en tercer lugar, se detallan los alcances de la investigación, destacando un
conjunto de supuestos en los que se basan los desarrollos posteriores. Finalmente, se
indica la estructura de la presente tesis.
1.1 Motivación
Para evaluar en forma rigurosa la operación de una intersección se debe trabajar,

principalmente, desde dos puntos de vista. Por una parte, se debe monitorear las
variables medibles relacionadas con el nivel de servicio, para estudiar el
rendimiento y el impacto que tiene su operación sobre los usuarios. Por otra parte,
también se debe tener en cuenta aspectos relacionados con las externalidades que
se desprenden de su implementación y uso, como, por ejemplo, la seguridad y la
contaminación.
En la práctica, el tipo de control que opera sobre una intersección – y que
determina su rendimiento – surge de la conjunción de 2 criterios. El primero de
ellos tiene que ver con el nivel de flujos vehiculares que la atraviesa. Por su parte,
el segundo criterio nace de la consideración del nivel de seguridad propio de la
operación de la misma, según el cual la probabilidad de que se produzcan
incidentes vehiculares es menor en un sistema con semáforos, dado el mayor
2
control que se tiene sobre la prioridad de uso de la intersección y una visibilidad

semejante.
Utilizando estos criterios podemos dividir las intersecciones de una red en 2
grandes grupos. En primer lugar, existen las intersecciones con un sistema de
control basado en la detención parcial (disco ceda el paso) o detención completa
obligatoria (disco pare) del flujo vehicular que cede prioridad. Este tipo de
intersecciones, conocidas como intersecciones prioritarias, corresponden al sistema
más frecuente en una red, y operan generalmente en escenarios con bajos niveles
de flujo. Su implementación está basada, en general, en inversiones menores, como
la ubicación de las señales mencionadas y líneas demarcatorias.
En segundo lugar, existen las llamadas intersecciones semaforizadas. De acuerdo
con el primer criterio, este tipo de intersección operará sobre un determinado nivel
de flujo, el cual introduce la necesidad de regular dinámicamente la prioridad de
uso por medio de semáforos. De otra forma, los movimientos de menor prioridad
pueden llegar a saturarse indefinidamente. A diferencia de las intersecciones
prioritarias, la instalación de semáforos representa un mayor costo, en el cual se
considera una fuerte inversión inicial y un constante gasto operacional relacionado
con la mantención, calibración de redes y consumo eléctrico de los sistemas.
Adicionalmente, la modelación de intersecciones prioritarias difiere fuertemente de
la utilizada tradicionalmente para intersecciones semaforizadas. Esto se debe
principalmente a que la prioridad de uso de la intersección depende de la manera
en que interactúan los distintos vehículos en ésta, y no por la utilización de un
sistema de control exógeno a esta interacción vehicular, como en el caso de las
intersecciones semaforizadas. Es decir, el modelo para intersecciones prioritarias
debe ser desarrollado desde sus fundamentos, en base a la modelación del
comportamiento vehicular, cuya descripción y conceptualización sin un semáforo
de por medio resulta más difícil.
En la decisión de qué tipo de control debe ser implementado sobre una intersección
se debe considerar 2 aspectos principales: en primer lugar, la gran diferencia en el
3
costo que significa instalar uno u otro tipo de sistema, y, en segundo lugar, las
diferencias importantes en la modelación del comportamiento de los flujos
vehiculares. De esta forma, es necesario contar con una metodología que permita
evaluar los niveles de servicio experimentados y cuantificar el verdadero beneficio
del tipo de sistema de control que se implemente.
En este contexto, en el Departamento de Ingeniería de Transporte y Logística de la
Pontificia Universidad Católica de Chile nace la idea de generar un modelo que
permita diseñar y evaluar intersecciones vehiculares de todo tipo, orientado a
reflejar las características particulares de la operación de intersecciones en Chile.
Es así como es desarrollado el software SIGCOM, programa computacional
orientado a la modelación de intersecciones semaforizadas aisladas.
Esta tesis se enfoca en la determinación de los modelos de capacidad y demora en
intersecciones prioritarias que vayan a ser implementados de en SIGCOM.
1.2 Objetivos
El objetivo general de esta tesis es determinar un conjunto de modelos que

permitan estimar en forma más exacta la capacidad y la demora en una intersección
prioritaria aislada. Para el análisis general de los modelos, se tendrá en cuenta las
siguientes consideraciones:
 En la medida que sea posible, los modelos no deben requerir calibraciones
para determinar sus formulaciones
 Deben ser de fácil uso y entendimiento
 Deben ser versátiles, en cuanto a la capacidad de modelar distintos tipos de
intersecciones prioritarias
Los modelos de capacidad y demora que sean seleccionados presentan los
siguientes objetivos específicos:
 Reflejar correctamente distintos esquemas de interacción entre movimientos
 Cuantificar el efecto de la presencia de ensanchamientos en las pistas
4
 Considerar escenarios con una pista en que interactúan distintos

movimientos
 Permitir el análisis para grados de saturación mayores a la unidad o
sobresaturación
 Reflejar correctamente la interacción vehicular en intersecciones con
variados niveles de prioridad de uso
Siguiendo estos objetivos y consideraciones, se busca obtener un conjunto robusto
de modelos flexibles, que permitan acomodarse a diferentes escenarios de
evaluación, pensando en las variadas condiciones de operación posibles para una
intersección prioritaria aislada.
1.3 Alcances
A continuación, se detalla qué tipo de intersecciones no será considerado para el

presente estudio:
 Intersecciones no aisladas, es decir, en las cuales la presencia de
intersecciones semaforizadas cercanas alteren los procesos de llegadas de los
vehículos.
 Intersecciones desfasadas o staggered junctions1.
 Intersecciones con islas centrales que permiten la acumulación de vehículos
no prioritarios.
 Ingresos por caleteras a autopistas.
Luego, en cuanto a la modelación del comportamiento vehicular y los modelos
relacionados, se deberá tener presente lo siguiente:
 No se modelará el uso de pista por parte de los vehículos. Esto quiere decir
que se dará por conocida la distribución de los flujos de cada movimiento en
las pistas.
1
“Staggered junctions”: Intersecciones prioritarias en que las vías no prioritarias no son contiguas, por
consiguiente, los movimientos no prioritarios deben ingresar a la vía prioritaria y luego dirigirse hacia la
continuación de la vía a la cual pertenecen.
5
 No se modelan comportamientos inconsistentes y heterogéneos en los

movimientos. Se entenderá por consistencia que los parámetros que
determinan la decisión de un conductor frente a una nueva opción de cruce
son constantes, y por homogeneidad, que todos los conductores de un mismo
movimiento se comportarán de la misma manera.
 No se considera un modelo de prioridad relativa, tal como ocurre cuando los
vehículos prioritarios alteran su patrón de viaje al momento de enfrentar una
intersección prioritaria que cuenta con vehículos esperando por utilizarla en
pistas de menor prioridad.
 No se estudiará en detalle las distintas distribuciones de llegadas en la vía
prioritaria y la no prioritaria que se pueden utilizar. Basado en los resultados
reportados en la literatura y los objetivos específicos de la tesis se
propondrán aquellas distribuciones más convenientes.
 No se modelará el efecto de vehículos estacionados en las vías.
 No se modelará la demora geométrica asociada a una reducción del tiempo
de viaje inherente al uso de la intersección y de la geometría de ésta.
Finalmente, se debe mencionar que los análisis posteriores no serán realizados en
base a observaciones reales, sino que se optó por basarse en microsimulación y
métodos numéricos. Esta elección, detallada en el capítulo 4, se debe a la dificultad
que existe en la recopilación de los distintos datos útiles para los diferentes tipos de
modelos.
Existe un conjunto de supuestos más específicos propios del modelo utilizado que
no se detallan en este compendio, los cuales serán abordados cuando se detalle y
especifique el modelo desarrollado.
6
1.4 Estructura de la Tesis
En el primer capítulo, se describen los objetivos generales y específicos de la tesis.

Luego, se indican los principales alcances de la investigación.
En el segundo capítulo se presenta una detallada revisión bibliográfica, orientada a
comprender cómo opera una intersección prioritaria, la teoría de aceptación de
gaps, y los modelos de capacidad y demora de un movimiento.
En el tercer capítulo se detalla el proceso de selección de modelos de estimación de
capacidad y demora. Este proceso fue realizado basándose en los objetivos y
alcances planteados, y apunta a la determinación de los modelos cuáles modelos
deben ser utilizados y cuáles requieren de un análisis más detallado.
El cuarto capítulo introduce la metodología empleada para realizar el análisis en
profundidad de los modelos seleccionados en el tercer capítulo. Se detallan los
experimentos realizados, distinguiendo los procesos realizados para los modelos de
capacidad y demora.
En el quinto capítulo se presentan los resultados del análisis de los modelos
seleccionados en el capítulo 3.
El capítulo seis presenta las principales conclusiones que se extraen de la tesis, y
recomendaciones para trabajos e investigaciones futuras.
En el capítulo 7 se encuentra la bibliografía utilizada en la tesis.
Por último, luego del capítulo 7 se entrega un conjunto de anexos que sirven de
apoyo a los modelos y análisis realizados en la tesis.
7
2. REVISIÓN BIBLIOGRÁFICA
En este capítulo se realiza una revisión del estado del arte de la modelación de la
capacidad y la demora en intersecciones prioritarias. Se comienza, en la sección 2.1,
definiendo un conjunto de conceptos básicos que ayudan a la comprensión de los
modelos expuestos.
Luego, en la sección 2.2 se describe el funcionamiento general de una intersección
prioritaria y los conceptos fundamentales utilizados para su descripción. En la sección
2.3 se detalla la teoría de aceptación de gaps y los supuestos que la sustentan, la cual es
utilizada transversalmente en la modelación del comportamiento de intersecciones
prioritarias.
Finalmente, en las secciones 2.4 y 2.5 se introducen los conceptos fundamentales
relacionados con los modelos utilizados para describir la capacidad y la demora,
respectivamente.
2.1 Conceptos Preliminares
En esta sección se define una serie de conceptos básicos, utilizados en forma

intensiva a lo largo de la tesis. Algunos tienen que ver específicamente con el uso y
la operación de intersecciones prioritarias, mientras que otros son más generales y
no son conceptos exclusivos del análisis de este tipo de intersecciones.
En forma inicial, se definen los conceptos generales utilizados en la presente tesis.
 Movimiento: conjunto de vehículos que tienen el mismo patrón de
circulación en una intersección.
 Gap: tiempo entre dos vehículos, medido desde la parte trasera del vehículo
antecesor y la delantera del vehículo sucesor.
 Headway: tiempo transcurrido entre las partes frontales de dos vehículos
consecutivos que pasan por un punto de observación. Corresponde a la suma
del tiempo que le toma a un vehículo pasar el punto de observación (tiempo
8
de ocupación) y el gap con respecto a la llegada del siguiente vehículo.

Ignorando la longitud de los vehículos, headways y gaps son iguales.
 Capacidad: máximo flujo vehicular de un movimiento que puede utilizar la
intersección durante un determinado período.
 Demora: tiempo de viaje perdido por los vehículos, asociado a la utilización
de la intersección.
En cuanto a los conceptos relacionados con la operación de intersecciones
prioritarias, podemos mencionar los siguientes:
 Gap crítico : Gap mínimo en los movimientos prioritarios, para el cual un
vehículo no prioritario aceptará una oportunidad de ingreso.
 Tiempo de seguimiento : también conocido como follow up time,
corresponde al intervalo de tiempo mínimo entre vehículos no prioritarios
para utilizar la intersección en un mismo gap prioritario.
 Lag: en ausencia de un vehículo prioritario en la intersección, es el tiempo
que debe transcurrir desde la llegada de un vehículo por la vía no prioritaria
hasta la llegada del próximo vehículo en la vía prioritaria.
En cuanto a los sistemas de colas, podemos mencionar los siguientes conceptos y
notaciones generales:
A/B/C: Notación de Kendall para sistemas de colas. La letra A hace referencia a la
distribución que describe el proceso de llegada de las entidades al sistema, la letra
B a la distribución de los tiempos de atención de dichas entidades, y la letra C
corresponde al número de servidores que realizan la atención en forma paralela. La
letra A y B pueden tomar el valor M, con lo cual la distribución asociada es un
proceso markoviano (distribución exponencial), G hace alusión a una distribución
general cualquiera, G2 hace referencia a la distinción entre la distribución para la
atención con el sistema vacío y con el sistema con una cola presente, y D a una
distribución determinística. Finalmente, C puede ser cualquier valor entero mayor
o igual a 1.
9
2.2 Descripción General de una Intersección Prioritaria
Una intersección prioritaria corresponde a una zona de confluencia de vías por las
que circulan vehículos y peatones, la cual incorpora un sistema de control que
determina la prioridad de uso de la misma. En ella existen dos mecanismos de
control de la preferencia: uno basado en la detención parcial de los vehículos
(disco ceda el paso), y uno basado en la detención completa (disco pare).
En una intersección prioritaria, un movimiento no prioritario cede prioridad a uno
o más movimientos. Asociado al sistema de control de preferencia en la
intersección, existe una jerarquía entre los movimientos de acuerdo a la prioridad
que se tenga para cruzar. En la Figura 2–1 se presenta un esquema que da cuenta
de los posibles movimientos en la operación de una intersección prioritaria, cuya
interacción debe satisfacer un orden de prioridad.
Figura 2–1: Nomenclatura de Movimientos
Fuente: Elaboración Propia

10
Se asumirá, en primer lugar, que los movimientos del 1 al 6 ocupan la vía

prioritaria. De la misma forma, se considerará que los movimientos del 7 al 12 son
movimientos no prioritarios. Finalmente, se supondrá que los movimientos del 13
al 16 son cruces peatonales que ceden prioridad a los movimientos prioritarios y
tienen prioridad sobre los movimientos no prioritarios. Teniendo en consideración
estos aspectos, se puede establecer el siguiente ranking de prioridad de uso para los
movimientos en la intersección (Luttinen, 2004):
 Ranking 1: Movimientos 2, 3, 5, 6, 15 y 16
 Ranking 2: Movimientos 1, 4, 9, 12, 13 y 14
 Ranking 3: Movimientos 8 y 11
 Ranking 4: Movimientos 7 y 10
El ranking de prioridad dependerá en forma exclusiva de la política de control que
se establezca en la intersección. En esta tesis, se empleará la estructura de ranking
presentada en esta sección.
Por otro lado, la operación y rendimiento de una intersección depende
directamente de la manera en que se comportan los conductores en ella. De esta
forma, el punto de partida de toda modelación de una intersección prioritaria debe
basarse en una descripción de dicho comportamiento. En general, se utiliza dos
enfoques para la modelación del comportamiento vehicular en una intersección
prioritaria, los cuales se mencionan a continuación:
 A nivel individual: este análisis, utilizado en la microsimulación, está
basado en la modelación de las decisiones individuales de cada conductor.
 A nivel de movimiento: este análisis se basa en el comportamiento agregado
de los conductores.
Esta tesis se concentra en la modelación del comportamiento vehicular a nivel de
movimiento. Tradicionalmente, la metodología más empleada en el análisis y
descripción de dicho fenómeno es la llamada teoría de aceptación de gaps, la cual
se describe en detalle en la sección 2.3.
11
2.3 Teoría de Aceptación de Gaps
El concepto básico detrás de la teoría de aceptación de gaps es que los vehículos

de la vía prioritaria pueden cruzar la intersección sin experimentar oposición, y que
los vehículos no prioritarios sólo pueden atravesar el área de conflicto si el gap
observado por los conductores es mayor a un gap crítico ; de otra forma, deberán
esperar por una nueva de oportunidad de ingreso.
Adicionalmente, los vehículos no prioritarios de un mismo movimiento tienen un
intervalo de tiempo mínimo entre vehículos para utilizar la intersección, que
corresponde al tiempo de seguimiento . Esto implica que, en ausencia de
bloqueos, los vehículos no prioritarios cruzan la intersección a una tasa igual a
.
La modelación de intersecciones prioritarias requiere, como mínimo, de la
estimación de estos dos parámetros para cada movimiento. Respecto al cálculo de
ambas variables, en el Anexo A se presenta mayor información.
A continuación, se describe un conjunto de supuestos y modelos utilizados para la
descripción de la teoría de aceptación de gaps.
2.3.1 Distribuciones de Headway
Para modelar en forma consistente el proceso de aceptación de gaps, es necesario

describir la probabilidad de ocurrencia de una oportunidad de ingreso de un
vehículo no prioritario a la intersección. Para esto se requiere estudiar la
distribución de los intervalos de tiempo o headways entre vehículos prioritarios. Se
asumirá que un headway es equivalente a un gap, pues en el análisis se ignorará el
largo de los vehículos (Brilon & Troutbeck, 1992).
En la Figura 2–2 se presenta un esquema que permite observar la relación entre
headways y lags. En la figura se asume que un vehículo no prioritario llega a la
línea de parada (de detención o de ceda el paso) en el instante . Además, se
12
supone que el vehículo prioritario predecesor arribó en el instante , y que el

vehículo prioritario siguiente lo hará en el instante .
De estos supuestos, se desprende que el tiempo entre la pasada del vehículo
prioritario y la llegada del vehículo no prioritario viene dado por la expresión
, donde se conoce como Backward waiting time o current life.
De la misma forma, el tiempo entre la llegada del vehículo no prioritario y la
pasada del siguiente vehículo prioritario viene dado por , donde
se conoce como Forward waiting time o lag.
Número de vehículos prioritarios
B(τ) γ(τ)
i+1
i
i-1
τi-1 τi τ τi+1 Tiempos
Figura 2–2: Relación Headways y Lags
Dependiendo de los supuestos que se realicen sobre el proceso de llegadas de

vehículos en la vía prioritaria, consideraciones sobre los headways y características
generales de los flujos analizados, se da lugar a diferentes funciones de
distribución.
A continuación, se detallan las funciones analizadas, en las que llamaremos a
la función de densidad de probabilidad, a la función acumulada de
probabilidad, a la función de supervivencia y a la esperanza
matemática de la distribución, donde representa el headway entre vehículos
prioritarios.
13
a) Distribución Exponencial Negativa
Si se asume que el proceso de las llegadas de vehículos en la vía prioritaria es

generado en forma completamente aleatoria por una distribución de Poisson, el
headway queda representado por una función de distribución exponencial
negativa. La función de densidad viene dada por la siguiente expresión:
(2-1)
donde es el parámetro de escala de la distribución.
Del cálculo del headway esperado se desprende que . Este parámetro
representa también al flujo prioritario promedio , es decir, . Esta
distribución ha sido utilizada por diversos autores en la modelación de la capacidad
en intersecciones prioritarias. Por ejemplo, el HCM2000 (Transportation Research
Board, 2000) propone el uso de esta distribución al momento de derivar la
expresión para la capacidad.
b) Distribución Exponencial Desfasada
Si se asumen llegadas aleatorias, pero se trabaja con un gap mínimo Δ entre

vehículos prioritarios, el headway queda representado por una distribución
exponencial desfasada, cuya función de densidad de probabilidad es:
(2-2)
donde es un parámetro de escala de la distribución.

El parámetro se puede expresar en términos del flujo prioritario , por medio de
una derivación similar a la anteriormente descrita para las llegadas aleatorias, de
donde se obtiene:
(2-3)
14
c) Presencia de flujo apelotonado
Los más recientes modelos de capacidad y demora (Akçelik, 2007; Troutbeck &
Kako, 1999; Chavallier & Leclercq, 2007) proponen la modelación de headways
identificando que un flujo se subdivide en dos conjuntos:
 Flujo prioritario libre: bajo esta condición, se asume que cada vehículo no
influye al vehículo que tiene atrás. Además, se asume que el gap entre
vehículos no está restringido a un valor mínimo Δ, y, por lo tanto, éste puede
tomar valor cero.
 Flujo prioritario apelotonado: se asume que entre dos vehículos sucesivos
existe un gap mínimo , supuesto que da lugar a distintas distribuciones
de gaps.
Existen distintos modelos orientados a considerar ambos tipos de flujos. Por
ejemplo, el modelo de Schuhl (1955) propone la siguiente función de distribución:
(2-4)
donde corresponde a la proporción de vehículos libres, es el headway
promedio del flujo libre y es el headway promedio del flujo apelotonado.
El modelo más utilizado fue desarrollado por Cowan (1975), según el cual la
función de distribución es:
(2-5)
donde es la proporción de headways de vehículos libres y es un parámetro de

escala. Análogamente a los modelos anteriores, el parámetro se puede expresar
en términos del flujo prioritario . En este caso, queda representado como sigue:
(2-6)
Respecto a este modelo, Brilon & Troutbeck (1992) sostienen que la distribución
de Cowan (1975) no pretende modelar los headways en los pelotones, debido a que
15
éstos usualmente no son aceptados por los vehículos no prioritarios, sino que
modela los headways más largos.
Los modelos aleatorios presentados anteriormente – el modelo exponencial
negativo y exponencial desfasado – pueden ser derivados como casos especiales
del modelo de apelotonamiento. Para esto se debe realizar simples suposiciones
acerca de las características del apelotonamiento en el flujo de llegada. De esta
forma, el primero se obtiene asumiendo que y , mientras que el
segundo se obtiene asumiendo que y .
Por otro lado, en la literatura se ha encontrado diferentes propuestas orientadas
hacia la derivación del parámetro , el cual depende de la intensidad de tráfico .
En primer lugar, bajo el supuesto que sostener un mínimo gap Δ afecta los
vehículos en el flujo prioritario como un sistema de colas M/D/12, Tanner (1962)
especificó la porción de tráfico libre como:
(2-7)
Por su parte, Jacobs(1979) propone la estimación de como:
(2-8)
donde es un parámetro con valor calibrado entre 6 y 9. La misma relación fue
utilizada por Sullivan & Troutbeck (1997), estudio en el cual se sostiene que el
parámetro difiere entre pistas y los anchos que éstas tengan. En este estudio se
encontró que el valor del parámetro es constante para la pista central ( 7,5) y
varía en un rango entre 3,7 y 6,5 para las otras pistas.
Por otro lado, el software SIDRA INTERSECTIONS versión 2.1 (1998) utiliza la
expresión:
(2-9)
2
M/M/1: representa la nomenclatura utilizada en la Teoría de Colas para describir un sistema con tiempos
entre llegadas dadas por una exponencial (primera M), con un tiempo de servicio exponencial (segundo
M) y un canal de servicio (1 al final).
16
donde es un parámetro constante de demora en el apelotonamiento. Este modelo

fue derivado usando un método que integra distribuciones de velocidad flujo y
headways para tráfico ininterrumpido, por medio del uso de un parámetro común
de demora de tráfico .
Un modelo con buenos resultados, alternativo al de Cowan (1975), fue presentado
anteriormente por Dawson(1969), el cual propone una distribución hiper Erlang
para las llegadas prioritarias. Brilon & Troutbeck (1992) realizan una comparación
de este modelo con el de Cowan (1975), y sostienen que sus resultados son de
calidad aceptable. Sin embargo, el modelo de Cowan (1975) ofrece un fácil uso y
resultados lo suficientemente buenos, como para ser preferido por sobre otras
formulaciones más complejas.
Para modelar situaciones más complejas, donde existan múltiples flujos prioritarios
independientes y con distintas distribuciones de gaps, Luttinen (2004) propone
formulaciones más generales, con una forma funcional que admite combinar
distintas distribuciones de headways para cada movimiento.
Por otro lado, Luttinen (2004) muestra que la restricción asociada a la existencia de
un headway mínimo empieza a desaparecer, a medida que se considera un mayor
número de movimientos independientes, como el conjunto generador de la función
de distribución de headways. A modo de ejemplo, en un caso extremo, dos
vehículos de movimientos independientes pueden utilizar la intersección
simultáneamente. Por lo tanto, un observador que cede prioridad a estos dos
movimientos percibe la existencia de headways mínimos muy pequeños. En
situaciones en que los headways son generados por un alto número de
movimientos independientes, esta consideración lleva a que la función de
distribución exponencial negativa sea una buena aproximación para la real
distribución de ellos.
En el Anexo E: se entrega un mayor detalle respecto a las funciones de headways.
17
2.3.2 Función de Inserción
El proceso de inserción hace referencia a cómo acceden los vehículos en pistas no

prioritarias a la intersección. Puede ser descrito por medio de una función de
probabilidad discreta o continua.
Para partidas discretas, se asume que un gap t con largo permite la
partida de un vehículo, un gap de largo permite la partida
de dos vehículos, un gap de largo permite la partida de
tres vehículos, y así sucesivamente. De esta manera, la función discreta de partidas
, que indica el número de vehículos que podrán ingresar a la intersección, se
expresa de la siguiente manera (Harders(1968)):
(2-10)
donde representa la parte entera de .

De esta manera, se puede sostener que la probabilidad de que ocurran partidas
durante un headway aleatorio viene dada por:
(2-11)
Donde es la función de supervivencia de la distribución de la distribución de

probabilidad utilizada. La expresión anterior facilita bastante la derivación de los
modelos de capacidad, considerando partidas discretas, pues el valor esperado de la
función viene dado por:
(2-12)
Por otro lado, el proceso de partidas no prioritarias también puede ser modelado de
manera continua, asumiendo que una recta aproxima el proceso escalonado que se
da en el caso discreto. La Figura 2–3 muestra una representación de ambos tipos de
procesos de partidas de vehículos, donde con una línea continua se representa el
18
proceso escalonado discreto y con una línea punteada la aproximación continua del
mismo.
Número de Partidas
t0 tc tc+ tc tc+ 2tc tc+ 3tc Headway
Figura 2–3: Proceso de Inserción Discreto y Continuo
donde es el headway mínimo aceptable. El proceso de partidas se considera

continuo, por lo tanto, siempre y cuando los lags sean mayores a , el flujo no
prioritario de partida será .
Asumiendo que el instante promedio de partida del primer vehículo es igual a ,
Siegloch(1973) propone que el headway mínimo se calcula como:
(2-13)
De esta forma, en este caso la función viene dada por la expresión:
(2-14)
En la literatura se ha reportado estudios para el cálculo de los niveles de servicio de

una intersección prioritaria, de los cuales algunos utilizan el apronte discreto y
19
otros el continuo (Wu, 2001). Sin embargo, ninguno de los dos enfoques puede ser
catalogado como superior al otro, pues se ha visto que los resultados que se
obtienen son muy similares (Brilon & Troutbeck, 1992).
2.3.3 Sistemas con Prioridad Limitada y Absoluta
Otro de los supuestos relevantes que sustentan los modelos de intersecciones

prioritarias es la consideración de que la prioridad de uso de la intersección es
absoluta. Esto quiere decir que los vehículos con prioridad no sufren alteraciones
en sus patrones de viaje producto de la presencia de vehículos no prioritarios
esperando para utilizar la intersección. Por su parte, un sistema de prioridad
limitada permite al flujo prioritario ajustar hasta cierto nivel sus posiciones
relativas, de manera de lograr acomodar a algunos vehículos no prioritarios que
ingresan.
En la práctica, la posibilidad de generar sistemas de prioridad limitada depende de
qué tan osados sean los conductores no prioritarios, es decir, del valor que tenga el
gap crítico para ellos. De todas formas, tal como sostienen Troutbeck & Kako
(1999), los sistemas con prioridad limitada son frecuentes en algunos tipos
específicos de intersecciones, como, por ejemplo, las rampas de entradas a
autopistas. En la operación de estas rampas de entrada, la diferencia de velocidades
entre los vehículos en la autopista y los que ingresan desde la rampa, genera
posibles desaceleraciones o cambios de pista en la autopista, lo que permitiría
acomodar algunos de los vehículos que ingresan desde la rampa.
Existen formulaciones desarrolladas para considerar explícitamente el fenómeno
de prioridad limitada, dentro de los que se debe destacar los trabajos de Troutbeck
& Kako (1999) y Chavallier & Leclercq (2007).
20
2.3.4 Homogeneidad y Consistencia
La mayoría de los modelos matemáticos existentes asumen que los parámetros de

gap crítico y de tiempo de seguimiento son constantes en el tiempo (consistencia),
e iguales para todos los vehículos de un movimiento (homogeneidad). Estos
supuestos han tenido amplio uso en la literatura y en la práctica, pues las
formulaciones que se obtienen para la capacidad, demora y otros indicadores del
nivel de servicio, son simples y fáciles de utilizar.
Sin embargo, la realidad dista ampliamente de este supuesto. Los conductores y
vehículos nunca son iguales entre ellos, por lo que los gaps y lags aceptados, así
como los headways entre partidas, son por naturaleza diferentes entre vehículos y
conductores. En resumen, el comportamiento real de los conductores es
intrínsecamente heterogéneo.
La consistencia hace referencia a que un conductor se comporta de la misma
manera, cada vez que enfrenta situaciones similares. Sin embargo, puede suceder
que un conductor actúe de manera distinta en distintos instantes de tiempo. En
particular, un conductor puede aceptar un gap menor a un gap rechazado
anteriormente, lo cual representa un comportamiento inconsistente.
Aparentemente, la inconsistencia está relacionada con la variabilidad real del
comportamiento de los conductores. Sin embargo, también es posible que la mayor
parte de las inconsistencias observadas puedan ser explicadas por factores que
describan la situación específica a la que se vio enfrentado el conductor, como, por
ejemplo, el tiempo de espera, la variación de la velocidad o el tipo de vehículo
prioritario.
Un conductor inconsistente, por su parte, determina un nuevo gap crítico para cada
headway prioritario (Plank & Catchpole, 1984), o asigna a cada gap una
probabilidad de cruzar. Típicamente, el mínimo headway aceptable decrece cuando
el número de gaps rechazado crece. De esta manera, la inconsistencia aumentaría
la capacidad (Plank & Catchpole, 1986).
21
Por otro lado, la homogeneidad hace referencia a que todos los conductores de un
mismo movimiento tienen igual comportamiento frente a situaciones similares. Por
su parte, la heterogeneidad implica la presencia de variabilidad en dichos
comportamientos. Plank & Catchpole (1986) mostraron que esta variabilidad se
traduce en estimaciones de menores capacidades para los movimientos, respecto al
caso homogéneo.
Luego, y debido a que la inconsistencia aumenta la capacidad y la heterogeneidad
la disminuye, se ha considerado que el efecto total de asumir consistencia y
homogeneidad produce distorsiones mínimas, comparadas con el caso de
heterogeneidad e inconsistencia(Plank & Catchpole, 1986).
En la literatura, existen formulaciones para el cálculo de la capacidad de un
movimiento no prioritario que modelan explícitamente el efecto de la
inconsistencia. Heidemann & Wegmann (1997) proponen un modelo que permite
distinguir un comportamiento consistente e inconsistente, respecto a la aceptación
de gaps por parte de los conductores. Este modelo requiere la utilización de
distribuciones para los parámetros , y (gap crítico, tiempo de seguimiento y
gap mínimo). Wu (2001) propone la utilización de una distribución Erlang para tal
caso.
Una variante al problema de homogeneidad, son los modelos formulados con
parámetros específicos a cada tipo de vehículo. En este contexto, es interesante
recalcar el estudio de Li et al. (2003), los cuales proponen un modelo para estimar
la capacidad de la vía no prioritaria, considerando distintos comportamientos para
vehículos livianos y pesados.
2.3.5 Resumen de los supuestos de la Teoría de Aceptación de Gaps
En resumen, los principales supuestos del modelo de aceptación de gaps que se

utilizará son los siguientes:
 Comportamiento consistente de parte de cada conductor.
22
 Comportamiento homogéneo para los conductores de un mismo

movimiento.
 Los vehículos no prioritarios tiene los mismos gaps críticos ante todos los
movimientos prioritarios.
 El proceso de aceptación de gaps es equivalente al proceso de aceptación de
lags.
 La disponibilidad de gaps prioritarios es descrita a través de una distribución
de headways.
 Los vehículos no prioritarios llegan a la intersección aleatoriamente, según
una distribución Poisson. Esto quiere decir que, para un movimiento no
prioritario, la distribución de probabilidad de headways asumida para
describir el proceso de llegadas es una exponencial negativa.
 Los vehículos prioritarios no ajustan su comportamiento para acomodar la
entrada de vehículos no prioritarios, es decir, se asume prioridad absoluta en
el uso de la intersección.
 Los vehículos no prioritarios pueden distinguir los vehículos prioritarios de
aquellos que abandonan el sistema antes de llegar a la intersección
analizada.
2.4 Capacidad
En esta sección se presenta una revisión de los modelos utilizados típicamente para
estimar la capacidad de los distintos movimientos en una intersección prioritaria.
Se comienza realizando un análisis a nivel de movimiento, lo cual deriva
posteriormente en los modelos utilizados para estimar la capacidad a nivel de pista.
En primer lugar, en la sección 2.4.1, se describen los métodos generales para la
estimación de la capacidad, divididos en cuatro grandes grupos. Luego, en la
sección 2.4.2, se detalla el método tradicional de aceptación de gaps, explicitando
los modelos desarrollados para cada tipo de movimiento, los cuales demuestran
una alta flexibilidad para modelar todo tipo de intersecciones prioritarias.
23
Finalmente, la sección 2.4.3 presenta los modelos asociados con la estimación de

la capacidad a nivel de pista.
2.4.1 Métodos generales de estimación de Capacidad
En la literatura, se han presentado variados tipos de métodos para estimar la

capacidad, los que se diferencian tanto por los supuestos que consideran, como por
la derivación de las expresiones matemáticas. A modo de simplificar la descripción
general, a continuación se presenta una posible clasificación en cuatro grandes
grupos:
 Método tradicional de Aceptación de Gaps: Este método agrupa todos los
modelos que determinan la capacidad de un movimiento particular,
considerando un único flujo conflictivo. Luego, esta capacidad es ajustada
por medio de otros factores adicionales que puedan ser considerados en el
análisis, como, por ejemplo, el flujo conflictivo con movimientos con
distintas prioridades, flujos peatonales, o distintos tipos de vehículos.
 Método basado en Analogía a Intersecciones Semaforizadas:
Desarrollado por Akçelik (2007), este método consiste en representar la
operación de una intersección prioritaria en términos de una secuencia de
intervalos de rojos (bloqueo) y verdes (sin bloqueo) generados por los gaps
del flujo prioritario, y de esta manera determinar la capacidad de manera
similar a la desarrollada para intersecciones semaforizadas.
 Método Lineal: Este método es una de las primeras formulaciones para el
cálculo de la capacidad, que es ampliamente utilizado en la práctica, ya que
el software Picady(Semmens, 1985) fue desarrollado basándose en él.
Básicamente, la metodología plantea que la capacidad puede estimarse
basándose en el ajuste de una regresión lineal múltiple, donde se testean
todas aquellas variables que pueden afectar la capacidad, como los flujos
prioritarios, los anchos de pistas, y la visibilidad, entre otras.
24
Tabla 2-1: Comparación de métodos para la estimación de la capacidad
Método Potencialidades Limitaciones
Permite estimar la capacidad

Método Tienen las mismas limitaciones generales que
de modelos bajo distintos
tradicional de todas las metodologías, las cuales provienen de
supuestos, y en presencia de
Aceptación de los supuestos que sustentan la teoría de
movimientos prioritarios
Gaps aceptación de gaps.
dependientes.
Permite la utilización de
Su derivación se basa en la consideración de
modelos propios de
Analogía a movimientos prioritarios independientes entre
intersecciones semaforizadas
Intersecciones ellos. Es decir, no cuantifica el efecto de la
para la estimación de la tasa
Semaforizadas interacción entre movimientos prioritarios con
de paradas y movimientos en
distinta prioridad entre ellos.
cola.
La modelación de los supuestos de

inconsistencia, heterogeneidad y prioridad
Probabilidad Se basa en un proceso de
limitada aún no han sido desarrollados bajo este
de Estados de derivación de la capacidad
método. De esta forma, la metodología no ofrece
Tráfico que es de fácil comprensión.
la flexibilidad deseada, para futuras
consideraciones.
Según Akçelik (2004), la formulación se basa

únicamente en un apronte estadístico, y no en un
Representa correctamente el enfoque analítico soportado por la estadística.
Modelo efecto de variables Además, el uso de un modelo de regresión lineal
Lineal geométricas, tales como inevitablemente falla cuando se consideran flujos
anchos de pista y visibilidad. bajos y altos, pues se describe como una relación
lineal, cuando probablemente tiene una
naturaleza exponencial.
 Método basado en la Probabilidad de los Estados del Tráfico: Este

método fue desarrollado por Wu (2001), y consiste, básicamente, en
cuantificar la probabilidad de ocurrencia de distintos estados del tráfico en la
intersección, como, por ejemplo, apelotonamiento en el flujo prioritario,
colas en movimientos de ranking superior, y otros. Luego, a partir de estas
25
probabilidades, se determina la proporción del tiempo en que se está en

condiciones para descargar una cola en la pista no prioritaria a una tasa dada
por el flujo de saturación.
La clasificación propuesta surge de a partir de la manera cómo se aborda el
proceso de aceptación de gaps en cada una. Esto no significa que los métodos sean
excluyentes entre ellos. Por ejemplo, bajo ciertos supuestos, los modelos basados
en una analogía a intersecciones semaforizadas son equivalentes a los modelos
desarrollados por la teoría tradicional de aceptación de gaps (Akçelik (2007)). Esto
mismo ocurre con la metodología basada en la probabilidad de los estados de
tráfico (Wu (2001)).
En la Tabla 2-1¡Error! No se encuentra el origen de la referencia. se resumen
as principales diferencias entre los métodos considerados, a fin de entender con
claridad las potencialidades y limitaciones de cada uno de ellos, y además,
comprender de mejor forma por qué se trabaja basándose en la metodología
tradicional de aceptación de gaps.
2.4.2 Método tradicional de Aceptación de Gaps
En el método tradicional de aceptación de gaps, la capacidad es estimada en forma

secuencial, en dos etapas. En la primera etapa, para los movimientos no
prioritarios, se estima una capacidad llamada potencial ( ), bajo el supuesto de
que enfrentan sólo a un flujo prioritario (flujo conflictivo) y utilizan una pista
exclusiva. Luego, en la segunda etapa, la capacidad potencial obtenida es ajustada
al considerar factores relacionados con la interacción de movimientos que
componen el flujo conflictivo (impedancia vehicular) y el efecto que tiene la
presencia de flujos peatonal con distintos niveles de prioridad.
Según Wu (2001), la capacidad potencial se puede estimar como la
multiplicación del número esperado de partidas de vehículos durante un headway
aleatorio , por el número esperado de headways , como sigue:
26
(2-15)
Luego, dependiendo de la distribución de headways prioritarios y del tipo de
proceso de inserción no prioritario que se consideren, se pueden obtener distintas
expresiones para el cálculo de la capacidad potencial . En el Anexo B se
describen detalladamente algunas de estas expresiones.
Definido el modelo para la capacidad potencial , el modelo para la capacidad
final del movimiento dependerá de su ranking de prioridad. De esta forma, si
mantenemos el supuesto de una pista exclusiva para cada movimiento, es claro que
los movimientos de ranking 2 no deben esperar por la disipación de una supuesta
cola en los movimientos de ranking 1, pues éstos nunca están en cola. Así,
distinguiendo por ranking, se puede sostener que:
 Movimientos de Ranking 1: No tienen impedancia debido a la prioridad que
tienen, por lo cual, su capacidad es igual al flujo de saturación propio del
movimiento.
 Movimientos de Ranking 2: Dado que los movimientos de Ranking 1 no se
congestionan, no es necesario ajustar la capacidad potencial para determinar
la capacidad del movimiento.
 Movimientos de Ranking 3 y 4: Para estos movimientos sí es necesario
ajustar la capacidad potencial, debido a que no pueden ser servidos cuando
un movimiento de mayor ranking espera en cola para poder cruzar.
Dadas estas consideraciones, sólo es necesario corregir la capacidad potencial de
los movimientos de ranking 3 y 4. A continuación, se presentan los modelos
utilizados para realizar dicho ajuste.
a) Capacidad de Movimientos de Ranking 3
Considerando una intersección con cuatro ramas (ver Figura 2–1), los movimientos
8 y 11 tienen ranking 3, que deben dar paso a los movimientos 1 y 4, los cuales
tienen ranking 2. El conjunto de movimientos prioritarios o de ranking superior
27
asociados con el movimiento 8 son , y los asociados con el

movimiento 11 son .
Dado que los movimientos de ranking 2 son independientes entre ellos, se puede
calcular un factor correctivo de la capacidad potencial asociado a cada
movimiento de ranking 2. Por consiguiente, la capacidad del movimiento ,
donde , queda expresada como (Luttinen, 2004):
(2-16)
donde es la capacidad potencial del movimiento ,y es el factor
correctivo de la capacidad potencial asociado al movimiento de ranking 2, donde
.
En la literatura especializada, se han reportado básicamente dos modelos para la
estimación del factor de corrección . El primero, y el más utilizado, es propuesto
en HCM2000 (Transportation Research Board, 2000), en el cual el factor de
impedancia es calculado como la probabilidad de que en un instante cualquiera,
el movimiento no tenga cola, y esté disponible para un proceso de aceptación de
gaps. Esta probabilidad se denota como , y el modelo tiene la siguiente
formulación:
(2-17)
donde es el flujo del movimiento y es la capacidad potencial del

movimiento .
El segundo modelo fue desarrollado por Luttinen (2004), el cual propone que el
factor de descarga viene dado por la siguiente expresión:
(2-18)
donde es el tiempo de seguimiento del movimiento .

Luttinen (2004) resalta una diferencia importante entre ambos modelos, basándose
en lo que postula Siegloch (1973). Este último menciona que la distribución de
28
headways de los movimientos de ranking 2 en el proceso de aceptación de gaps,

debe ser modificada para excluir headways que sean menores al tiempo de
seguimiento , y para ajustar el flujo de salida correspondiente durante descargas
sin cola. De todas formas, es necesario realizar un análisis en profundidad con
respecto a los niveles de ajuste de ambas formulaciones.
b) Capacidad de Movimientos de Ranking 4
Los modelos de capacidad para movimientos de ranking 4 son distintos a los

utilizados para los movimientos de ranking 3. Esto se debe a que los movimientos
que componen el flujo conflictivo de un movimiento de ranking 4 no son
independientes entre ellos, situación que sí se observa en los movimientos
conflictivos de un movimiento de ranking 3. La dependencia es clara, y se aprecia
en que los movimientos de ranking 3 deben esperar por la descarga de los
movimientos de ranking 2. Los movimientos de ranking 4, independientes entre
ellos, son los giros a la izquierda en pistas no prioritarias (movimientos 7 y 10 en
la Figura 2–1).
Nuevamente, el modelo de estimación de capacidad para un movimiento de
ranking 4, donde , es el producto entre la capacidad potencial y un
factor de ajuste. Este factor de corrección debe ser calculado como la
multiplicación de los factores de ajustes de cada uno de los movimientos de mayor
ranking, independientes entre ellos.
Sin embargo, el movimiento de ranking 3 conflictivo con el movimiento 7 (10), es
decir, el movimiento 11 (8), no es independiente de los movimientos de ranking 2
de giro a la izquierda en la vía prioritaria (movimientos 1 y 4), pero sí es
independiente del movimiento 12 (9), es decir, del giro a la derecha no prioritario
de su misma vía, que es un movimiento de ranking 2. A modo de ejemplo, en la
Figura 2–4, se presenta la situación que se obtiene al utilizar el movimiento 7 de
ranking 4.
29
Figura 2–4: Ajuste Capacidad de movimientos de ranking 4 – Movimientos
De esta forma, el modelo de capacidad del movimiento de ranking 4, donde

, queda de la siguiente forma:
(2-19)
donde es el factor de ajuste asociado con el movimiento conflictivo de
ranking 3 – cuyo cálculo depende de los movimientos 1 y 4 de ranking 2, lo cual
no hace necesario multiplicar por los factores de ajuste asociados con estos
movimientos, y representa una notación alternativa para diferenciar de los
factores de ajuste estándar –, es el factor de ajuste asociado al movimiento de
ranking 2, el cual es independiente de los movimientos de ranking 3 dependientes
de , y que se calcula como la probabilidad de ausencia de cola en los
movimientos , y es la capacidad potencial del movimiento de ranking 4. En
estos casos, si , entonces y . Por su parte, si , entonces
y .
30
Dado que un factor de corrección de un movimiento de ranking 3 ya incorpora

sus dependencias con movimientos de ranking 1 y 2, los modelos de capacidad
existentes se diferencian en cómo calculan dicho factor. Existen actualmente tres
modelos para la estimación del factor de ajuste de la capacidad potencial de
movimientos de ranking 4. El primer modelo fue desarrollado por Brilon &
Grossmann (1991) basándose en métodos numéricos, los cuales postulan la
siguiente expresión:
(2-20)
donde es la multiplicación de los factores de ajustes individuales, es decir,

, donde es el movimiento de ranking 3 asociado con .
Un modelo similar, desarrollado por Wu (2001), fue introducido a HBS2001
(FGSV, 2001), el cual propone una expresión alternativa para , de la forma:
(2-21)
Esta expresión puede ser reformulada como sigue:
(2-22)
Esta última expresión puede ser interpretada como la probabilidad de que no haya
cola en los movimientos 1, 4 e , bajo la condición de que se sabe que no hay cola
en el movimiento o en los movimientos 1 y 4.
Por su parte, Luttinen (2004) propone un modelo para estimar la capacidad de los
movimientos de ranking 4 explicitando los ajustes por factor de ocupación y la
distribución modificada de headways en los movimientos prioritarios. El autor
sostiene que las capacidades de los movimientos de ranking 2, 3 y 4 se deben
calcular en orden jerárquico. De esta manera, la capacidad de un flujo de mayor
prioridad es usada como input en la estimación de la capacidad de un flujo de
31
menor prioridad. Finalmente, propone una expresión que puede ser utilizada para
calcular la capacidad de movimientos de ranking 3 y 4, que es de la forma:
(2-23)
donde es el conjunto de movimientos conflictivos del movimiento (de ranking

2 y 3), y es el tiempo de seguimiento del movimiento .
c) Efecto de Pistas Prioritarias Compartidas
Cuando los movimientos prioritarios comparten una pista, los factores de

impedancia sobre movimientos de menor ranking (las probabilidades de ausencia
de cola en dichos movimientos) son distintos a los presentados en la sección
anterior. Esto se debe a que los movimientos de cruce directo (movimientos 2, 3, 5
y 6 en la Figura 2–1), cuando están en presencia de un vehículo que gira a la
izquierda frente a ellos (movimientos 1 y 4 en la Figura 2–1), deben esperar la
descarga de este último para proceder, lo cual contradice el supuesto de prioridad
absoluta para movimientos de ranking 1.
El primer modelo presentado para cuantificar un factor de impedancia corregido
fue desarrollado en HCM2000 (Transportation Research Board, 2000) y viene
dado por la siguiente expresión:
(2-24)
donde (ver Figura 2–1) representa un movimiento de viraje a la izquierda

en la vía prioritaria, representa los movimientos de cruce directo (si , ,
y si , ), y los movimientos de viraje a la derecha (si , , y si
, ), es la proporción del tiempo disponible para aceptación de gaps
en el caso en cuestión, tiene la misma interpretación que , pero para el caso
en que no se comparte la pista prioritaria, y es el grado de saturación del
movimiento .
32
En términos prácticos, se debe reemplazar por en los cálculos de los

factores de impedancia de la sección anterior. Por ejemplo, si se requiere calcular
la capacidad del movimiento 8 de ranking 4, los factores de impedancia necesarios
están relacionados con los movimientos 1 y 4. Por lo tanto, para obtener la
capacidad del movimiento 8 se debe multiplicar la capacidad potencial por los
factores y , los cuales dependen de y , respectivamente. Luego, si los
movimientos 1 y 4 comparten pista con los movimientos 2 y 5, los valores y
deben ser reemplazados por y en el cálculo de y ,
respectivamente.
Un modelo alternativo fue desarrollado por Harders (1968) e incorporado por la
German Highway Capacity Manual (FGSV, 2001), el cual propone una expresión
dada por:
(2-25)
donde , y tienen el mismo significado anterior.

Finalmente, Brilon (2009) desarrolló un modelo que corrige las falencias
conceptuales de los modelos anteriores, presentando la siguiente expresión:
(2-26)
donde , y tienen el mismo significado anterior.

En los tres modelos presentados anteriormente, los movimientos 3 o 6 no
deben ser considerados, en caso de que cuenten con una pista exclusiva de viraje.
Para dar luces de las diferencias en cuanto a resultados, Brilon (2009) compara los
tres modelos en un escenario en particular. Estudió los resultados asociados con el
factor del movimiento 4, en función del flujo de dicho movimiento.
Se aprecia que el modelo de German Highway Capacity Manual (FGSV, 2001)
reduce significativamente el factor de impedancia , en comparación con los
otros dos modelos. En el mismo escenario, los resultados obtenidos con el modelo
de HCM2000 son mucho más cercanos a los obtenidos con el modelo de Brilon
33
(2009). En casos en que los flujos en la vía prioritaria sean altos, se aprecia una
diferencia importante en los resultados de los tres modelos. Esto se traduce, luego,
en una subestimación de la capacidad de la vía no prioritaria.
Brilon (2009) concluye que, en la práctica, existen muchos casos para los cuales
las diferencias entre los resultados de los modelos pueden ser relevantes. Esta
comparación, sin embargo, no demuestra cuál formulación es la más adecuada.
Por otro lado, si los movimientos de viraje a la izquierda prioritarios cuentan con
una pista exclusiva de viraje, éstos tendrán efecto sobre los movimientos
prioritarios restantes, sólo cuando la capacidad de la pista exclusiva sea
sobrepasada por la cola. Considerando que la distribución del largo de cola puede
ser modelada como un modelo M/M/13, la probabilidad de que la cola sea menor a
la capacidad de la pista exclusiva viene dada por la expresión (Wu, 1994):
(2-27)
donde es el largo de cola del movimiento prioritario de giro a la izquierda y
es la capacidad de almacenaje de vehículos del ensanchamiento.
A partir de esta expresión, Wu & Brilon (2010) desarrollaron un modelo que
permite estimar en presencia de una pista de viraje exclusivo para giros a la
izquierda prioritarios. En este cálculo, se considera la probabilidad de que la cola
del movimiento de giro sobrepase la capacidad del ensanchamiento, la cual viene
dada por:
(2-28)
donde , y tienen el mismo significado anterior, y es la capacidad de

almacenaje de vehículos de la pista exclusiva de viraje.
Los modelos aquí presentados consideran el efecto de las pistas prioritarias
compartidas sobre movimientos de ranking 3 o 4, es decir, sobre aquellos
3
M/M/1: Notación de Kendall para un sistema de colas, en el cual las llegadas son Markovianas (primera
M), la atención es Markoviana (segunda M) y existe sólo 1 servidor.
34
movimientos que ceden prioridad a todos los movimientos de la vía prioritaria. Sin
embargo, la interacción entre movimientos prioritarios en una misma pista tiene
una repercusión distinta sobre movimientos de ranking 2 en vías prioritarias.
Para graficar esta situación nos basaremos en el siguiente ejemplo. Si
consideramos la intersección dada por la Figura 2–5, existen dos movimientos de
ranking 2, dados por los giros a la izquierda prioritarios, indicados con flechas.
En la medida que uno de los movimientos de giro a la izquierda prioritarios
presente una cola y, por tanto, bloquee la circulación del movimiento de cruce
directo (ranking 1) de su misma vía, el otro movimiento de ranking 2 tiene libre
acceso a la intersección. Por consiguiente, es necesario modelar este fenómeno
pues la estimación de la capacidad del movimiento de ranking 2 necesariamente
será distinta a la calculada por los modelos que no lo consideran. Este mismo
fenómeno se puede presentar en ausencia de ensanchamientos.
Figura 2–5: Efecto Pista Prioritaria Compartida Sobre Movimiento de Ranking 2

35
Hasta el momento, este fenómeno no ha sido desarrollado en profundidad por

ningún autor y su desarrollo no está en los alcances de esta tesis. Sin embargo,
representa un interesante tema de investigación.
2.4.3 Modelos de estimación de capacidad a nivel de pista
En primer lugar, se debe tener claro que si cada movimiento tiene una pista
exclusiva para su circulación, la capacidad de dicha pista viene dada por la
capacidad que tenga el movimiento. Por el contrario, si existen movimientos que
comparten pista, la estimación de la capacidad de dicha pista debe realizarse
considerando este fenómeno.
En la literatura, se han desarrollado distintos modelos para estimar la capacidad de
una pista compartida, considerando distintas configuraciones de movimientos (Fisk
& Tan, 1989; Hawkes, 1966). Harders (1968) desarrolló un modelo de gran
simplicidad, tanto en su fundamentación como en las expresiones matemáticas
obtenidas.
El modelo de Harders (1968) se sustenta en dos premisas: a) La capacidad es el
inverso del tiempo de servicio, y b) el tiempo de servicio de una pista compartida
es la suma ponderada de los tiempos de servicio de cada movimiento, por la
proporción de flujo de cada uno. Basándose en este postulado, la capacidad de una
pista compartida puede calcularse como sigue:
(2-29)
donde es el tiempo de servicio de la pista compartida, es la proporción del

flujo de la pista compartida correspondiente al movimiento , y es la capacidad
movimiento . Se debe tener presente, adicionalmente, que si la pista compartida
incluye movimientos de ranking 1, la capacidad de cada uno de ellos es igual al
flujo de saturación .
Sin embargo, el modelo anterior es aplicable sólo para configuraciones
geométricas simples, en las que no se permiten ensanchamientos en las pistas, los
36
que permitirían el uso exclusivo de algunos movimientos. Una primera

aproximación a esta problemática viene dada por el modelo propuesto por
HCM2000 (Transportation Research Board, 2000). Este modelo se basa en las
siguientes premisas:
 La cota superior a la capacidad de la pista compartida viene dada por el caso
en que los movimientos que interactúan cuenten con una pista exclusiva para
ser servidos. En tales condiciones, la capacidad de la pista compartida es la
suma de las capacidades de cada movimiento.
 La cota inferior a la capacidad de la pista compartida está dada por el caso
en que no se tenga ensanchamiento, y en tales condiciones la capacidad de la
pista compartida viene dada por el modelo de Harders (1968).
 Finalmente, la capacidad de la pista compartida se puede calcular como un
punto intermedio entre las cotas anteriores. Tal punto vendrá dado por la
relación entre la cola promedio del movimiento que la utiliza y la capacidad
de almacenaje del ensanchamiento.
El modelo de HCM2000 (Transportation Research Board, 2000) entrega una
aproximación realista a la capacidad. Sin embargo, es poco flexible en cuanto a la
posibilidad de utilizar distintas configuraciones geométricas de ensanchamientos.
Un modelo con mayor flexibilidad fue desarrollado por Wu (1997), cuya
derivación se presenta en detalle en la Anexo C. Esta flexibilidad trae importantes
beneficios, pues permite evaluar escenarios con diferentes y variadas
configuraciones geométricas. De esta forma, es posible, por ejemplo, estimar la
capacidad de una pista en que coexistan ensanchamientos, los que permitan el uso
exclusivo de algunos movimientos.
Wu (1997) sostiene que, como regla, los flujos (donde representa un
movimiento) no describen la completa saturación de una pista compartida, sino que
su capacidad yace generalmente en la suma de dichos flujos. De esta forma, los
flujos se acercarán al límite de la capacidad de la pista compartida si los flujos
se incrementan.
37
En general, cada flujo puede experimentar un aumento distinto al que

experimenten los demás flujos. Sin embargo, es común asumir que todos los flujos
aumentan de igual forma, y que este incremento viene dado por un factor de
incremento , igual para todos los flujos. De esta manera, la estimación de
permitirá determinar la capacidad compartida de la pista. En un caso general, la
formulación debiera sostener que cada flujo pueda tener su propio incremento; sin
embargo, en dicho escenario no puede ser obtenido en forma explícita.
De esta manera, la capacidad de la pista compartida puede calcularse de la
siguiente manera:
(2-30)
donde es el flujo total en la pista, es el flujo del movimiento , y es el

número de movimientos en la pista compartida.
El cálculo de depende fundamentalmente de la configuración geométrica y de los
movimientos presentes en la pista. A modo de ejemplo, si consideramos una pista
en la que existen sólo dos movimientos – cruce directo y giro a la derecha –, y un
ensanchamiento que permite vehículos, la expresión para obtener el parámetro
es la siguiente:
(2-31)
donde es el grado de saturación del movimiento 8, es el grado de saturación

del movimiento 9, y es la capacidad de almacenaje de vehículos en el
ensanchamiento para el movimiento 9. Los movimientos 8 y 9, según la Figura 2–
1, corresponden al movimiento de cruce director no prioritario y giro a la derecha
no prioritario, respectivamente.
38
2.5 Demora
En esta sección se presentan los distintos modelos existentes para la estimación de

la demora, uno de los indicadores más relevantes para medir el nivel de servicio de
una intersección prioritaria. En la sección 2.5.1 se abordan las definiciones y
conceptos generales involucrados en la estimación de la demora por movimiento.
La demora se calcula, a grandes rasgos, como la suma de los diferentes tiempos
que les toma a los vehículos cruzar la intersección. Una de estas componentes es
conocida como tiempo de espera en el sistema, sobre la cual se han planteado
diferentes formulaciones, lo que ha resultado en una amplia variedad de modelos
para la estimación de la demora. En esta sección, el análisis se enfocará en esta
variable.
Una correcta formulación del tiempo de espera debe considerar los diferentes
grados de saturación que se puede observar en una intersección prioritaria. En
primer lugar, en la sección 2.5.2, se presentan modelos para la estimación del
tiempo de espera en casos de baja saturación, escenarios que llamaremos como
“estado estacionario” del sistema. Por su parte, en casos de alta saturación, la
sección 2.5.3 presenta los modelos llamados “determinísticos”, utilizados para el
cálculo del tiempo de espera en estos escenarios. Finalmente, en la sección 2.5.4 se
presentan las transformaciones matemáticas más utilizadas, para coordinar ambos
planteamientos anteriores, de forma de modelar el tiempo de espera en todo rango
de saturación de la intersección.
2.5.1 Conceptos preliminares
La demora promedio que experimentan los vehículos que utilizan una intersección
prioritaria, conforma una de las variables más importantes para medir su nivel de
servicio. De acuerdo con HCM (Transportation Research Board, 2000), la demora
total que experimenta un vehículo en una intersección puede ser descrita por un
conjunto de demoras que la componen, como las siguientes:
39
 Demora por Control: es obtenida de la comparación con las condiciones en

que la intersección opera sin control.
 Demora por Tráfico: es resultado de la interacción entre vehículos,
produciendo que la velocidad se reduzca por debajo de la velocidad de flujo
libre.
 Demora Geométrica: es causada por la geometría de la intersección, la cual
hace que los vehículos disminuyan su velocidad, al negociar por un espacio
en la intersección.
 Demora por Incidentes: es el tiempo perdido producto de un incidente,
comparado con condiciones sin incidentes.
La demora total de un vehículo es obtenida como la diferencia entre el tiempo de
viaje experimentado y un tiempo de viaje referencial, el cual se extrae de la
operación en condiciones base, de ausencia de control, tráfico, geometría e
incidentes.
En el análisis de intersecciones prioritarias, los componentes de demora más
relevantes son la demora por control y la geométrica (Luttinen, 2004). Esta última
no será analizada en la tesis, pues escapa a los alcances planteados.
Luttinen (2004) postula que la demora vehicular en intersecciones prioritarias
puede describirse en términos del tiempo de espera total en un sistema de colas. En
este contexto, cuando un vehículo esté frente a la línea de parada se dirá que está
en servicio, los vehículos esperando por el servicio están en cola, y los vehículos
acercándose a la intersección están llegando. Los vehículos en cola y en servicio
pertenecen al sistema.
El tiempo de espera en cola comienza cuando el vehículo entra a la cola y
termina cuando llega a la línea de detención. En ese instante, comienza el tiempo
de servicio . De esta forma, el tiempo de espera total en el sistema es la suma
del tiempo de espera en cola y el tiempo de servicio . Como el tiempo de
servicio incluye el tiempo de seguimiento , éste deberá ser sustraído. Así, la
demora promedio por control puede expresarse como:
40
(2-32)
donde es la demora por aceleración.
Luego, de acuerdo con el planteamiento de la ecuación 2–32, un correcto modelo
para la demora requiere de la determinación del tiempo de espera en el sistema
y la demora por aceleración . Esta última componente no es analizada en esta
tesis, pues escapa a los alcances planteados.
Para la correcta formulación de un modelo para la estimación del tiempo de espera
en el sistema, se debe tener presente el comportamiento general que tiene la
demora frente a diferentes situaciones de saturación. En escenarios de alta
saturación, en los que la tasa de llegadas de vehículos es similar a la tasa de
servicio de la intersección, la demora queda mejor representada por un modelo
determinístico (Luttinen, 2004). Por su parte, en casos poco saturados, cuando la
tasa de llegadas es menor que la tasa de servicio, la demora queda mejor
representada por un modelo probabilístico.
No comprender y analizar el sistema de esta forma, y simplemente modelarlo para
todo espectro de tasas de llegadas y servicio, basándose en la consideración de un
proceso estacionario en la cola, puede generar sobrestimaciones del tiempo de
espera en presencia de altos grados de saturación. A su vez, considerar el sistema
como determinístico, para todo el rango de grados de saturación, contradice el
principio fundamental de la teoría de aceptación de gaps, lo que se traduce en que
no existe certeza respecto al comportamiento del sistema, pues no se sabe con
exactitud cuándo cada vehículo llegará a éste.
Se observa, entonces, que existe una dicotomía importante en cuanto a cómo
modelar el tiempo de espera frente a distintos niveles de saturación. Este problema
fue resuelto por Kimber et al (1977), por medio de una transformación coordinada
del tiempo de espera en estado estacionario y el tiempo de espera determinístico.
En la Figura 2–6, donde representa la capacidad del movimiento, se aprecia
cómo la curva “real” de demora, denominada “Transformación”, debe encontrarse
entre las otras dos curvas de demora.
41
Figura 2–6: Transformación Coordinada para los Tiempos de Espera
En la Figura 2–6, se observa que para un determinado nivel de tiempo de espera,

existen tres grados de saturación posibles, dependiendo de la curva de demora que
se analice. De esta forma, corresponde al grado de saturación asociado con la
curva de estado estacionario, al grado de saturación asociado con la curva
transformada, y al grado de saturación asociado con la curva determinística.
A partir del análisis anterior, se puede sostener que la diversidad de modelos
existentes para la estimación de la demora, viene dada por las diferentes
interpretaciones y formulaciones de la demora en estado estacionario, la demora
determinística y la función que combina ambas expresiones en una sola
formulación. A continuación, se presentan los distintos modelos para el cálculo de
cada una de estas componentes.
42
2.5.2 Tiempo de Espera en Estado Estacionario
Existen dos metodologías para la estimación del tiempo de espera en estado

estacionario. Por un lado, está la metodología basada explícitamente en la teoría de
aceptación de gaps (Troutbeck, 1986). La otra metodología se basa en la
descripción de la intersección en términos de un conjunto de sistemas de colas. A
continuación, se presentan algunos aspectos generales de ambas metodologías.
a) Metodología basada en la Teoría de Aceptación de Gaps
El nombre de esta metodología está relacionado con la agrupación de las

formulaciones del tiempo de espera promedio que se basan en la modelación
explícita del proceso de aceptación de gaps. Básicamente, las derivaciones
realizadas surgen de cuantificar el tiempo de espera para las distintas situaciones
en las cuales se puede realizar el proceso de aceptación de gaps, y asignarles una
probabilidad de ocurrencia a cada una. Por ejemplo, el tiempo promedio que le
toma a un vehículo utilizar la intersección es diferente cuando éste llega y el
sistema está vacío, que cuando está con una cola esperando por ser servida.
Esta metodología es bastante utilizada en la práctica, pues el software SIDRA
INTERSECTIONS (Akçelik, R, 2004) utiliza esta formulación en el cálculo de la
demora. Se basa en el trabajo de Adams (1936), fue extendido por Troutbeck
(1986), y plantea que el tiempo de espera en el sistema basado en la teoría de
aceptación de gaps viene dado por:
(2-33)
donde es la demora de Adams (Adams, 1936), y son constantes del

modelo, y representa el grado de saturación. En la expresión anterior, la demora
de Adams es la demora promedio para vehículos no prioritarios cuando el flujo de
éstos es muy bajo, y corresponde a la mínima demora experimentada por vehículos
no prioritarios.
43
Luego, los distintos modelos existentes basados en esta formulación, se diferencian

en cómo calculan las variables , y (ver Anexo D).
El problema principal de estas formulaciones radica en que las derivaciones
realizadas desconocen la interacción y posible dependencia entre movimientos de
mayor prioridad al movimiento analizado. Es decir, en general se supone un flujo
conflictivo constituido por movimientos independientes entre ellos. Esto se puede
traducir en malas estimaciones de la demora para movimientos de ranking 3 ó 4.
b) Metodología basada en la Teoría de Colas
Esta metodología está basada en la modelación de un movimiento en una

intersección como un sistema de colas. En este sistema, hay un proceso de llegada
de vehículos, los cuales acceden a una cola y luego a un servidor (intersección), en
el que se experimenta un determinado tiempo de servicio.
Luego, para cada movimiento, se requiere estimar la distribución de dichos
tiempos de servicio y determinar qué tipo de sistema de cola lo describe de mejor
manera. Las formulaciones más utilizadas son M/G2/1, M/G/1, M/M/1 y M/D/1,
que se diferencian en la manera en que modelan el tiempo de servicio en la
intersección.
El modelo G2 trabaja con dos distribuciones generales diferentes, para distinguir
cómo se comportan los tiempos de servicio cuando el sistema está vacío de cuando
hay una cola presente. A su vez, el modelo G utiliza una única distribución general
para describir los tiempos de servicio. Por su parte, el modelo M asume tiempos de
servicio con una distribución exponencial negativa, y D hace referencia a tiempos
sin aleatoriedad, es decir, supone un modelo determinístico.
De acuerdo con Yeo (1962) y Daganzo (1977), el modelo que mejor representa el
proceso de descarga de un movimiento, y, por tanto, da cuenta de mejor forma
cómo se distribuye el tiempo de servicio, es el modelo M/G2/1. Sin embargo, esta
formulación es complicada y deriva en expresiones de difícil manejo y
comprensión. Adicionalmente, respecto a la utilidad práctica de la utilización de un
modelo de este tipo, Brilon & Troutbeck (1992) indican lo siguiente:
44
 Las fórmulas son tan complicadas que están lejos de ser utilizables en la
práctica.
 Bajo este modelo, la probabilidad de observar un sistema sin cola entrega
muy pocas mejoras, con respecto a estimar esta variable utilizando un
modelo M/G/1.
 Estas ecuaciones sólo se pueden considerar como aproximaciones, debido a
los supuestos en que se sustentan, y son sólo utilizables para condiciones de
estado estacionario.
Utilizar un modelo M/G/1 para describir el sistema de colas corresponde a una
aproximación del modelo anterior. En este caso, se trabaja con una distribución
general cualquiera para describir los tiempos de servicio, y es posible incluir
explícitamente el efecto de la varianza de dichos tiempos en el cálculo del tiempo
total de espera en el sistema. Esto constituye su principal beneficio, por sobre
formulaciones más simplificadas. Según este modelo, el tiempo de espera en el
sistema se obtiene como:
(2-34)
donde es una constante de aleatoriedad, es el grado de

saturación, es el tiempo de servicio promedio y es el coeficiente de variación
de los tiempos de servicio.
Por su parte, el modelo M/M/1 utiliza una formulación en que los tiempos de
servicio presentan una distribución exponencial negativa, lo que claramente
representa una aproximación al verdadero proceso de atención de vehículos en una
intersección, y un caso particular del modelo M/G/1, el cual se obtiene cuando el
coeficiente de variación es 1. Emplear este modelo por sobre el M/G/1 cobra
sentido cuando se busca una expresión amigable que permita una fácil derivación
de la transformada de la demora, y que entregue resultados satisfactorios(Brilon
W. , 2008).
45
Finalmente, trabajar con un modelo M/D/1 implica desconocer todo tipo de

aleatoriedad en la distribución del tiempo de servicio de los vehículos, lo cual
puede derivar en resultados insatisfactorios. Adicionalmente, este modelo puede
ser obtenido como un caso particular del modelo M/G/1, cuando el coeficiente de
variación de los tiempos de servicio es 0.
En el Anexo D, se encuentra más detalle respecto a las fórmulas de cada modelo,
utilizadas en el cálculo del tiempo de espera total.
En la práctica, el modelo más utilizado es el M/M/1(Transportation Research
Board, 2000; Fisk & Tan, 1989; Kimber & Hollis, 1978). Brilon & Troutbeck
(1992) sostienen que el modelo M/M/1 puede producir sesgos en sus estimaciones,
pero de magnitudes muy pequeñas. En esta misma línea, Fisk & Tan (1989) son
enfáticos al sostener que el modelo M/M/1 entrega una muy buena aproximación al
modelo M/G/1.
Por otro lado, existe una posible relación entre los modelos para estimar la
capacidad y los modelos para estimar la demora. Como se mencionó, cada
elemento del sistema experimenta un tiempo de servicio cuando accede a la
intersección. A su vez, el inverso de dicho tiempo de servicio corresponde al
número de elementos de la cola que pueden utilizar el servidor en un mismo
período de tiempo. Por consiguiente, esta última cantidad se puede entender como
la capacidad del movimiento analizado.
Muchos modelos estiman el tiempo de servicio como el inverso de la capacidad.
Sin embargo, la relación no es tan directa, pues, como ya se indicó, la distribución
de los tiempos de servicio para vehículos en cola y vehículos que llegan al sistema
vacío son distintas (Luttinen, 2004).
2.5.3 Tiempo de Espera Determinístico
Cuando un movimiento presenta una tasa de llegada de vehículos muy cercana o

mayor a la capacidad, se entiende que el sistema se encuentra sobresaturado. En
tales condiciones, las colas crecen constantemente y el sistema no alcanza el
46
equilibrio, y, por tanto, no se puede hablar de un sistema en estado estacionario. En

el límite, después de un tiempo infinito, se tendrá una cola de largo infinito. Luego,
cuando el sistema está sobresaturado, un análisis bajo el supuesto del sistema en
condiciones de estado estacionario es aparentemente irrealizable.
Sea la tasa promedio de arribos durante un período, el número esperado de
arribos durante un período y el número esperado de partidas durante ese
período. Utilizando lo anterior, se puede sostener que , y si la tasa
promedio de partidas es igual a la capacidad (que se asume constante durante el
período de sobresaturación), se tendrá .
Figura 2–7: Proceso de Descarga en Saturación

47
Si el tamaño de la cola al inicio del período es , la cola al final del período es

. Debido a que en condiciones de sobresaturación
, el sistema no está en equilibrio, y el largo de la cola crece constantemente.
Sean e dos períodos consecutivos del día, cada uno caracterizado por una
tasa de afluencia y una capacidad , donde . En la Figura 2–7 se
puede observar cómo se desarrolla la transición entre ambos períodos, asumiendo
que el período representa condiciones de sobresaturación, con y una cola
inicial , y que en el período se dan condiciones por debajo de la
saturación, con . Luego, se cumple que y
.
Luttinen (2004) sostiene que el área entre las curvas de y es el tiempo
de espera total en cola por sobresaturación, cuya unidad es [vehículos · tiempo].
Además, afirma que este modelo ignora los tiempos de servicio y las componentes
estocásticas de la demora.
En la Figura 2–7 el término representa el tiempo que le toma dejar la
intersección al último vehículo que arribó en el período , el término es el tiempo
adicional a la duración del período que le toma a la cola inicial descargarse
por completo, y, por último, el término representa el tiempo requerido luego del
período para que se descargue por completo la cola formada.
A partir de la Figura 2–7 se puede calcular distintas áreas que equivalen a
diferentes tiempos de espera, cada uno con utilidades específicas. Este punto es
muy importante, pues en la derivación de una formulación general, la curva
determinística del tiempo de espera define el comportamiento de la formulación
para rangos de saturación altos.
Por ejemplo, si se considera que el tiempo de espera en el sistema viene dado
por el área del polígono ABCF en la Figura 2–7, se está cuantificando el tiempo de
espera total de un período de sobresaturación de largo , cuya expresión
matemática es:
48
(2-35)
donde es la cola al final del período , y es

el grado de saturación del movimiento analizado.
En cambio, si se considera el área del polígono ABCDF en la Figura 2–7, se está
calculando el tiempo de espera total durante el período que le toma al sistema
disipar la cola formada. En este caso, el tiempo de espera total viene dado
por:
(2-36)
donde es el tiempo requerido luego del período para que se
descargue por completo la cola formada.

A modo general, si llamamos al número total de vehículos en el sistema durante
el período de análisis y al tiempo de espera total en cola considerado
(cualquiera de las áreas calculadas a partir de la Figura 2–7), el tiempo de espera
total en el sistema por vehículo determinístico se calcula como:
(2-37)
donde es el tiempo promedio de servicio.
2.5.4 Transformación Coordinada
Como ya se mencionó, en casos con bajos grados de saturación, la probabilidad de

observar un fenómeno de sobresaturación sólo en base a variaciones aleatorias (que
caracterizan estos escenarios) es baja. Esto se traduce en que el mejor ajuste se
obtenga con el modelo de estado estacionario. Por su parte, en escenarios más
saturados – con grados de saturación sobre la unidad –, Luttinen (2004) sostiene
que la demora promedio se puede aproximar a la demora determinística.
La transformación coordinada, entonces, corresponde a una relación matemática
que combina la demora en estado estacionario con la demora determinística, para
49
obtener una formulación que representa correctamente el comportamiento de la

demora, en todo rango de saturación.
Para un mismo nivel de demora, sean , y los grados de saturación en la
curva del modelo transformado, de estado estacionario y determinístico,
respectivamente, y sean , y las respectivas capacidades de reserva, definidas
como , donde es la capacidad del movimiento y el flujo del mismo.
En la literatura especializada, se reportan tres tipos de transformaciones
coordinadas, las que vienen dadas por las siguientes ecuaciones:
 Modelo A1: , (Kimber et al,1977)
 Modelo A2: , (Akçelik & Troutbeck, 1991)
 Modelo A3: , (Brilon W. , 2008)
Por ejemplo, basándose en un modelo A2, el tiempo de espera estacionario dado
por un sistema M/M/1 y una demora determinística dada por el área ABCE de la
Figura 2–7, se obtiene la formulación sugerida por HCM2000 (Transportation
Research Board, 2000):
(2-38)
donde es el tiempo de espera en cola en el modelo con transformación

coordinada, es la duración del período de análisis, es el grado de saturación y
representa la capacidad del movimiento.
Brilon(2008) realizó un análisis comparativo de cómo se comporta el tiempo de
espera según las diferentes transformaciones, utilizando resultados numéricos,
simulaciones y datos reales, asumiendo siempre un modelo M/M/1 para el tiempo
de espera en estado estacionario. Como resultado del estudio, sugiere que el
modelo que entrega mejores ajustes, frentes a diferentes condiciones de tráfico, es
aquel que utiliza un tiempo de espera en cola dado por el área ABCE de la Figura
2–7 y una transformación A3, es decir una formulación basada en la capacidad de
reserva. Las expresiones a las que llega son las siguientes:
50
(2-39)
donde es la duración del período de análisis, y representan la capacidad del

período de análisis y el posterior, respectivamente,
es la cola al final del período de análisis, es la cola inicial de
vehículos, es el tiempo posterior a requerido para la disipación total de la cola,
es el tiempo de espera total en cola asumiendo que y la recta
asintótica del tiempo de espera en cola deterministico se cambia de a
, es la suma de los tiempos de espera en cola para el caso en que no
se tienen llegadas durante el período completo, es el tiempo de espera total

en cola corregido para el caso en que , es el tiempo de espera
promedio en cola, y es el tiempo de espera promedio del sistema, el cual
equivale a la suma del tiempo de espera promedio en cola y el tiempo de
servicio, el cual se obtiene como la suma ponderada de los tiempos de servicio de
cada período.
51
3. SELECCIÓN DE MODELOS
En este capítulo se realiza una selección de algunos de los modelos y metodologías

presentadas en la revisión bibliográfica del capítulo 2.
En el análisis de la capacidad y demora en una intersección prioritaria, en ocasiones
existen varias herramientas para cumplir con el mismo objetivo, y que, en la práctica,
entregan buenos resultados. De éstas, se seleccionarán las que cumplan de mejor manera
los objetivos de la tesis. En el caso en que esto no sea posible, puesto que no hay
suficiente claridad con respecto a la calidad de los resultados, se deberá realizar un
análisis más profundo, que derivará en la selección definitiva.
En resumen, de este capítulo se desprenden dos conjuntos de modelos. En primer lugar,
un conjunto que incluye aquellos modelos seleccionados basándose en los resultados
reportados y que están mejor alineados con los objetivos de la tesis. En segundo lugar,
un conjunto de modelos que requieren de un análisis más detallado, cuyos métodos de
estudio son presentados en el capítulo 4. Luego, en el capítulo 5 se detallan los
principales resultados de este análisis.
En la sección 3.1 se presenta el desarrollo de la selección de los modelos de capacidad,
tratando cada uno de los aspectos relacionados con dichos modelos. Análogamente, en la
sección 3.2 se detalla el mismo proceso relacionado con los modelos de demora, y,
finalmente, en la sección 3.3 se realiza un resumen de la selección realizada,
identificando los modelos que serán luego estudiados en más detalle.
3.1 Selección de Modelos de Capacidad
En la sección 2.4 se presentaron las diferentes metodologías disponibles para la

estimación de la capacidad, tanto a nivel de movimiento como de pista. En ese
contexto, se acordó que el Método tradicional de Aceptación de gaps es el pilar
para el desarrollo de los modelos involucrados. Luego, se requiere definir qué
modelos cumplen de mejor manera con los objetivos de la tesis. A continuación, se
menciona cada uno de los aspectos que componen dicho método:
52
 Distribución de headways
 Función de inserción
 Factores de impedancia vehicular
 Efecto de pistas prioritarias compartidas
 Capacidad de pistas compartidas
Estos aspectos serán estudiados en más detalle en las secciones 3.1.1 hasta la 3.1.5.
3.1.1 Distribución de headways
Se debe entender, en primer lugar, que el flujo prioritario que observa un

movimiento no prioritario puede estar compuesto por movimientos independientes
o por movimientos dependientes.
En este sentido, un movimiento de ranking 2 observa únicamente movimientos de
ranking 1, los cuales siempre son independientes entre ellos, por definición. En
cambio, un movimiento de ranking 3 ó 4 observa un flujo prioritario compuesto de
movimientos de ranking 1 y 2 como mínimo. Éstos no son independientes entre
ellos, pues los vehículos del movimiento de ranking 2 deben esperar por
oportunidades de ingreso ofrecidas por los movimientos de ranking 1.
Esta aclaración busca reforzar la idea de que la distribución de headways más
apropiada para cada movimiento depende del ranking que éste tenga en la
intersección.
Se debe recordar que, dada la prioridad absoluta de los movimientos de ranking 1,
no es necesario modelar la capacidad de dichos movimientos, pues viene dada por
el flujo de saturación. Luego, en base a lo anterior, se determinaron las siguientes
consideraciones respecto a la distribución de headways para cada tipo de
movimiento de ranking menor:
a) Movimientos de Ranking 2
Debido a que los movimientos de ranking 2 ceden prioridad a movimientos

independientes entre ellos – y generalmente a uno o dos movimientos –, la
53
superposición de headways por parte de los movimientos prioritarios de ranking 1

no deriva necesariamente en una distribución exponencial, el cual está asociado
con un proceso Poisson de llegadas.
Akçelik (1994) realizó un estudio comparativo de la distribución exponencial
negativa, exponencial desfasada y exponencial apelotonada de Cowan (1975) para
movimientos de ranking 2, utilizando datos simulados y otros recolectados en
terreno. De este estudio se concluyó que la distribución de Cowan (1975) es la más
realista en cuanto a resultados, aun cuando es más reciente y su uso es poco
común. Los resultados indican que es la distribución que se debería emplear en la
práctica, en desmedro de las otras dos distribuciones exponenciales.
Luego, a partir de las conclusiones de Akçelik (1994), se utilizará un modelo
Cowan (1975) para el proceso de generación de headways para movimientos de
ranking 2.
Por su parte, para la estimación de la proporción de vehículos libres en el flujo
prioritario – parámetro de la distribución de Cowan (ver sección 2.3.1) – se
empleará el modelo de Tanner (1962). Este modelo fue seleccionado por sobre los
modelos de Jacobs(1979) y SIDRA INTERSECTIONS versión 2.1 (1998), pues no
requiere del uso de parámetros adicionales, y porque en la literatura se ha
reportado buenos ajustes por parte de este modelo (Brilon & Troutbeck, 1992;
Luttinen, 2004).
b) Movimientos de ranking 3 y 4
Dado que para estos modelos se tiene un mayor número de movimientos que
componen el flujo prioritario total, la suposición de una distribución exponencial
negativa de headways representa una buena aproximación para la determinación de
los modelos de capacidad (Luttinen, 2004).
Adicionalmente, la suposición de una distribución exponencial desfasada o Cowan
(1975) en la estimación de la capacidad en estos modelos requiere el uso de
expresiones muy complejas y con una gran cantidad de parámetros para la
estimación de la capacidad potencial, por lo cual son desechadas.
54
3.1.2 Función de Inserción
El modelo de capacidad requiere de la utilización de una función que cuantifique el

número de ingresos a la intersección, dado algún valor de gap en el flujo
prioritario. Tal como se presentó en la sección 2.3.2, esta función puede ser
modelada en forma discreta o continua. En este último caso, es necesario el uso de
un parámetro adicional – el gap mínimo de ingreso –, el cual determina el valor
de los gaps en el flujo prioritario por sobre el cual puede darse un ingreso
vehicular o la fracción de uno.
Respecto a estos dos enfoques, Brilon & Troutbeck (1992) sostienen que existe
suficiente evidencia para sostener que ambos modelos no se diferencian
sustancialmente, y que dependiendo de la metodología de estimación de la
capacidad, los resultados pueden ser exactamente los mismos. Por consiguiente, se
utilizará una función de inserción discreta, con el propósito de evitar introducir el
parámetro en los modelos, propio de la función de inserción continua.
3.1.3 Factores de impedancia vehicular
En cuanto a los modelos de estimación de la impedancia vehicular, en la literatura

se ha reportado distintos modelos, como se expuso en la sección 2.4.2. Sin
embargo, como no hay claridad con respecto a cuál de ellos es superior, es
necesario comparar los modelos por medio del ajuste que se obtiene con cada uno
de ellos. Específicamente, se busca esclarecer los siguientes puntos:
 En movimientos de ranking 3, ¿debe corregirse la distribución de headways
para valores menores al tiempo de seguimiento en la determinación del
factor de impedancia?
 Para movimientos de ranking 4, ¿cómo se modelará el factor de impedancia
de los movimientos de ranking 3, considerando la dependencia de la
formación de cola de estos últimos movimientos, con la descarga de
movimientos de ranking 2?
55
El primer punto hace referencia a optar entre los modelos de HCM2000

(Transportation Research Board, 2000) y el de Luttinen (2004). Por su parte, el
segundo punto busca elegir entre los modelos de Brilon & Grossmann (1991), Wu
(2001) y Luttinen (2004). En los capítulos 4 y 5 se presenta el método de análisis
comparativo entre los modelos mencionados, y los resultados obtenidos,
respectivamente.
3.1.4 Efecto de Pistas Prioritarias Compartidas
En la sección 2.4.2 se presentaron los modelos de HCM2000 (Transportation

Research Board, 2000), German Highway Capacity Manual (FGSV, 2001) y
Brilon (2009), para la corrección de los factores de impedancia utilizados en los
modelos de capacidad de movimientos de ranking 3 y 4, asociados al efecto de la
presencia de pistas prioritarias compartidas.
Adicionalmente, se presentó un modelo desarrollado por Wu & Brilon (2010), el
cual permite realizar la misma corrección a los factores de impedancia, pero en la
presencia de pistas prioritarias compartidas, con ensanchamiento para movimientos
de giro a la izquierda prioritarios.
En el punto 4.2.5c) de la sección 4.2.5 se detalla el experimento realizado para
estudiar estos modelos en detalle. En el primero caso, no existe consenso con
respecto a la superioridad de los resultados de alguno de ellos. Por su parte, en
cuanto al modelo de Wu & Brilon (2010), no hay suficiente evidencia empírica
respecto al nivel de ajuste que ofrece el modelo.
3.1.5 Modelo de Capacidad de pista
En base a la revisión bibliográfica, se puede sostener que existen dos metodologías

para la modelación de la capacidad de pistas compartidas: el modelo de HCM2000
(Transportation Research Board, 2000) y el modelo de Wu (1997).
En primer lugar, el modelo de HCM2000 (Transportation Research Board, 2000)
está orientado a la estimación de la capacidad para una estructura rígida de
56
ensanchamientos en la pista prioritaria (sólo un ensanchamiento en la pista). En

cambio, el modelo de Wu (1997) permite estructurar todo tipo de configuraciones
geométricas, entregando una mayor flexibilidad para el modelo de capacidad.
Una diferencia relevante entre ambos modelos es que el planteamiento de Wu
(1997) es derivado basándose en la consideración explícita de la interacción entre
vehículos de distintos movimientos. En cambio, el modelo de HCM2000 es
desarrollado a partir de una interpolación entre la capacidad para el caso en que se
tienen pistas separadas para cada movimiento, y el caso en que ambos comparten
la pista sin ensanchamiento, lo cual representa una aproximación útil, pero no tiene
el suficiente asidero conceptual.
Basándose en los puntos anteriormente mencionados, se sugiere la utilización del
modelo de Wu(1997) al momento de estimar la capacidad de una pista compartida.
Wu(1997) no reporta el nivel de ajuste que se obtiene con el modelo, lo cual fue
testeado al realizar un experimento en la sección 5.1.4 para analizar su
comportamiento.
3.2 Selección de Modelos de Demora
La selección del modelo de demora se realizará únicamente a partir del modelo del
tiempo de espera relacionado, según los alcances de esta tesis.
En la sección 2.5 se presentó una variedad de métodos y modelos que existen para
la estimación del tiempo de espera. Esta sección tiene como objetivo la
determinación de dos conjuntos de modelos. En primer lugar, se selecciona un
conjunto de modelos que conforman la formulación del tiempo de espera,
basándose en la información reportada en la literatura especializada y cómo cada
modelo cumple con los objetivos de esta tesis. En segundo lugar, se determinan los
modelos para los cuales no se tiene claridad suficiente si deben ser seleccionados,
y que, por tanto, requieren un análisis más profundo.
Específicamente, el segundo conjunto de modelos tiene relación con una hipótesis
respecto a la manera en que debe ser modelada la cola inicial en un período de
57
análisis. En la sección 4.3 se presenta la metodología de análisis para este

conjunto, y en la sección 5.2 los principales resultados del experimento de análisis
realizado.
Esta sección está estructurada de la siguiente manera. Primero, en la sección 3.2.1
se presenta la elección del modelo para el tiempo de espera en condiciones de
estado estacionario. Para esto se selecciona la metodología general de modelación,
y luego se analiza el modelo particular. Luego, en la sección 3.2.2, se presenta la
selección del modelo en condiciones de sobresaturación, o tiempo de espera
determinístico. Por último, en la sección 3.2.3 se analiza el modelo general para el
tiempo de espera, considerando la transformación coordinada.
3.2.1 Tiempo de Espera en Estado Estacionario
En la presente sección se realiza la selección del modelo de tiempo de espera en

condiciones de estado estacionario. Esta selección comienza definiendo la
metodología general de modelación del tiempo de espera, y a partir de esta
elección se determina el modelo particular que será empleado posteriormente.
a) Metodología General Utilizada
Tal como se presentó en la sección 2.5, existen dos metodologías generales para la
modelación del tiempo de espera: una basada en la teoría de aceptación de gaps y
una basada en la teoría de colas.
Estas metodologías no necesariamente son excluyentes. Bajo ciertos supuestos y
en determinados escenarios de análisis, los resultados pueden concordar.
Troutbeck & Walsh (1994) sostienen que con una distribución apropiada de los
tiempos de servicio, la teoría de colas entrega las mismas estimaciones que la
teoría de aceptación de gaps.
Sin embargo, sí existen diferencias sustanciales entre las metodologías al momento
de modelar movimientos con ranking 3 y 4. Luttinen (2004) sostiene que el
problema de emplear los modelos basados en la teoría de aceptación de gaps radica
en que la derivación de (ver sección 2.5.2) se realiza bajo el supuesto de
58
movimientos conflictivos independientes, lo que no se cumple para movimientos

de ranking 3 y 4.
Luego, dado que las principales diferencias radican en la estimación del tiempo de
espera para movimientos de bajo ranking de prioridad, una alternativa es plantear
distintos modelos de estimación de la demora para cada tipo de movimiento. Sin
embargo, esto complica las formulaciones y comprensión de las mismas.
Según Luttinen (2004), una formulación basada en la teoría de colas entrega
buenas estimaciones para el tiempo de espera, en la medida que el modelo de
capacidad utilizado sea correcto y lo suficientemente general para recoger las
características propias de cada movimiento.
El modelo de capacidad desarrollado en esta tesis incorpora las características
propias de cada movimiento, como el ranking de prioridad, la existencia de pistas
compartidas en la vía prioritaria, distintas distribuciones de headways y la
flexibilidad suficiente para poder incorporar nuevas aspectos (diseño geométrico,
vehículos estacionados en la vía, efecto de vehículos pesados y peatones, entre
otros). De esta forma, se considera que el tiempo de espera puede ser modelado
correctamente por medio de la metodología basada en la teoría de colas y no es
necesario plantear distintos modelos dependiendo del movimiento analizado.
b) Modelo de Demora en Estado Estacionario
Dadas las consideraciones de la sección anterior, en la presente sección se define el

modelo particular asociado con el tiempo de espera que será recomendado.
La modelación del tiempo de espera basándose en la teoría de colas requiere la
especificación del tipo de sistema de colas a emplear. En la sección 2.5.2 se
presentaron los sistemas existentes, y se vio que, en términos generales, existen
tres tipos de sistemas: M/G2/1, M/G1/1 y M/M/1.
De los tres modelos, el modelo M/G2/1 es el que representa de mejor manera el
proceso de descarga de un movimiento no prioritario (Daganzo, 1977). La
particularidad de este modelo radica en la consideración de tiempos de servicio
59
distintos para vehículos que llegan al sistema cuando éste está vacío o con una cola
formada.
Los modelos de demora que se desprenden de un sistema M/G2/1 utilizan
formulaciones complicadas y de difícil uso. Tales complicaciones no se justifican
cuando la evidencia ha mostrado que este modelo entrega muy pocas mejoras con
respecto a estimar el tiempo de espera utilizando un modelo M/G/1 (Troutbeck &
Walsh, 1994).
Por su parte, el principal beneficio que entrega el modelo M/G/1 por sobre un
M/M/1 es la inclusión del efecto de la varianza de los tiempos de servicio, y sólo
cuando la desviación estándar es igual al valor promedio (coeficiente de variación
igual a uno) se obtienen modelos equivalentes. La utilización de un modelo M/M/1
por sobre un M/G/1 toma sentido cuando se busca un expresión amigable y de fácil
derivación para la transformada de la demora (Brilon W. , 2008).
De los modelos disponibles, el más utilizado en la práctica es la formulación
M/M/1(Transportation Research Board, 2000; Fisk & Tan, 1989; Kimber & Hollis,
1978). Brilon & Troutbeck (1992) sostienen que el modelo M/M/1 puede producir
sesgos en sus estimaciones, pero la magnitud de éstos es bastante pequeña.
Asimismo, Fisk & Tan (1989) son enfáticos al sostener que el modelo M/M/1
entrega una muy buena aproximación al modelo M/G/1.
A la luz de lo anterior, y en el contexto de buscar un modelo robusto y de fácil
aplicación, se utilizará un modelo M/M/1 para la estimación del tiempo de espera
en condiciones de estacionariedad.
3.2.2 Tiempo de Espera Determinístico
Para grados de saturación superiores a la unidad, el tiempo de espera tiene como

curva asintótica el tiempo de espera determinado en base a un sistema
determinístico. En la sección 2.5.3 se presentaron las distintas consideraciones que
se pueden tener respecto al tiempo de espera bajo un sistema determinístico. Entre
ellas se presentó las distintas formas de calcular el tiempo de espera total en el
60
sistema y el número de vehículos expuestos a dicho tiempo de espera, con lo que

se obtiene diferentes resultados para el tiempo de espera promedio.
En el proceso de análisis del tiempo de espera en el sistema, al modelador le
pueden interesar diferentes alternativas. Estas opciones surgen de la combinación
de la duración del período que el modelador quiera estudiar, y el número de
vehículos que haya estado expuesto al sistema durante ese período.
Por ejemplo, a un modelador le puede interesar estudiar el comportamiento del
sistema sólo para los vehículos que llegan durante un período determinado
(excluyendo la cola inicial), mientras que otro puede querer analizar el sistema
hasta que ya no haya cola. De estos dos escenarios surgen formulaciones
diferentes, cada una asociada a las consideraciones y propósito específico de cada
caso.
Respecto al período de análisis que puede ser considerado para el cálculo del
tiempo de espera, se identifican las siguientes alternativas:
 Un período de estimación hasta la disipación total de la cola.
 Un período de estimación hasta la disipación de los vehículos que llegan al
sistema en un período de largo determinado, y menor al anterior.
 Un período de estimación definido por una duración fija, no necesariamente
relacionada con los casos anteriores.
A su vez, pueden distinguirse y considerarse dos tipos de conjuntos de vehículos
expuestos al tiempo de espera, al momento de estimar el tiempo de espera
promedio, como:
 Vehículos que llegan durante el período de análisis
 Vehículos en la cola del movimiento al inicio del período de análisis
Para el cálculo del tiempo de espera promedio, tomando en cuenta las alternativas
anteriores, lo importante es mantener una consistencia respecto al área
representativa del tiempo de espera (ver Figura 2–7), que surge de la determinación
del período de análisis y el número de vehículos considerados.
61
En esta tesis no se fijará el tipo de período de análisis y vehículos expuestos al

tiempo de espera, pues se recomienda definir el propósito a seguir y en base a éste
definir el tiempo de espera que se utilice. El objetivo de esta consideración es
entregar flexibilidad al modelador al momento de estudiar una intersección
prioritaria en particular.
Lo que sí requiere ser analizado es el hecho de que algunas formulaciones
existentes para el tiempo de espera presentan una inconsistencia respecto a la
consideración del área representativa del tiempo de espera total y el número de
vehículos utilizados para la estimación del tiempo de espera promedio (Brilon W. ,
2008; Luttinen, 2004).
Figura 3–1: Demoras Determinísticas Brilon (2008)
El trabajo más reciente respecto a la modelación del tiempo de espera es realizado

por Brilon (2008). En este trabajo se evalúan las distintas formulaciones
dependiendo del tiempo de espera que se considere. En la Figura 3–1 se presentan
las tres áreas consideradas en el análisis de Brilon (2008). El área A considera el
62
tiempo de espera total de todos los vehículos involucrados hasta la disipación de la

cola. El área B considera un tiempo de análisis hasta la disipación del último
vehículo que llega al sistema en el período de duración . Finalmente, el área C
considera el tiempo de espera sólo durante el período de duración .
Las tres áreas de la Figura 3–1toman en cuenta el tiempo de espera de los
vehículos en la cola inicial. Por definición, el tiempo de espera promedio es
calculado como la división del tiempo de espera total por el número de vehículos
afectados. El problema e incongruencia importante se presenta cuando dicho
número de vehículos se considera como el número de vehículos que llega al
sistema durante el período de duración y no se toma en cuenta los vehículos en la
cola inicial.
Luego, es necesario realizar un análisis respecto a los modelos derivados utilizando
las áreas anteriores y medir el impacto que tiene la incongruencia presentada en las
estimaciones del tiempo de espera promedio.
3.2.3 Transformación Coordinada
Recordemos que para determinar una formulación del tiempo de espera promedio
en el sistema para todo rango de saturación, debe utilizarse una función
coordinadora entre los modelos en condiciones de estado estacionario y en
condiciones determinísticas.
Ninguna de las tres transformaciones presentadas en la sección 2.5.4 tiene un
mejor sustento teórico que las demás. Dichas fórmulas representan ajustes
aproximados que fueron probados usando datos reales y simulados.
El trabajo más reciente fue desarrollado por Brilon (2008), en el cual se evalúa el
comportamiento de las tres transformaciones. Como resultado de esta investigación
se determinó que la transformación aditiva de capacidades de reserva (ver modelo
A3 en la sección 2.5.4) representa de mejor manera el tiempo de espera promedio
en el sistema.
63
Sin embargo, a la luz de la incongruencia planteada en la sección anterior respecto

al cálculo del tiempo de espera promedio en un sistema determinístico, es
necesario realizar un análisis detallado respecto a las transformaciones en modelos
que no presenten tal incongruencia, como los modelos propuestos en las
expresiones 4–10 y 4–11.
3.3 Resumen Modelos Seleccionados
En la Tabla 3-1 se presentan los modelos que fueron seleccionados basándose en

los objetivos de la tesis, asociados con los modelos de estimación de capacidad.
Por su parte, en la Tabla 3-2 se presenta el conjunto análogo de modelos
seleccionados, asociados con la estimación de la demora. Estos dos conjuntos son
recomendados para la implementación futura en el software SIGCOM (Cortés,
2010).
Tabla 3-1: Modelos aceptados para la estimación de Capacidad
Ranking Especificación Modelo
2 Distribución de headways Cowan (1975)
3y4 Distribución de headways Exponencial negativa
2 Proporción de apelotonamiento Modelo de Tanner (1962)
2, 3 y 4 Función de inserción Discreta
Efecto pista prioritaria

3y4 Brilon (2009)
compartida
1, 2, 3 y 4 Capacidad pista compartida Wu (1997)

En la Tabla 3-1 se presenta el conjunto de modelos de capacidad que

posteriormente son estudiados con más detalle. Se incorpora la nomenclatura de
64
los experimentos realizados, y se indica con qué modelos está relacionado cada
uno.
En la Tabla 3-3 se presenta el conjunto de modelos de demora que son luego
estudiados en profundidad. Notar que el experimento incluye los modelos
propuestos para corregir la falencia en el cálculo de la demora de los vehículos de
la cola inicial.
Como se aprecia en la Tabla 3-1, los modelos de Brilon (2009) y Wu (1997) fueron
seleccionados en función de los objetivos y alcances de la tesis. Sin embargo, dado
que no se ha reportado evidencia suficiente con respecto al ajuste de dichos
modelos, se decidió realizar un estudio más detallado de su comportamiento, por lo
que fueron incluidos en los experimentos 3 y 4, como se ve en la Tabla 3-4.
Tabla 3-2: Modelos aceptados para la estimación de Demora
Ranking Especificación Modelo
2, 3 y 4 Demora estacionaria Teoría de colas (M/M/1)
Modelo HCM2000 (Transportation

4 Demora en pista compartida
Research Board, 2000)
Tabla 3-3: Resumen experimentos de modelos de demora seleccionados
Experimento Especificación Modelo
Tipo de transformación
- Brilon (2008)
5 coordinada y demora
- Funciones de transformación
determinística
65
Tabla 3-4: Resumen experimentos de modelos de capacidad seleccionados
Experimento Especificación Modelo
- HCM2000 (Transportation
Factor de impedancia de la capacidad
1 Research Board, 2000)
potencial
- Luttinen (2004)
Factor de impedancia de movimientos

- Wu (2001)
2 de ranking 3 en capacidad potencial
- Luttinen (2004)
de movimientos de ranking 4
- HCM2000 (Transportation
Factor de impedancia de pistas
Research Board, 2000)
3 compartidas prioritarias en capacidad
- Harders (1968)
potencial
- Brilon (2009)
Modelo de capacidad de pistas

4 - Wu (1997)
compartidas
66
4. MÉTODOS DE ANÁLISIS DE MODELOS
En el presente capítulo se describen los métodos utilizados para realizar el análisis de los
modelos de capacidad y demora seleccionados en el capítulo 3.
En primer lugar, en la sección 4.1, se describe cómo se realizó la selección de los
métodos de análisis utilizados. Se indican las razones que llevaron a esta selección y las
limitaciones propias de cada uno de los modelos escogidos.
En segundo lugar, en la sección 4.2, se describe en profundidad el método de análisis de
los modelos de capacidad. En forma específica, se detalla la manera en que se emplea el
software AIMSUN NG para generar escenarios que permitan realizar una buena
comparación para los modelos analizados. Luego, se describen los experimentos
realizados.
Finalmente, en la sección 4.2.6, se detalla el método utilizado para el análisis de los
modelos de demora y el experimento realizado.
4.1 Selección de Métodos de Análisis
El objetivo de los métodos de análisis de los modelos de capacidad y demora es

comparar las estimaciones que entrega cada uno de ellos, idealmente con
observaciones recolectadas en terreno. Este fue el primer apronte que se tomó para
realizar el análisis, para lo cual se seleccionó un conjunto de intersecciones y se
hizo mediciones durante sus períodos peak de demanda. Sin embargo, surgió un
conjunto de dificultades que imposibilitaron realizar el análisis utilizando dichas
observaciones en terreno, tales como:
 Para medir la capacidad se debe contar con una cola de vehículos en la pista
no prioritaria durante todo el período de medición. Esto es difícil de
observar, pues, en general, sólo se cuenta con colas por períodos cortos de
tiempo.
 Los modelos requieren ser analizados en un variado rango de condiciones de
operación. Por ejemplo, interesa identificar el comportamiento de los
modelos para distintos niveles de saturación y diseños geométricos de
67
intersecciones. Por consiguiente, se requiere de una amplia gama de

intersecciones y niveles de operación en cada una, lo cual no fue posible
encontrar.
 La condición de aislamiento de la intersección, supuesto de esta tesis, en
general no se observó en las intersecciones estudiadas. Los procesos de
llegada de vehículos presentaban claras influencias de intersecciones
semaforizadas cercanas.
Una alternativa metodológica fue optar por un análisis basado en la
microsimulación del tráfico vehicular. Este tipo de metodología presenta grandes
beneficios respecto a la anterior, por los siguientes motivos:
 Ahorro en tiempo, ya que no es necesario recolectar y procesar datos
recolectados en terreno. Además, dicho ahorro se aprecia en el hecho de que
una hora de operación real toma segundos en ser simulada.
 Flexibilidad en cuanto al tipo de intersecciones y condiciones vehiculares.
Este aspecto entrega la posibilidad de testear un mayor número de
escenarios.
 Facilidad para obtener estadísticas y mediciones.
Existen diversos paquetes computacionales que permiten realizar una
microsimulación de sistemas de transporte, como VISSIM (Visual Solutions Inc.,
2010), AIMSUN NG (TSS, 2005), HUTSIM (TKK, 1994), entre otros. Dado que
existe una diferencia menor entre dichos programas en cuanto a la modelación del
proceso de aceptación de gaps, se optó por el uso de AIMSUN NG, principalmente
porque el software está disponible en el Departamento de Ingeniería de Transporte
y Logística, de la Pontificia Universidad Católica de Chile.
Recordemos que los datos que se emplearán como punto de comparación serán
generados por microsimulación. El escenario desde el cual se obtienen dichos
datos debiera estar construido a partir de una calibración del software empleando
datos reales. Sin embargo, nuevamente se optó por un enfoque alternativo, por una
serie de problemas derivados de la calibración del programa, la cual nunca pudo
68
replicar correctamente los datos obtenidos en terreno. Dentro de las principales

dificultades se encuentran las siguientes:
 AIMSUN NG tiene un amplio conjunto de parámetros que determinan la
manera de conducir de los vehículos. Para replicar correctamente los datos
en terreno de una intersección aislada, existen muchas combinaciones de
valores de los parámetros, entre las cuales hay algunas que no tienen sentido
lógico.
 En general, las calibraciones del software se realizan para una red de
transporte y no una intersección aislada. Calibrar una intersección aislada
imposibilita la determinación de algunos parámetros de red, y calibrar a
nivel de red no permite obtener con precisión algunos parámetros propios de
la intersección prioritaria aislada.
 Existen restricciones propias del funcionamiento de AIMSUN NG que
imposibilitan obtener algunos parámetros con exactitud. Esto se debe,
principalmente, a la relación que utiliza el programa entre los parámetros
“paso de simulación”, “tiempo de reacción” y “tiempo de reacción en
parada”.
Luego, la alternativa para realizar el análisis – que fue finalmente utilizada – es
determinar, para cada experimento de simulación, un conjunto de escenarios que,
en su totalidad, represente correctamente la variedad de escenarios que se pueden
obtener en la realidad. De esta forma, es posible obtener conclusiones y resultados
generalizables.
Adicionalmente, para obtener estadísticas individuales para cada vehículo durante
el período de simulación, en AIMSUN NG se requiere utilizar una extensión al
software (Módulo API “Advanced programming interface”) que permite modificar
el programa a la medida del usuario, la cual no estaba disponible.
Dado que para realizar el análisis sobre los modelos de demora propuestos en la
sección 3.2 se requiere de información a nivel de vehículo, y ésta no puede ser
obtenida desde AIMSUN NG, se utilizará un método alternativo de análisis. Dicho
69
método está basado en las propiedades de una Cadena de Markov (ver sección
4.3). Por consiguiente, el método basado en microsimulación únicamente se
utilizará para el análisis de los modelos de capacidad.
4.2 Método de Análisis de Modelos de Capacidad
A continuación se describe el método desarrollado para realizar un análisis

comparativo de los modelos de capacidad utilizando como punto de comparación
los datos generados por el microsimulador AIMSUN NG.
Este método está basado en el principio general de determinar un conjunto de
escenarios de análisis lo suficientemente amplios para cada experimento, de
manera que los resultados obtenidos puedan ser generalizados para todo tipo de
intersecciones prioritarias.
Las principales características del método son:
 Se determinarán cotas superiores e inferiores para el gap crítico y tiempo de
seguimiento de los movimientos que serán simulados. Estas cotas son
determinadas a partir de estimaciones de los parámetros reportadas en la
literatura (ver sección 4.2.1).
 A partir de las cotas anteriores, se determinan cuatro escenarios base a partir
de las combinaciones de estos valores. Por ejemplo, el primer escenario
estará constituido por las cotas inferiores de los parámetros.
 Se calibrarán los parámetros de AIMSUN NG, de modo que la
microsimulación de una intersección replique correctamente el gap crítico y
tiempo de seguimiento del escenario. Para esto, se desarrolló una
metodología de homologación de parámetros, detallada en la sección 4.2.3.
 Para que la calibración entregue parámetros representativos de la realidad
chilena, se utilizan los resultados del trabajo de calibración de AIMSUN NG
realizado por Velasco (2004), en el cual se reportan intervalos para cada uno
de los parámetros involucrados en AIMSUN NG.
70
Cada experimento está constituido por una intersección – y sus propiedades

geométricas específicas –, los movimientos que participan en ella, y los escenarios
de simulación determinados por los parámetros de gap crítico y tiempo de
seguimiento empleados.
Dado que en un experimento interactúan distintos movimientos, cada uno con sus
escenarios representativos, es posible realizar una altísima cantidad de escenarios
totales. Por consiguiente, se optó por no simular combinaciones de distintos tipos
de cotas en un mismo escenario. Por ejemplo, el escenario 1 de un experimento
con tres movimientos estará constituido por las cotas inferiores de los parámetros
de los tres movimientos, y no se simulará un escenario con la cota inferior de algún
parámetro de un movimiento y la cota superior de otro.
Se utilizó esta configuración de escenarios pues los escenarios 1 y 4 – cotas
inferiores y superiores, respectivamente – corresponden a situaciones extremas y
opuestas de operación. De esta forma, el criterio mencionado busca generar
escenarios intermedios. Se podría haber utilizado un planteamiento alternativo,
pero se tomó esta decisión para acotar el número de escenarios totales.
En la sección 4.2.1 se presentan los escenarios de simulación para cada
movimiento y las fuentes utilizadas para su determinación.
Luego, en la sección 4.2.2 se describe brevemente el funcionamiento de AIMSUN
NG, enfatizando la metodología que emplea el software para la simulación de
intersecciones prioritarias.
En la sección 4.2.3 se presenta el método propuesto para la homologación de los
parámetros de AIMSUN NG con el gap crítico y el tiempo de seguimiento,
describiendo los supuestos requeridos, e identificando la influencia de los
parámetros de AIMSUN NG en el método.
En la sección 4.2.4 se presentan los principales resultados del proceso de
calibración de los parámetros de AIMSUN NG, para generar los parámetros de gap
crítico y tiempo de seguimiento, para cada escenario de simulación.
71
En la sección 4.2.5 se describen los distintos experimentos realizados con los

modelos que requieren ser analizados, de acuerdo con la sección 3.1.
Finalmente, en la sección 4.2.6 se presentan las principales limitaciones y
fortalezas del método de análisis desarrollado para los modelos de capacidad.
4.2.1 Escenarios de simulación por movimiento
El método de análisis para la capacidad desarrollado, requiere de la determinación

de cotas inferiores y superiores para cada movimiento simulado en los
experimentos. Estas cotas determinan los escenarios de simulación de cada
experimento.
Los rangos utilizados para el gap crítico y el tiempo de seguimiento, se obtuvieron
de calibraciones realizadas sobre los parámetros reportados en la literatura,
especialmente en HCM2000 (Transportation Research Board, 2000) (ver Tabla 4-
1) y el software SIDRA (Gladstone Regional Council, 2010) (ver Tabla 4-2).
Idealmente, habría sido deseable utilizar calibraciones de estos parámetros
realizadas en Chile. Sin embargo, tal información no fue encontrada.
Tabla 4-1: Gap crítico y Tiempo de Seguimiento en HCM2000
Gap crítico base (s)

Tiempo de
Movimiento Doble vía prioritaria Doble vía Seguimiento
con una pista por prioritaria con dos base (s)
sentido pistas por sentido
Giro Izquierda Prioritario 4,1 4,1 2,2

Giro Derecha No Prioritario 6,2 6,9 3,3
Directo No Prioritario 6,5 6,5 4,0
Giro Izquierda No Prioritario 7,1 7,5 3,5
Fuente: HCM2000 (Transportation Research Board, 2000)
72
Tabla 4-2: Gap Crítico y Tiempo de Seguimiento en SIDRA
N° pistas cruzadas o de
Movimiento
vía ingresada
Giro Izquierda 1 Pista 4 2 6 3 7,5 3,5
Prioritario 2 Pistas 5 3 7 4,5 9 5,5
Giro Derecha 1 Pista 4,5 3 6,5 4,5 8 5,5
no Prioritario 2 o más Pistas 5 3 7 4,5 9 5,5
1 Pista (un sentido) 4 2 6 3 7,5 3,5
2 Pistas (un sentido) 4,5 2,5 6,5 3,5 8 4,5
Cruce no 3 Pistas (un sentido) 6 3 8,5 4,5 11 5,5
Prioritario 2 Pistas (ambos sentidos) 5 3 7 4,5 9 5,5
3 Pistas (ambos sentidos) 6,5 4 9 6 11,5 7,5
4 Pistas (ambos sentidos) 8 5 11,5 7 14,5 9
Un sentido 4,5 3 6,5 4,5 8 5,5
2 Pistas (ambos sentidos) 5,5 3,5 8 5 10 6,5
Giro Izquierda
3 Pistas (ambos sentidos) 6,5 4 9 6 11,5 7,5
no Prioritario
4 Pistas (ambos sentidos) 8 5 11,5 7 14,5 9
Pista de aceleración 3 2 3 2 3 2
Fuente: Gladstone Regional Council (2010)
A partir de la Tabla 4-1 y la Tabla 4-2 se determinaron las cotas para el gap crítico
y el tiempo de seguimiento de los movimientos 4, 7, 8 y 9 (ver Figura 2–1). Los
demás movimientos no prioritarios son simétricos (1, 10, 11 y 12), por lo que se
empleó las mismas cotas para sus parámetros. En la Tabla 4-3 se presentan los
valores que se utilizarán.
Los movimientos prioritarios de ranking 1 (2, 3, 5 y 6) no tienen parámetros de
gap crítico ni tiempo de seguimiento, por definición. De esta forma, en AIMSUN
NG se emplearon los valores sugeridos por Velasco (2004) para modelar dichos
movimientos.
Las cotas seleccionadas fueron construidas con el propósito de obtener escenarios
lo suficientemente distintos, de modo que el análisis permita obtener conclusiones
73
generalizables a todo el espectro de casos intermedios. A su vez, se tuvo especial

cuidado en que los valores seleccionados estuvieran en línea con las calibraciones
reportadas en la Tabla 4-1Tabla 4-1 y la Tabla 4-2.
Tabla 4-3: Cotas Parámetros Simulación (Tiempo Seguimiento – Gap Crítico)
Movimiento Escenario 1 Escenario 2 Escenario 3 Escenario 4

4 (4 2) (4 3) (6 2) (6 3)
7 (5,5 3,5) (5,5 4,5) (8 3,5) (8 4,5)
8 (5 3) (5 4,5) (7 3) (7 4,5)
9 (4,5 3) (4,5 4) (6,7 3) (6,7 4)
4.2.2 Descripción de AIMSUN NG
AIMSUN NG es, a grandes rasgos, un modelo de microsimulación para la

evaluación de proyectos tácticos en sistemas de transporte, basado en la simulación
del comportamiento de cada uno de los vehículos involucrados.
En las intersecciones prioritarias – disco pare o ceda el paso –, la decisión de cada
vehículo de cruzar o ceder el paso es modelada basándose en un proceso de
aceptación de gaps. Cuando un vehículo se encuentra con un disco pare, se
detendrá completamente antes de decidir si cruza o no. En cambio, cuando un
vehículo se encuentra con un disco ceda el paso, éste comienza a aplicar el modelo
de aceptación de gaps a lo largo de la sección en la que tenga visibilidad suficiente
para evaluar las oportunidades de ingreso. Es decir, a medida que el vehículo se
acerca a la línea de detención, y se encuentre a una distancia menor o igual a la
distancia de visibilidad, estará buscando un gap para cruzar. Si no encuentra un
gap seguro, seguirá desacelerando y buscando un gap hasta que pueda cruzar o
hasta que llegue a la línea de parada y se detenga.
74
El modelo de aceptación de gaps mencionado es el que rige el comportamiento de

las intersecciones de prioridad en AIMSUN NG. Este modelo determina si un
vehículo que se acerca a una intersección puede cruzar, dependiendo de las
condiciones del flujo de mayor prioridad (velocidad y posición). Para esto se
determina un punto hipotético de colisión, obtenido a partir de la posición,
velocidad y aceleración de los vehículos. Luego, se determina el tiempo necesario
para que cada vehículo salga de la intersección, se evalúa si tiene tiempo suficiente
para hacerlo, y se toma una decisión.
Cada vez que un vehículo no prioritario (VNP) evalúa una posibilidad de inserción
(ver Figura 4–1), se aplica el siguiente algoritmo:
 Obtener el vehículo prioritario (VP) que llegará primero a la intersección.
 Determinar el punto de colisión teórico (PCT).
 Calcular el tiempo (TP1) necesario por VNP para alcanzar PCT.
 Calcular el tiempo (ETP1) necesario para que VP llegue a PCT.
 Calcular el tiempo (TP2) necesario para que VNP cruce PCT.
 Calcular el tiempo (ETP2) necesario para que VP deje la intersección.
 Si TP2 (más el margen de seguridad) es menor que ETP1, el vehículo VNP
tiene tiempo suficiente para cruzar. Por lo tanto, acelera y cruza la
intersección.
 En caso contrario, si ETP2 (más el margen de seguridad) es menor que TP1,
el vehículo VP ya habrá cruzado PCT cuando el vehículo VNP alcance este
punto. Por lo tanto, se busca el siguiente vehículo prioritario cercano, el cual
pasa a ser VP, y se debe volver al paso 2.
 En caso contrario, el vehículo VNP debe dar paso, desacelerar y detenerse,
si es necesario.
75
Figura 4–1: Modelo de Aceptación de Gaps en AIMSUN NG
En las definiciones anteriores, el margen de seguridad está relacionado con la

posibilidad de modelar comportamientos más o menos osados, en cuanto al valor
del gap crítico de cada vehículo. Por ejemplo, un vehículo con un margen de
seguridad cero, aceptará un gap crítico al borde de la colisión con un vehículo del
flujo prioritario.
AIMSUN NG cuenta con un amplio conjunto de funciones que permiten extraer
estadísticas respecto a la operación de la intersección. Sin embargo, no cuenta con
un modelo que permita cuantificar explícitamente la capacidad de un movimiento.
La razón de esto es bastante clara, ya que la capacidad requiere de la formación de
una cola continua para poder ser medible en terreno. Luego, al momento de estimar
la capacidad de un movimiento, es necesario saturarlo de modo de generar una cola
continua y, de esta manera, el número de vehículos que utilicen la intersección
representa correctamente la capacidad intrínseca del movimiento en la simulación.
76
4.2.3 Homologación de Parámetros para AIMSUN NG
Con el propósito de comparar los modelos de capacidad con los resultados de la

microsimulación, se requiere conocer el gap crítico y tiempo de seguimiento,
parámetros que no son propios de AIMSUN NG. Sin embargo, como la operación
de la intersección puede ser igualmente descrita por este conjunto de parámetros,
éstos deberán ser inferidos de los parámetros y resultados del programa.
A continuación, se presenta la manera en que el valor intrínseco del gap crítico y el
tiempo de seguimiento puede ser inferido desde AIMSUN NG. Luego, se describe
la influencia de distintos parámetros del programa sobre estos valores, y,
finalmente, se presentan los supuestos que sustentan el proceso de homologación.
a) Gap Crítico
Dado que los vehículos en AIMSUN NG aceptan una opción de ingreso en función
del tiempo que les toma llegar al punto de colisión PCT, el gap crítico puede ser
interpretado como el tiempo mínimo para cruzar el PCT más el margen de
seguridad.
Luego, el gap crítico viene dado por la siguiente expresión:
(4-1)
donde es la distancia entre la posición actual del vehículo no prioritario VNP al

punto de colisión hipotético PCT, es el largo del vehículo no prioritario VNP,
es la aceleración del vehículo no prioritario VNP, y es el margen de
seguridad. Es importante mencionar que todos estos parámetros son modificables
por el usuario de AIMSUN NG.
Esta fórmula fue derivada a partir de la comprensión del modelo de la Figura 4–1.
Sin embargo, en las pruebas realizadas inicialmente para validar empíricamente la
fórmula, se obtuvo resultados para el gap crítico que distaban mucho del valor
observado en la simulación. Como no había claridad con respecto a la fuente del
77
error – por el alto número de parámetros que determinan las variables de la

fórmula –, se decidió que era necesario realizar algún tipo de procedimiento para
identificarlas.
De esta forma, se construyó una serie de escenarios en los cuales se fueron
variando algunos parámetros propios de un vehículo (por ejemplo, la aceleración
no prioritaria, el ancho de vehículo prioritario y el tiempo de reacción), parámetros
geométricos (disco pare o ceda el paso, ancho de pista prioritario), y el paso de
simulación. Estos escenarios tienen las siguientes características comunes:
 Una intersección tipo cruz, con una pista prioritaria y una no prioritaria.
 Un movimiento no prioritario de cruce directo (mov.8 en la Figura 2–1).
 Un movimiento prioritario de cruce (mov. 2 en la Figura 2–1).
 Llegadas prioritarias dadas por una tasa constante, con intervalos entre
vehículos de igual duración.
 Variabilidad nula en los parámetros de los vehículos no prioritarios.
 Disco pare como sistema de control de la intersección.
 Flujo no prioritario muy alto (1800 veh/hr), de forma de saturar el
movimiento.
El flujo prioritario fue incrementándose en forma progresiva. De esta manera, al
detectar el primer intervalo sin ingresos no prioritarios, se está en presencia de
intervalos en la pista prioritaria de duración cercana al gap crítico. De este
experimento se obtuvo conclusiones relacionadas con la fórmula 4–1 y otras más
generales que ayudaron al proceso de calibración de la sección 4.2.4, como las
siguientes:
 El cálculo del margen de seguridad estaba mal indicado en el manual del
programa (TSS, 2005). En éste se mencionaba que era dos veces el paso
de simulación. Sin embargo, basándose en lo obtenido, el único resultado
que entregaba aproximaciones cercanas era el calculado con igual a dos
veces el tiempo de reacción (lo cual fue corroborado por los administradores
del programa al ser consultados).
78
 Al cambiar de disco pare a disco ceda el paso, visibilidades de entre 0 a 10

metros no alteran el gap crítico considerablemente, pues son pocas las
opciones de ingreso evaluadas durante esa distancia, y los vehículos se
mueven en ese tramo a velocidades bajas.
 No se tenía claro cuál era específicamente el punto de colisión considerado
por el programa. De esta forma, se compararon formulaciones con distintos
puntos candidatos, y se concluyó que el punto en cuestión coincide con el
borde más lejano del vehículo prioritario, lo cual hace ver que el parámetro
de ancho del vehículo prioritario tiene una influencia importante.
 Tal como se presentó en la formulación, la aceleración, la distancia al punto
de colisión y el largo de los vehículos no prioritarios son las variables más
determinantes.
En el punto c) de la sección 4.2.3 se discute con mayor profundidad cómo esta
variable se relaciona con algunos de los parámetros de AIMSUN NG.
b) Tiempo de Seguimiento
Brilon & Troutbeck (1992) postulan que el tiempo de seguimiento es el promedio

de los intervalos entre vehículos que aceptan un mismo gap y que inicialmente
estaban en cola. Una interpretación alternativa para este parámetro es considerarlo
como el inverso del flujo de saturación.
De esta manera, para cuantificar el tiempo de seguimiento, se pueden realizar
simulaciones con los vehículos no prioritarios en cola, la cual se simula utilizando
un semáforo con una programación que impida el paso de los vehículos y sin un
flujo prioritario conflictivo. Luego, se miden los intervalos de descarga o
simplemente se cuenta el número de descargas (flujo de saturación) realizadas. En
el punto c) de la sección 4.2.3 se discute con mayor profundidad cómo esta
variable se relaciona con algunos de los parámetros de AIMSUN NG.
79
c) Influencia de Parámetros de AIMSUN
Para entender completamente la relación que tienen los resultados simulados con
los parámetros de los modelos de capacidad analizados en esta tesis, es necesario
determinar la influencia de los distintos parámetros propios de AIMSUN NG sobre
el gap crítico y el tiempo de seguimiento.
A continuación, se presenta el conjunto de parámetros de AIMSUN NG relevantes
para determinar los valores del tiempo de seguimiento y el gap crítico, y se indica
entre paréntesis cuál de estos últimos se ve afectado por el parámetro del
programa.
 Tiempo de Reacción (gap crítico): este parámetro determina el valor del
margen de seguridad con que los vehículos no prioritarios evalúan las
opciones de inserción. Por consiguiente, a mayor tiempo de reacción mayor
es el gap crítico.
 Distancia a punto de colisión (gap crítico): define la distancia que deben
recorrer los vehículos no prioritarios al punto de colisión, y, por
consiguiente, el tiempo que les toma la maniobra. Con mayores distancias se
tendrán mayores gaps críticos.
Viene determinado por el número de pistas y el ancho de éstas. Esta distancia
cambia según el movimiento que evalúa su inserción. Un punto relevante es que
aquellos movimientos que ceden prioridad a un conjunto de movimientos
prioritarios, tienen cada uno una distancia distinta con que evaluar la opción de
ingreso, lo cual dificulta el análisis. Como solución se propuso trabajar con un
promedio ponderado por los flujos de cada movimiento prioritario.
 Ancho del vehículo (gap crítico): a mayor ancho de los vehículos
prioritarios, el punto de colisión se aleja del vehículo no prioritario. De esta
forma, la distancia que este último debe recorrer al momento de evaluar una
inserción es mayor, por lo que se obtienen mayores gaps críticos.
 Tiempo de Ceda el Paso (gap crítico): este parámetro indica el máximo
tiempo de espera por una inserción por parte de los vehículos no prioritarios.
80
Transcurrido este tiempo, estos vehículos van disminuyendo su margen de

seguridad linealmente hasta cero, en un tiempo dado por dos veces el
tiempo de ceda el paso. El uso de este parámetro altera el supuesto de
consistencia en los modelos de capacidad, pues el gap crítico deja de ser
constante. Luego, en la sección 1.1.1 se discute la manera con que se
trabajará este parámetro en las simulaciones.
 Aceleración Máxima (gap crítico y tiempo de seguimiento): a mayor
aceleración máxima, los vehículos recorren la distancia al punto de colisión
en un menor tiempo, generando menores gaps críticos. A su vez, la
aceleración máxima tiene influencia sobre el tiempo de seguimiento, pues el
movimiento de los vehículos se rige por el modelo de seguimiento vehicular,
el cual determina la posición de los vehículos utilizando como parámetro la
aceleración máxima. Sin embargo, su influencia no es tan significativa como
en el gap crítico, pues las restricciones de espacio en presencia de colas
limitan la tasa de aceleración.
 Distancia Mínima entre Vehículos (tiempo de seguimiento): a mayor
distancia entre vehículos, mayor es el intervalo de tiempo entre los
vehículos. Por consiguiente, el tiempo de seguimiento aumenta.
 Tiempo de Reacción en Parada (tiempo de seguimiento): este parámetro
determina el tiempo que les toma a los vehículos en cola reaccionar ante
cambios de velocidad del vehículo predecesor. Por consiguiente, a mayor
tiempo de reacción en parada, mayor es el tiempo de seguimiento.
 Desaceleración Normal (tiempo de seguimiento): vehículos con mayores
tasas de desaceleración requieren menos tiempo para el proceso de frenado
en la línea de detención, lo que les permite adquirir mayores velocidades al
moverse en la cola. Esto quiere decir que, a mayor tasa de desaceleración
normal, menores tiempos de seguimiento.
 Visibilidad (tiempo de seguimiento): variable de gran relevancia, pues para
mayores visibilidades, los vehículos pueden decidir su inserción con mayor
81
anticipación y velocidad inicial en presencia de un disco ceda el paso. Este

parámetro no aplica para movimientos controlados por discos pare. Por lo
tanto, a mayor visibilidad, menor tiempo de seguimiento.
 Yellow box (tiempo de seguimiento): una intersección con yellow box indica
que un vehículo no puede ingresar si es que otro vehículo ya está en ella.
Esta condición no es estricta, pues existe un parámetro propio de cada arco
llamado “velocidad de yellow box” que regula los ingresos a la intersección.
Este parámetro prohíbe el ingreso de un vehículo, si es que el vehículo que
está utilizando la intersección circula a una velocidad menor a la velocidad
de yellow box. Por consiguiente, a velocidades de yellow box altas,
disminuye el tiempo de seguimiento.
d) Supuestos
Para la realización de los experimentos de microsimulación en AIMSUN NG, es

necesario postular un conjunto de supuestos, los cuales buscan que los resultados
de los modelos de capacidad sean comparables entre ellos. Estos supuestos surgen
a partir del proceso de homologación de parámetros y de los supuestos propios de
los modelos de capacidad analizados, y se resumen a continuación:
 Parámetros determinísticos: como los modelos evaluados asumen
consistencia y homogeneidad, todos los vehículos deben contar con el
mismo gap crítico y tiempo de seguimiento. Esto se logra asumiendo que
todos los vehículos son iguales. Sin embargo, para aquellos movimientos en
los que no se tenga que calcular la capacidad, se utilizarán los parámetros
obtenidos en las calibraciones hechas por Velasco (2004) (ver Tabla 4-4).
 Llegadas generadas por distribución exponencial negativa: Se asumirá una
distribución exponencial negativa de headways para generar las llegadas
prioritarias y no prioritarias.
 Paso de simulación bajo: Para obtener distintos valores de gap crítico y
tiempo de seguimiento, es necesario calibrar los valores del tiempo de
82
reacción y el tiempo de reacción en parada para cada movimiento. Sin

embargo, AIMSUN NG limita los valores de estos parámetros a través de las
siguientes restricciones:
o El tiempo de reacción debe ser un múltiplo entero del paso de
simulación.
o El tiempo de reacción en parada debe ser mayor o igual al tiempo
de reacción.
o El paso de simulación está acotado a valores entre 0,1 y 1 segundo.
A partir de las restricciones anteriormente expuestas, y con el propósito de
determinar valores razonables para los parámetros de AIMSUN NG en el proceso
de homologación del gap crítico y tiempo de seguimiento, se debe tener alguna
flexibilidad sobre los valores del tiempo de reacción y el tiempo de reacción en
parada. Para obtener tal flexibilidad se requiere fijar un paso de simulación bajo,
por lo que se empleó un paso de 0,4 segundos.
 Ceda el Paso y Visibilidad Baja: al simular la intersección como un disco
pare, no se puede obtener tiempos de seguimiento bajos, como, por ejemplo,
un tiempo de seguimiento de 2 segundos para el movimiento 4 (ver Tabla 4-
3). Esto se debe a que el proceso de detención en la línea de parada es muy
restrictivo. Por lo tanto, la alternativa es utilizar un disco ceda el paso. El
problema está en que el modelo de homologación del gap crítico exige, en
estricto rigor, la presencia de un disco pare. Luego, para no tener
desviaciones muy significativas en la estimación del gap crítico, es necesaria
la utilización de una distancia de visibilidad lo más pequeña posible, para
que el disco ceda el paso se asemeje lo más posible a un disco pare.
Un aspecto que se deberá tener presente es que se observó que para distancias
mínimas entre vehículos mayores a la distancia de visibilidad, AIMSUN NG no
permite el ingreso de vehículos. Por consiguiente, la distancia mínima entre
vehículos se presenta como una cota mínima para la visibilidad al momento de
calibrar.
83
 Estimación del Gap crítico: El gap crítico se calcula por medio de la

expresión 4–1. Sin embargo, este modelo requiere contar con la distancia al
punto de colisión, y el ancho y largo de los vehículos. Luego, para evaluar el
gap crítico de movimientos que ceden prioridad a más de un movimiento, la
distancia varía según el movimiento al cual pertenezca el próximo vehículo
en llegar a la intersección. Para solucionar este inconveniente, se asume que
la distancia al punto de colisión viene dada por el promedio ponderado de
las distancias por el nivel de flujo de cada movimiento. Asimismo, es
necesario asumir que el ancho y largo de los vehículos de los movimientos
prioritarios deben ser iguales entre movimientos.
Tabla 4-4: Valores de Parámetros según Velasco (2004)
Parámetro Valores Iniciales Media Desv. Max Mín

Largo (4,00; 0,00; 4,00; 4,00) 4,32 0,31 4,98 3,73
Ancho (2,00; 0,00; 2,00; 2,00) 1,70 0,04 1,82 1,61
Aceptación de límite de velocidad (1,00; 0,00; 1,00; 1,00) 1,00 0,16 1,5 0,61
Velocidad máxima deseada (100; 20; 150; 80) 110 20 150 80
Distancia mínima entre vehículos (1,00; 0,00; 1,00; 1,00) 1,73 0,67 4,45 0,46
Desaceleración normal (4,00; 0,00; 4,00; 4,00) 3,20 0,23 4,00 2,50
Máxima aceleración (2,80; 0,00; 2,80; 2,80) 2,57 0,70 5,80 1,36
Tiempo de reacción (TR) 0,75 0,9
Tiempo de reacción en parada (TRS) 1,00 1,10
Fuente: (Velasco, 2004)
 Capacidad Potencial: Todos los modelos de capacidad requieren la

capacidad potencial del movimiento como input (ver sección 2.4). Sin
embargo, los procesos de llegadas en AIMSUN NG no vienen dados
estrictamente por una distribución exponencial, pues los headways de
ingreso a la red están acotados a una distancia mínima de seguridad,
84
asociada a poder realizar maniobras de frenado de emergencia y que se

respete las restricciones de distancia mínima entre vehículos. Luego, para
headways que generen distancias menores a la mínima mencionada, el
ingreso se pospone hasta generar la condición mínima de seguridad. Por
consiguiente, todos los vehículos con headways menores a este valor
mínimo, son ingresados al sistema con el mínimo headway de seguridad
posible. Esta condición genera una distribución de headways que acumula
valores en un headway mínimo de seguridad.
Figura 4–2: Diferencias en Simulación de Capacidad Potencial
Luego, esta diferencia en las distribuciones de headways hace que la estimación de

la capacidad potencial por AIMSUN NG entregue valores distintos para cada
modelo, tal como se aprecia en la Figura 4–2.
85
Para la estimación de la capacidad potencial en la Figura 4–2, se calibraron los

parámetros de AIMSUN de forma de obtener un gap crítico de 4,5 segundos y un
tiempo de seguimiento de 3,6 segundos, para un movimiento 8 que cede prioridad
a los movimientos 2 y 5. En la Figura 4–2, cada línea corresponde a 1 hora de
operación y el flujo prioritario es la suma de los flujos de los movimientos 2 y 5,
los cuales siempre tuvieron igual tasa de llegada.
Se debe recordar que la capacidad potencial es igual la capacidad de un
movimiento, en condiciones en que los movimientos prioritarios se comportan de
manera independiente. Luego, para simular la capacidad potencial, basta con
garantizar que los movimientos prioritarios sean independientes, lo cual se cumple
al utilizar los movimientos 2 y 5 en la Figura 4–2.
AIMSUN NG no permite estimar la capacidad de manera explícita. Sin embargo,
dado que la capacidad representa el máximo número de vehículos que pueden
utilizar la intersección en un período de tiempo, ésta se puede obtener asignándole
al movimiento un flujo lo suficientemente alto, de modo que se encuentre saturado
durante todo el período de simulación, y así el número de vehículos que logran
utilizar la intersección equivaldrá a la capacidad.
4.2.4 Calibración de Parámetros
Dado que el método se sustenta en generar escenarios de análisis para cada

experimento, es necesario realizar una calibración de los parámetros de AIMSUN
NG con el propósito de replicar los valores del gap crítico y tiempo de seguimiento
que constituyen cada escenario, a partir del proceso de homologación descrito en la
sección 4.2.3.
Los valores de los parámetros vehiculares que influyen en el proceso de
calibración pueden generar más de una combinación satisfactoria en la
homologación. Luego, debió definirse un conjunto de criterios para determinar la
combinación más apropiada:
86
 Cotas para los parámetros: los parámetros vehiculares tendrán como cotas
los valores de la Tabla 4-4, definidos por Velasco (2004).
 Baja Visibilidad: se buscará utilizar el mínimo valor para la visibilidad, de
forma de minimizar el error de estimación del gap crítico dado por la
expresión 4–1.
 Consistencia entre parámetros de un mismo experimento: la consistencia
hace referencia a que, en escenarios con, por ejemplo, igual gap crítico y
distintos tiempos de seguimiento, los parámetros asociados al primero deben
ser lo más similares posibles en ambos casos.
El proceso de calibración se realizó de manera iterativa, modificando los
parámetros que determinan el tiempo de seguimiento y el gap crítico, pero
respetando las cotas propuestas por Velasco (2004). Los resultados se aprecian en
la Tabla 4-5.
87
Tabla 4-5: Parámetros Calibrados de AIMSUN NG
Movimiento Escenario 1 Escenario 2 Escenario 3 Escenario 4

Parámetro 4 7 8 9 4 7 8 9 4 7 8 9 4 7 8 9
Punto Colisión (m) 8,4 8,5 8,7 6,1 8,4 8,5 8,7 6,1 8,4 8,5 8,7 6,1 8,4 8,5 8,7 6,1
Longitud (m) 4,3 4,3 4,3 4,3 4,3 4,3 4,3 4,3 5 5 5 5 5 5 5 5
Ancho (m) 1,7 1,7 1,7 1,7 1,7 1,7 1,7 1,7 1,7 1,7 1,7 1,7 1,7 1,7 1,7 1,7
Velocidad Máxima Deseada (m/s) 110 110 110 110 110 110 110 110 110 110 110 110 110 110 110 110
2
Aceleración Máxima (m/s ) 2,7 3,3 2,5 2,5 2,7 3,3 2,5 2,5 1,3 1,65 1,9 1,8 2,1 1,65 1,9 2,1
Deceleración Normal (m/s2) 3,2 3,2 3,2 3,6 2,9 3 2,5 2,4 4 4 4 4 3,2 3,2 2,5 2,3
Deceleración Máxima (m/s2) 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6
Aceptación de Velocidad 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Distancia Mínima entre Vehículos (m) 1,3 1,3 1,4 1,2 1,6 1,8 2 1,8 1,1 1,1 1,2 1 1,4 1,5 2 2
Tiempo de Ceda el Paso (s) 106 106 106 106 106 106 106 106 106 106 106 106 106 106 106 106
Aceptación de Guiado 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Tiempo de Reacción (s) 0,8 1,6 1,2 1,2 0,8 1,6 1,2 1,2 1,2 2,4 2 2 1,6 2,4 2 2
Tiempo de Reacción en Parada (s) 1,2 1,6 1,6 1,2 1,2 1,6 1,6 2 1,2 2,4 2 2 1,6 2,4 2 2
Paso Simulación (s) 0,4 0,4 0,4 0,4 0,4 0,4 0,4 0,4 0,4 0,4 0,4 0,4 0,4 0,4 0,4 0,4
Visibilidad (m) 7 2,5 3,5 3 3 2,5 2,5 3 8 5 4,5 4,4 5 3 3,5 3
88
4.2.5 Descripción de Experimentos de Análisis
A continuación se presenta una descripción de los experimentos realizados para el

análisis de los modelos de capacidad, los cuales utilizan el método anteriormente
descrito.
En el experimento N°1 se describe los escenarios utilizados para el estudio de los
factores de impedancia para la capacidad de movimientos de ranking 3. Por su
parte, en el experimento N°2 se presentan los escenarios para el análisis de los
factores de impedancia de la capacidad de movimientos de ranking 4.
En el experimento N°3 se presentan los escenarios de análisis para los modelos de
ajuste de capacidad de movimientos de ranking 3 y 4, asociados a la presencia de
una pista prioritaria compartida, con y sin pista exclusiva de viraje a la izquierda.
Por último, en el experimento N°4 se presentan los escenarios de análisis del
modelo de capacidad de una pista compartida prioritaria con ensanchamiento para
giros a la derecha.
En todos los experimentos propuestos, cuando se realiza el cálculo de la capacidad
de un movimiento en AIMSUN NG, éste es saturado para contar con una cola
continua que permita la medición de dicha variable.
Por su parte, los valores de gap crítico y tiempo de seguimiento utilizados en cada
escenario se encuentran en la Tabla 4-3, y los valores de los parámetros de
AIMSUN NG empleados se encuentran en la Tabla 4-5.
a) Experimento N°1: Factor de Impedancia Ranking 3
En este experimento se evalúa los modelos de los factores de impedancia para el

ajuste de la capacidad potencial de movimientos de ranking 3, asociados con la
formación de colas en movimientos de ranking 2.
En la Figura 4–3 se presenta la intersección y movimientos utilizados en AIMSUN
NG para la simulación de la capacidad. En la figura se indica el nombre y el
ranking de cada movimiento. Notar que el movimiento 2 es el único movimiento
89
de ranking 1, el movimiento 4 es el único de ranking 2 y que el movimiento 8 es el

único de ranking 3.
Recordemos que la capacidad de un movimiento de ranking 3 se calcula como el
producto entre la capacidad potencial del movimiento y el factor de impedancia
asociado al movimiento de ranking 2 prioritario.
Como ya se mencionó en el punto 4.2.3d)4.2.3d) de la sección 4.2.3, no es posible
modelar correctamente la capacidad potencial asumiendo una distribución
exponencial para las llegadas. Por consiguiente, en este experimento se optó por
simular por separado la capacidad potencial de los movimientos 4 y 8. De esta
manera, se puede utilizar la capacidad potencial dada por AIMSUN NG para
comparar los modelos para los factores de ajuste, y mantener un escenario base de
comparación entre los distintos modelos, el cual no esté distorsionado por el mal
cálculo de la capacidad potencial.
Figura 4–3: Escenario de Evaluación Factor de Impedancia Vehicular
La estimación de la capacidad potencial de los movimientos involucrados y la

capacidad del movimiento 8 se realizó de la siguiente manera:
 Capacidad del movimiento 8: el experimento fue generado con flujos para
los movimientos 2 y 4 que van desde 100 veh/hr hasta 1.000 veh/hr, en
incrementos de 100 veh/hr, cuya combinación genera una muestra de 100
90
observaciones. Además, se replicó el experimento 30 veces, para entregar un

intervalo de confianza asociado con los resultados.
 Capacidad potencial del movimiento 8: la capacidad potencial del
movimiento 8 asume que los movimientos 2 y 4 no interactúan entre ellos.
Como este caso no es posible de simular, se consideró un movimiento 5 de
cruce directo prioritario (compatible con el movimiento 2) en vez del
movimiento 4, para simular la capacidad potencial. Este supuesto es
razonable, pues la distancia al punto de colisión con el movimiento 8 es muy
similar para los movimientos 4 y 5. Incluir este supuesto introduce
distorsiones menores al momento de utilizar la ecuación 4–1 para el cálculo
del gap crítico.
 La capacidad potencial del movimiento 8 fue simulada bajo el mismo
esquema de flujos que la capacidad del movimiento 8, de forma de utilizar
con facilidad los valores para cada intervalo de simulación del experimento.
 Capacidad del movimiento 4: se simuló 20 niveles de flujo del movimiento
2 para medir la capacidad del movimiento 4. Por efectos de la aleatoriedad
de la simulación, en ocasiones no se obtenía un flujo en el movimiento 2
igual a la tasa media con que se generaron las llegadas. Esto hizo necesario
realizar una interpolación lineal entre los datos disponibles, para obtener una
estimación de la capacidad para todos los rangos de flujo propuestos
anteriormente.
Este experimento se realizó para cada uno de los cuatro escenarios determinados
por las cotas del gap crítico y tiempo de seguimiento presentados en la sección
4.2.1. En la sección 5.1.1 se presentan los principales resultados obtenidos de este
experimento.
b) Experimento N°2: Factor de Impedancia Ranking 4
En este experimento se evalúa los modelos de los factores de impedancia para el

ajuste de la capacidad potencial de movimientos de ranking 4. Específicamente, el
91
ajuste se realiza sobre la probabilidad de que se forme cola en los movimientos de

ranking 3 pertinentes. Los modelos que se analizaron son los formulados por Wu
(2001), Luttinen (2004) y Brilon & Grossmann (1991), cuyo detalle se encuentra
en el punto b) de la sección 2.4.2.
Para la evaluación de los factores de corrección de la capacidad de movimientos de
ranking 4 se utilizará una intersección en que interactúan los movimientos 2, 4, 8 y
10, como se aprecia en la Figura 4–4. Notar que el movimiento 10 corresponde al
movimiento de ranking 4 que será estudiado.
Figura 4–4: Escenario Evaluación Ajuste Capacidad Movimientos de Ranking 4
En los cuatro escenarios del experimento actual, se efectuaron las siguientes

mediciones para la estimación de las capacidades de los movimientos
involucrados:
 Capacidad del movimiento 4: se empleó los mismos valores del experimento
1.
 Capacidad potencial del movimiento 8: se simuló 100 escenarios, a partir de
combinaciones de los flujos prioritarios de los movimientos 2 y 4. En forma
análoga al experimento anterior, dado que el movimiento 4 no es
92
independiente del movimiento 2, éste fue reemplazado dicho por un

movimiento 5 de cruce directo, con lo que se pudo estimar la capacidad
potencial con dos flujos independientes distintos y, por consiguiente, con
procesos de aceptación de gaps distintos, pues emplean distintos puntos de
colisión hipotéticos.
 Capacidad potencial del movimiento 10: en este caso, el movimiento 10
interactúa con todos los demás movimientos. Luego, forzar la condición de
independencia entre movimientos de mayor prioridad para el cálculo de la
capacidad potencial, trae consigo varios problemas. Como solución se
propuso simular un escenario en el cual se asigna el flujo del movimiento 8
al movimiento 2, y el flujo del movimiento 4 a un nuevo movimiento 5. De
esta manera, se simula utilizando flujos prioritarios independientes (2 y 5), y
puntos de colisión similares a los de los movimientos excluidos. Los niveles
de flujo utilizados fueron los mismos que en el caso de la capacidad
potencial del movimiento 8.
 Capacidad del movimiento 10: cada escenario de simulación está compuesto
por 200 niveles de flujo (combinaciones de los flujos de los movimientos 2,
4 y 8), y que calzaran con los niveles de flujo utilizados en las simulaciones
de la capacidad de los movimientos 4 y 8, hechas por separado. A su vez, se
realizaron 30 réplicas de cada escenario para obtener los intervalos de
confianza asociados.
Los resultados de este experimento se presentan en la sección 5.1.2.
c) Experimento N°3: Ajuste Capacidad por Pista Prioritaria Compartida
En este experimento se analiza los modelos de ajuste a la capacidad potencial de

movimientos de ranking 3 y 4, asociado con la presencia de una pista compartida
prioritaria.
En presencia de una pista compartida prioritaria, los movimientos de cruce directo
no cuentan con prioridad absoluta para utilizar la intersección, pues deben esperar
la descarga de los vehículos que giran a la izquierda desde la misma pista. Por
93
consiguiente, se debe estimar la proporción del tiempo en que la pista prioritaria

compartida permite un proceso de aceptación de gaps en los movimientos que
ceden prioridad a esta pista.
Sin embargo, tal como se presentó en la sección c), si la pista prioritaria
compartida cuenta con una zona de uso exclusivo para el movimiento que gira a la
izquierda, pero con una capacidad limitada de almacenamiento, es necesaria una
reformulación del modelo de ajuste. El modelo desarrollado por Brilon & Wu
(2010) realiza este cambio, y considera la probabilidad de que la cola del
movimiento de giro a la izquierda sobrepase la capacidad de la pista exclusiva.
En el experimento realizado para el análisis de los modelos involucrados se emplea
una intersección en la cual interactúa un movimiento 4 de giro a la izquierda
prioritario, un movimiento 5 de cruce directo prioritario (que comparte la vía con
el movimiento 4), un movimiento 2 de cruce directo prioritario (de sentido
contrario al movimiento 5), y un movimiento 8 de cruce directo no prioritario, al
cual se le calcula la capacidad. En la Figura 4–5 se muestra la configuración de
dichos movimientos.
Para el análisis de los modelos involucrados se realizaron 2 experimentos. El
primer experimento, que denominaremos E3a, evalúa las diferencias entre los
modelos HCM2000 (Transportation Research Board, 2000) (ecuación 2–24),
German Highway Capacity Manual(FGSV, 2001) (ecuación 2–25) y Brilon (2009)
(ecuación 2–26) desarrollados para intersecciones sin pista exclusiva para giros a la
izquierda prioritarios. El segundo experimento, denominado E3b, estudia el
modelo de Wu & Brilon (2010), en el cual se incorpora la presencia de una pista
exclusiva de viraje a la izquierda para el movimiento 4, con una capacidad limitada
de almacenamiento de vehículos. Ambos experimentos utilizan los parámetros de
AIMSUN NG, definidos por el escenario número 1 de la Tabla 4-3.
94
Figura 4–5: Escenarios de Evaluación Factor Impedancia en Pista Compartida
El experimento E3a se compone de 2 escenarios, dependiendo de la configuración

de flujos en los movimientos de la intersección. A continuación, se presentan las
configuraciones para cada escenario:
 Escenario 1: El movimiento 5 con flujo de 300 veh/hr, el movimiento 2 con
flujo de 200 veh/hr y el movimiento 4 con 35 niveles de flujo, entre 0 y 1000
veh/hr, distribuidos uniformemente.
 Escenario 2: El movimiento 5 con flujo de 600 veh/hr, y los movimientos 2
y 4 con los mismos niveles que la configuración del escenario 1.
En el experimento E3b se utiliza sólo una configuración de flujos, que se describe
a continuación:
 Se utiliza una pista exclusiva para el movimiento 4, con una capacidad de
almacenamiento de 3 vehículos. Se consideró que el movimiento 5 tenía un
flujo de 200 veh/hr, el movimiento 2 de 400 veh/hr y el movimiento 4 con
los mismos niveles de flujo del experimento E3a.
En la sección 5.1.3 se presentan los resultados asociados con este experimento.
d) Experimento N°4: Capacidad Pista Compartida
Para este experimento se evaluó el ajuste de los modelos de estimación de la

capacidad de una pista compartida en presencia de pistas de viraje exclusivo. El
95
modelo evaluado es el propuesto por Wu (1997), como se mencionó ya en la

sección 3.1.5.
A modo de clarificar el efecto que tiene la consideración del modelo de Wu (1997),
se comparará con la capacidad que se obtendría en ausencia de ensanchamiento,
utilizando para esto la formulación desarrollada por Harders (1968).
Se optó por un escenario como el de la Figura 4–6, en el que interactúan un
movimiento de cruce directo y uno de giro a la derecha (movimientos 8 y 9,
respectivamente). Se empleó esta configuración pues los ensanchamientos más
comunes son para movimientos de giro a la derecha.
Figura 4–6: Escenarios Evaluación Modelo de Capacidad en Pista Compartida
El experimento realizado se compone de 3 escenarios, cuyas configuraciones de

flujos se detallan a continuación:
 Escenario 1: Se consideró que un movimiento 8 con 300 veh/hr y un
movimiento 9 con 1000 veh/hr. Además, se empleó los parámetros bajos de
tiempo de seguimiento y gap crítico, correspondientes al escenario 1 de la
Tabla 4-3.
96
 Escenario 2: Se consideró un movimiento 8 con 1000 veh/hr y un

movimiento 9 con 200 veh/hr. Además, los parámetros de seguimiento y gap
crítico son los mismos del escenario 1.
 Escenario 3: Se utilizó la misma configuración de flujos del escenario 1, y se
empleó los parámetros altos de tiempo de seguimiento y gap crítico para el
movimiento 9 y los valores bajos para los parámetros del movimiento 8,
asociados con los escenarios 4 y 1 de la Tabla 4-3, respectivamente.
Para los tres escenarios se ocupó un ensanchamiento con capacidad para 2
vehículos, y se generó 20 niveles para el flujo prioritario del movimiento 2, desde
50 hasta 1050 veh/hr, en intervalo de 50 veh/hr.
Como los input del modelo son los grados de saturación y flujos de cada uno de los
movimientos en la pista compartida, se simuló por separado la capacidad de cada
movimiento para los 20 niveles de flujo prioritario. Además, se realizó una
interpolación lineal de la capacidad de los movimientos 8 y 9 para que éstas
coincidieran exactamente con los niveles del flujo del movimiento 2 utilizados en
los escenarios descritos.
Los resultados del experimento se describen en la sección 5.1.4.
4.2.6 Limitaciones y Fortalezas
En las secciones anteriores se presentó el método de análisis de los modelos de

capacidad, y los experimentos propuestos para realizar dicho estudio. A
continuación, se presenta una breve discusión que resalta las fortalezas y
limitaciones del método, a la luz de los objetivos de esta tesis.
Las principales limitaciones son:
 No se utilizan escenarios de comparación que consideren explícitamente las
características propias del real funcionamiento de una intersección
prioritaria en Chile.
 El proceso de homologación requiere modelar las intersecciones
considerando a todos los vehículos iguales.
97
 Los parámetros de AIMSUN NG son calibrados, pero los valores obtenidos

no tienen asidero teórico, más allá de que se encuentran dentro de las cotas
propuestas en la calibración de Velasco (2004).
 Las cotas utilizadas para el gap crítico y el tiempo de seguimiento no son
obtenidas a partir de calibraciones realizadas en Chile.
 Para realizar los análisis, la capacidad potencial de los movimientos requiere
ser simulada por separado y no calculada por los modelos pertinentes.
A pesar de las anteriores limitaciones mencionadas, el método es avalado por las
siguientes fortalezas:
 Un análisis de una intersección prioritaria basado en datos reales, no es
referencia suficiente para avalar un modelo frente a otro. Esto se debe a que
los modelos tienen distintos comportamientos según el escenario en que son
evaluados. De esta manera, la flexibilidad del método desarrollado es
bastante útil a la hora de realizar con facilidad un análisis para variados
escenarios de operación de la intersección.
 Por medio del método desarrollado, es posible generar un escenario de
comparación que elimine distorsiones que no son consideradas por los
modelos, como variabilidad en el comportamiento vehicular y en el tipo de
vehículos, distribuciones de llegadas, uso de pistas, existencia de vehículos
estacionados en las vías, adelantamientos, etc. De esta forma, se puede
obtener un punto de comparación que se concentre específicamente en el
fenómeno que se desea analizar.
4.3 Método de Análisis de Modelos de Demora
El propósito del análisis de los modelos de demora es el estudio de la

incongruencia conceptual en el desarrollo del modelo para el tiempo de espera en
cola promedio de Brilon (2008). Además, para los modelos planteados (ecuaciones
4–10 y 4–11), los cuales resuelvan la problemática planteada, se busca determinar
la transformación coordinada que mejor represente el tiempo de espera promedio
98
en el sistema para todo rango de saturación en el movimiento. El problema del

modelo de Brilon (2008) tiene relación con la manera en que se considera la cola
inicial en los modelos de tiempo de espera, específicamente el número de
vehículos expuestos a éste en condiciones de sobresaturación, conocida como
demora determinística.
Es importante recalcar nuevamente que, en esta tesis, la demora se calcula como la
suma del tiempo de espera promedio en el sistema y la demora por aceleración,
menos el tiempo de seguimiento. Al obviar estas dos últimas componentes, las
cuales son independientes del nivel de saturación, el tiempo de espera promedio en
el sistema es la componente que determina la forma de la curva de la demora en
función del grado de saturación del movimiento. Luego, en el análisis realizado, el
foco es la modelación del tiempo de espera en cola (se extrae el tiempo de servicio
de la ecuación, ver sección 2.5.1) y no la demora en sí misma.
El método seleccionado para el análisis del tiempo de espera está basado en la
modelación del proceso de descarga de un movimiento en la intersección por
medio de una cadena de Markov. Esta metodología es utilizada en sus análisis por
Luttinen (2004), el cual sostiene que resultados exactos para la demora promedio
en un sistema de colas dependiente del tiempo, solamente pueden ser obtenidos por
métodos numéricos en la forma de una cadena de Markov.
A continuación, se presenta en detalle el método de análisis basado en una cadena
de Markov, y luego se detalla el experimento realizado utilizando este método.
4.3.1 Cadena de Markov
A continuación, se describe la metodología utilizada para la estimación del tiempo

de espera en cola, basada en una cadena de Markov.
El modelo de tiempo de espera en cola de Brilon (2008), que será estudiado en el
experimento 5, se sustenta en la descripción del proceso de descarga de un
movimiento por medio de un sistema de colas tipo M/M/1. Luego, para representar
99
el mismo sistema de colas con una cadena de Markov se empleará una distribución
Poisson para las llegadas y para la distribución de los tiempos de servicio.
Si se considera un sistema M/M/1 en que las llegadas y la tasa de servicio
distribuyen Poisson, entonces la probabilidad de que ocurran llegadas en el
instante , y la probabilidad de que ocurran salidas en el instante vienen
dadas por:
(4-2)
donde es el flujo (veh/min), es la capacidad (veh/min), es la duración

del intervalo de tiempo (min). Se consideró un período de duración en el que se
observan las llegadas de vehículos.
Luego, la cola se puede modelar como un proceso de Markov, basándose en la
probabilidad de que el estado de la cola (que viene dado por el número de
vehículos en ella) cambie, dependiendo de las llegadas y salidas de vehículos de la
cola. De esta manera, la matriz de transición de estados producto de las llegadas
viene dada por:
(4-3)
Por su parte, si se analiza la transición entre los diferentes estados del sistema en
base a las salidas de vehículos, se obtiene la matriz de transición :
(4-4)
Luego, la matriz general de transición del sistema viene dada por la

combinación de los efectos de y , como sigue:
100
(4-5)
donde el elemento de la matriz representa la probabilidad de que el
número de vehículos en la cola cambie de a en el intervalo .
Para utilizar esta metodología en la práctica, es necesario darle dimensiones a la
matriz de transición . De esta forma, se debe definir un número máximo de
elementos en el sistema (o de vehículos en la cola), el cual debe ser
significativamente mayor que el largo máximo de la cola, o una cantidad con baja
probabilidad de ser observada.
El estado inicial del sistema, es decir, el número de vehículos en la cola inicial,
estará descrito por un vector de probabilidades , cuya componente asociada a
este número de vehículos será 1, y el resto de las probabilidades será 0.
Luego, para calcular la probabilidad de que en el período el
sistema se encuentre en el estado se debe utilizar la siguiente expresión:
(4-6)
El número promedio de vehículos en el sistema, utilizado luego para calcular el

tiempo de espera promedio en cola, viene dado por:
(4-7)
La fórmula propuesta para permite calcular dinámicamente y con exactitud el

número promedio de vehículos en el sistema. Luego, tal como en el caso de un
sistema determinístico, el área bajo la curva de es la suma de los tiempos de
espera en cola. Para el caso de demandas y capacidades constantes en cada período
, el tiempo de espera total en el sistema viene dado por:
(4-8)
donde es el número del intervalo final, que se calcula como .

101
De esta manera, el tiempo promedio de espera en el sistema por vehículo , puede

ser calculado como:
(4-9)
Se debe recordar que la formulación propuesta por Brilon (2009) estudia el tiempo
de espera en cola promedio asociado con los vehículos que llegan durante el
período de duración (excluyendo los vehículos de la cola inicial del período),
considerando el tiempo necesario hasta que se el último vehículo en llegar durante
abandone el sistema. Luego, para reflejar correctamente este fenómeno
empleando la cadena de Markov se debe realizar una modificación a la
metodología.
Dentro de los cambios necesarios se debe excluir el tiempo de espera de los
vehículos en la cola inicial, y agregar el tiempo de espera asociado a la descarga de
la cola remanente del período de duración , asumiendo que no se producen más
llegadas no prioritarias al sistema tras el instante .
4.3.2 Experimento N°5: Función Coordinada
El análisis de la función coordinada se realizará comparando con los resultados del

modelo propuesto por Brilon(2008), en cuyo trabajo ya se realizó un estudio de
distintas transformaciones. Como ya se mencionó en la sección 2.5.4, el modelo de
Brilon está basado en un tiempo de espera determinístico, dado por el área del
polígono ABCE de la Figura 4–7, y una transformación coordinada A3.
En la comparación, los resultados de este modelo son contrastados con los
entregados por:
 Un tiempo de espera en estado estacionario dado por un modelo M/M/1.
 Un tiempo de espera determinístico calculado como el área BCEG de la
Figura 4–7.
 Las transformaciones A2 y A3 (ver sección 2.5.4), es decir, la
transformación coordinada basada en una relación multiplicativa de grados
102
de saturación y una basada en una relación aditiva de las capacidades de

reserva, respectivamente.
No se considera la transformación A1, pues no permite una formulación coherente
del tiempo de espera en cola (Brilon W. , 2008).
Figura 4–7: Tiempo de Espera Determinístico de Modelos Evaluados
Para simplificar la formulación del tiempo de espera promedio en el sistema se

consideró que la capacidad no varía entre períodos (es decir, ), y que
el flujo en el período de análisis es . De esta manera, el área BCEG
corresponde a un trapecio con bases dadas por los tiempos y de la Figura 4–
7. El tiempo corresponde al tiempo que tarda en disiparse la cola inicial del
período, y es el tiempo que tarda en salir el último vehículo que ingresó durante
el período de duración . Este mismo supuesto es utilizado en las estimaciones del
modelo de Brilon (2008).
Se debe recordar que el modelo propuesto por Brilon (2008) presenta una
incongruencia en el cálculo del tiempo de espera en cola promedio, pues utiliza un
área representativa del tiempo de espera total que no se condice con el número de
103
vehículos expuestos a dicho tiempo de espera. De esta forma, es necesario derivar

unas expresiones que se hagan cargo de dicho problema, y que utilicen las
transformaciones A2 y A3 mencionadas previamente.
Al emplear el área BCEG de la Figura 4–7 se asume que existe un total de
vehículos expuestos al sistema de colas, y utilizando el supuesto de capacidad
constante entre períodos se obtienen las expresiones propuestas para el tiempo
de espera en cola promedio, cuyas derivaciones detalladas se encuentran en el
Anexo F.
(4-10)
(4-11)
Las variables que determinan el tiempo de espera en una cadena de Markov son el
flujo, la capacidad, el tamaño de la cola inicial en el movimiento y la duración
del período en que se producen las llegadas de vehículos. Luego, los escenarios de
análisis de los modelos se determinan a partir de combinaciones de dichos
parámetros. En este caso, se emplearon las siguientes combinaciones:
 Flujo: de 0 a 1200 veh/hr, en intervalos de 1 veh/hr
 Capacidad: de 200 a 800 veh/hr, en intervalos de 200 veh/hr
 Cola inicial: de 0 a 30 vehículos, en intervalos de 5 vehículos
A partir de las combinaciones de los valores de cada parámetro se generan todos
los escenarios y una curva para el tiempo de espera en cola en todo rango de
saturación. En la sección 5.2 se presentan los principales resultados de este
experimento.
104
5. RESULTADOS DEL ANÁLISIS DE MODELOS
En este capítulo se presentan los resultados del análisis comparativo de los modelos de
capacidad y demora, el cual permite dar luz a un modelo general para intersecciones
prioritarias, alineado con los objetivos de la tesis. Los resultados asociados con los
modelos de capacidad se detallan en la sección 5.1 y lo relacionado con los modelos de
demora en la sección 5.2.
El análisis de los modelos de capacidad y demora se realiza de manera distinta. Los
modelos de capacidad son comparados en base a estimaciones obtenidas por medio de la
microsimulación en AIMSUN NG y utilizando la metodología presentada en la sección
4.2. Por su parte, los modelos de demora son estudiados en base la estimación de la
demora por medio de un proceso de Markov, tal como se describió en la sección 4.3.
5.1 Modelos de Capacidad
En esta sección se presentan los experimentos realizados para el análisis de los

modelos de capacidad. Cada uno de estos experimentos, presentados en la sección
4.2.5, se realizó comparando el ajuste de los modelos con los datos obtenidos por
medio de la microsimulación en AIMSUN NG, empleando la metodología
presentada en la sección 4.2.
En la sección 5.1.1 se presentan los principales resultados del experimento N°1, en
el cual se analizan los modelos de HCM2000 (Transportation Research Board,
2000) y Luttinen (2004) para la modelación del factor de impedancia de la
capacidad potencial de movimientos de ranking 3.
En la sección 5.1.2 se entregan los resultados del experimento N°2, en el cual se
analizan los modelos de Wu (2001), Luttinen (2004) y Brilon & Grossmann
(1991), orientados a la modelación del factor de impedancia de la capacidad
potencial de movimientos de ranking 4.
Luego, en la sección 5.1.3 se indican los resultados asociados al experimento N°3,
donde se analizan los modelos de HCM2000 (Transportation Research Board,
105
2000), Harders (1968) y Brilon (2009), los cuales modelan el efecto de pistas
prioritarias compartidas sin ensanchamiento sobre los modelos de capacidad de
movimientos de ranking 3 y 4. Además, se analiza el modelo de Wu & Brilon
(2010), el cual se utiliza en caso de contar con un ensanchamiento con capacidad
limitada de almacenamiento en la pista prioritaria compartida.
Por último, en la sección 5.1.4 se presentan los resultados del experimento N°4, en
el cual se analiza el modelo de Wu (1997) para la estimación de la capacidad de
una pista compartida.
5.1.1 Resultados Experimento N°1
En este experimento se realizó un análisis de los modelos para el cálculo del factor
de impedancia en la estimación de la capacidad de movimientos de ranking 3.
Específicamente, se analizan las formulaciones de HCM2000 (Transportation
Research Board, 2000) y de Luttinen (2004).
El experimento es realizado por medio de la metodología desarrollada en la
sección 4.2.5, la cual está basada en el cálculo de la capacidad utilizando AIMSUN
NG. El movimiento de ranking 3 considerado es el cruce directo no prioritario
(movimiento 8), en una intersección en que interactúa un movimiento de cruce
directo prioritario (movimiento 2) y un giro a la izquierda prioritario (movimiento
4).
El experimento consta de cuatro escenarios de simulación determinados por los
parámetros de gap crítico y tiempo de seguimiento utilizados para los movimientos
4 y 8, cuyos valores vienen dados en la Tabla 4-3.
El escenario (1) está constituido por bajos tiempos de seguimiento y gap crítico en
los movimientos 2 y 8. El escenario (2) tiene un mismo gap crítico que el escenario
(1), pero mayor tiempo de seguimiento. El escenario (3) tiene el mismo tiempo de
seguimiento que el escenario (1) pero mayor gap crítico. Y por último, el escenario
(4) tiene gap crítico igual al escenario (3) e igual tiempo de seguimiento que el
escenario (2).
106
Primero que todo, en la Figura 5–1 se presenta el resultado de la simulación de la

capacidad del movimiento 4 y la capacidad potencial del movimiento 8 para el
escenario N°1. Ambas estimaciones fueron utilizadas para estimar la capacidad del
movimiento 8, utilizando los modelos de Wu (2001) y Luttinen (2004), tal como se
especificó en la descripción del experimento en el punto i.- de la sección 4.2.5.
Se puede apreciar que la diferencia en ambas capacidades refleja el hecho que el
movimiento 8 tiene mayores dificultades que el movimiento 4 para utilizar la
intersección, asociadas a un mayor gap crítico y tiempo de seguimiento (5 y 3
segundos, respectivamente). Es decir, a medida que el flujo conflictivo del
movimiento 8 disminuye, correspondiente al flujo del movimiento 2, la capacidad
se acerca cada vez más al inverso del tiempo de seguimiento (1.200 veh/hr). En
cambio, el movimiento 4 tiene un tiempo de seguimiento igual a 2 segundos, lo
que entrega un flujo de saturación de 1.800 veh/hr, valor al cual tiende la curva
cuando el el flujo conflictivo se acerca a cero.
Figura 5–1: Estimación de Capacidad y Capacidad Potencial – Experimento N°1

107
En términos generales, se puede concluir que la metodología planteada para

realizar la simulación de cada escenario entrega resultados concordantes con lo
esperado, en cuanto a que permite reflejar correctamente el efecto de los cambios
esperados en la simulación de la capacidad ante distintos valores del gap crítico y
el tiempo de seguimiento. Es decir, se pudo observar que para los escenarios con
gaps críticos bajos se obtuvo capacidades menores con AIMSUN NG, y cuando
los tiempos de seguimiento son bajos las capacidades para flujos conflictivos bajos
se aproximan al flujo de saturación.
En la Figura 5–2 se presenta el resultado de los cuatro escenarios que conforman el
experimento. En esta figura se grafica la dispersión de la capacidad simulada en
relación con la capacidad estimada por los modelos para cada uno de los
escenarios.
Tabla 5-1: Ajuste Modelos Experimento N°1
Error Error Promedio

Error
Escenario Modelo Promedio Absoluto
Promedio
Absoluto Porcentual
HCM2000 -2 12 19%
1
Luttinen 25 28 40%
HCM2000 1 16 40%
2
Luttinen 20 25 68%
HCM2000 -23 23 68%
3
Luttinen -11 16 62%
HCM2000 -1 6 18%
4
Luttinen 6 8 24%
108
(1) (2)
(3) (4)
Figura 5–2: Dispersión en la estimación de Capacidad – Experimento N°1
En la Tabla 5-1 se presenta el error promedio, promedio absoluto y promedio

absoluto porcentual de ambos modelos evaluados, para los cuatro escenarios
109
simulados. Los errores son calculados como la resta entre la capacidad estimada
por los modelos y la capacidad obtenida por AIMSUN NG.
A nivel general, se puede apreciar en la Tabla 5-1 que en los escenarios de menor
gap crítico (1 y 2) el modelo HCM2000 entrega menores errores que el modelo de
Luttinen, para todas las medidas de error empleadas. En cambio, para escenarios
con mayor gap crítico (3 y 4) las diferencias entre los modelos no son tan claras.
En términos del error promedio absoluto para los cuatro escenarios, el modelo
HCM2000 entregó mejor ajuste que el modelo de Luttinen. De la Tabla 5-1 se
puede extraer que el error promedio absoluto para el modelo HCM2000 es de 15
veh/hr. En cambio, el modelo de Luttinen entregó un error promedio absoluto de
19 veh/hr, aproximadamente.
Por otro lado, en cuanto al tipo de sesgo de los modelos, reflejado en el signo del
error, fue posible verificar el postulado de Luttinen (2004) con los resultados del
experimento. Esta premisa sostiene que el factor de impedancia del modelo
HCM2000 dado por el grado de saturación del movimiento de ranking 2,
sobrestima la impedancia y entrega subestimaciones de la capacidad, como se
puede apreciar en la Figura 5–2Figura 5–2.
El análisis de los escenarios en términos de un error promedio absoluto porcentual
no entrega suficiente claridad respecto al verdadero nivel de ajuste de los modelos.
Esto se debe a que para estimaciones bajas de la capacidad los errores porcentuales
se magnifican pues diferencias de pequeñas magnitudes se traducen en una alta
diferencia en términos porcentuales.
Esto se puede apreciar con claridad en la Tabla 5-2, donde se presenta la dispersión
de los errores en el escenario (1) para distintos intervalos de estimación de la
capacidad. Por ejemplo, si consideramos estimaciones de la capacidad menores a
100 veh/hr, el error promedio porcentual absoluto es de 26,2% para el modelo de
HCM2000 y 52,1% para el de Luttinen. A medida que las capacidades son más
altas, el error promedio absoluto porcentual disminuye progresivamente
110
obteniéndose 3,5% para HCM2000 y 2,1% para Luttinen al considerar capacidades

entre 700 y 800 veh/hr.
A su vez, en la Tabla 5-2 se puede observar que el modelo de HCM2000 entrega
estimaciones menores a la capacidad simulada en AIMSUN NG, mientras que con
el modelo de Luttinen se obtienen estimaciones mayores.
Tabla 5-2: Distribución de errores Experimento N°1 – Escenario (1)
Error Promedio
Error Promedio
Absoluto Porcentual
Capacidad (veh/hr) HCM2000 Luttinen HCM2000 Luttinen
0 100 4,8 14,6 26,2% 52,1%
100 200 7,2 51,6 11,2% 36,7%
200 300 -7,9 45,0 3,8% 20,2%
300 400 -24,6 28,1 7,6% 13,4%
400 500 -25,1 36,3 5,9% 8,8%
500 600 -12,1 52,1 2,3% 9,4%
600 700 -23,2 33,5 3,5% 5,0%
700 800 -25,3 15,2 3,5% 2,1%
800 -138,8 -88,7 14,3% 9,2%
Para rangos de capacidad superiores a 400 veh/hr, los modelos HCM2000 y

Luttinen entregan buenas estimaciones de la capacidad en los cuatro escenarios,
con errores promedios absolutos de 6% y 7%, respectivamente.
Tanto la distribución de errores porcentuales promedio como la subestimación y
sobreestimación de la capacidad por parte de los modelos HCM2000 y Luttinen,
respectivamente, son resultados transversales en los cuatro escenarios realizados.
Esto se puede observar con claridad en la Figura 5–2. Recordar que los puntos bajo
la recta que se aprecia en las figuras de cada escenario, corresponden a
subestimaciones de la capacidad. Por su parte, los puntos que estén sobre dicha
recta son sobreestimaciones de la misma variable.
111
A partir de los resultados anteriores, se puede concluir, en primer lugar, que los
valores obtenidos no son lo suficientemente elocuentes como para seleccionar un
modelo por sobre otro. Esto se debe a que el mejor ajuste no era siempre de un
mismo modelo, pues éste variaba con los distintos niveles de capacidad simulados.
Además, se puede sostener que el modelo de Luttinen (2004) entrega mejores
estimaciones de la capacidad, para valores altos de esta variable, y en los distintos
escenarios de operación simulados.
En base a lo anterior, se selecciona este último modelo para realizar las
estimaciones de los factores de impedancia de movimientos de ranking 3, dado que
entrega buenos resultados en un rango amplio de capacidad del movimiento no
prioritario.
El experimento consistió en evaluar la estimación del factor de impedancia para la

estimación de la capacidad de movimientos de ranking 4, respecto al efecto de
movimientos de ranking 3. Específicamente, se analizan los modelos de Wu
(2001), Luttinen (2004) y Brilon & Grossmann (1991).
Se realizó un análisis en base a la comparación de las estimaciones de los modelos,
con las estimaciones simuladas por AIMSUN NG. En términos generales, se
simula la capacidad de un movimiento de giro a la izquierda no prioritario de
ranking 4 (movimiento 10), que interactúa con un movimiento de cruce directo no
prioritario de ranking 3 (movimiento 8), un movimiento de giro a la izquierda
prioritario de ranking 2 (movimiento 4) y un movimiento de cruce directo
prioritario de ranking 1 (movimiento 2).
112
(1) (2)
(3) (4)
Figura 5–3: Dispersión en la estimación de Capacidad – Experimento N°2
El experimento consta de cuatro escenarios de análisis, definidos a partir de los

parámetros de gap crítico y tiempo de seguimiento de la Tabla 4-3, en la cual
también están numerados dichos escenarios. Los principales resultados se observan
113
en la Figura 5–3, donde se grafica la estimación de cada modelo en relación con la

capacidad generada por medio de AIMSUN NG.
Tabla 5-3: Ajuste Modelos Experimento N°2
Error Escenario Luttinen Wu Brilon

1 18 -11 9
2 9 -12 5
Promedio 3 21 7 15
4 1 -10 0
Total 12 -7 7
1 40 20 21
2 37 22 20
Promedio
3 35 23 28
Absoluto
4 22 13 13
Total 34 19 21
1 32% 25% 18%
Promedio 2 43% 36% 25%
Absoluto 3 58% 47% 53%
Porcentual 4 50% 42% 32%
Total 46% 38% 32%
En la Tabla 5-3 se presentan de forma resumida los resultados obtenidos para cada
escenario y modelo, medidos en función del error promedio, promedio absoluto y
promedio absoluto porcentual.
A partir de los resultados expuestos en la Tabla 5-3, se observa que existe una
diferencia significativa en términos porcentuales entre la capacidad estimada por
los modelos y la simulada con AIMSUN NG. Considerando el promedio de los
errores porcentuales absolutos entre los cuatro escenarios, el modelo de Luttinen
tiene un error de 46%, el de Wu un error de 38% y el de Brilon un error de 32%.
Sin embargo, la magnitud de estos valores no refleja correctamente el nivel de
114
ajuste de los modelos, pues al analizar la distribución de estos errores, se puede

observar que pequeñas diferencias en los errores se magnifican en términos
porcentuales para niveles bajos de capacidad.
En la Tabla 5-4 se presenta la distribución de los errores para el escenario (1). Los
resultados para los otros tres escenarios fueron similares en términos de la
distribución de los errores utilizados.
Se puede observar que para niveles de capacidad menores a 100 veh/hr, el modelo
de Luttinen tiene un error promedio absoluto porcentual de 40%, el modelo de Wu
un 43% y el modelo de Brilon un 23,7%. En cambio, si se considera niveles de
capacidad entre 500 y 600 veh/hr el modelo de Luttinen entrega un 18,5%, el
modelo de Wu un 3,2% y el modelo de Brilon un 7,7%, para la misma medida de
error.
Si analizamos el sesgo de los errores, reflejado en el signo de los valores
obtenidos, se puede observar que, para capacidades mayores a 100 veh/hr, los tres
modelos entregan estimaciones de la capacidad superiores a las obtenidas por la
simulación.
De la Tabla 5-3, utilizando como indicador el error promedio absoluto porcentual,
el modelo empírico de Brilon & Grossmann fue el que presentó un mejor ajuste en
los cuatro escenarios de simulación y para todo rango de sobresaturación, con un
32%. Luego, el modelo de Wu entregó un 38% y, por último, el modelo de
Luttinen un 46% de la misma medida de error.
Por otro lado, al emplear como indicador el error promedio absoluto, el modelo de
Wu es el que entrega un mejor ajuste, con un error promedio de 19 veh/hr, seguido
del modelo de Brilon con 21 veh/hr y, por último, el modelo de Luttinen con 34
veh/hr.
Se puede apreciar que el modelo de Luttinen presenta una tendencia a sobrestimar
la capacidad, con un error promedio de 12 veh/hr. Esta tendencia también se
observó en el modelo de Brilon & Grossmann, pero en menor magnitud, con un
error medio de 7 veh/hr. Por su parte, el modelo de Wu presentó estimaciones en
115
promedio más bajas que las simuladas, con un error promedio de –7 veh/hr,
indicando una leve tendencia a subestimar la capacidad simulada.
Tabla 5-4: Distribución Errores Experimento N°2 - Escenario (1)
Error Promedio
Error Promedio
Absoluto Porcentual
Capacidad Brilon & Brilon &
Luttinen Wu Luttinen Wu
(veh/hr) Grossmann Grossmann
0 – 100 -21,2 -24,63 -10,1 40,6% 43,2% 23,7%
100 200 27,3 -6,83 17,0 20,3% 10,4% 13,1%
200 300 74,9 12,16 38,9 31,2% 7,2% 16,2%
300 400 85,9 9,19 36,0 24,9% 3,8% 10,5%
400 500 100,4 17,09 42,9 22,8% 4,0% 9,8%
500 600 99,5 17,38 41,9 18,5% 3,2% 7,7%
600 78,8 7,46 27,8 12,6% 1,2% 4,4%
Si se considera únicamente los modelos de Wu y Luttinen, se puede apreciar que

ambos modelos reflejan correctamente las tendencias que se esperan para modelos
de estimación de la capacidad bajo distintos niveles de saturación. Esto se aprecia
en el correcto ajuste de la capacidad potencial del movimiento 10, para distintos
niveles de saturación del movimiento 8, estimando capacidades por sobre los 200
veh/hr. Por consiguiente, se puede concluir que cualquiera de los dos modelos
entrega una buena aproximación en la estimación de la capacidad. Sin embargo,
para capacidades más altas el modelo de Wu entrega un mejor ajuste que el modelo
de Luttinen.
116
En este experimento se evaluaron los modelos utilizados en el ajuste de la

capacidad potencial de movimientos de ranking 3 y 4, asociado a la interacción de
movimientos prioritarios cuando éstos comparten pista.
El análisis de los modelos asociados se realiza en dos sub experimentos (E3a y
E3b), descritos en profundidad en la sección 4.2.5. Primero, en el caso E3a, se
evalúan los modelos de HCM2000 (Transportation Research Board, 2000),
Harders (1968) y Brilon (2009) para el caso en que la vía prioritaria no presenta
ensanchamiento. Para este caso se realizan dos escenarios de análisis determinados
por la configuración de flujos en la intersección. En segundo lugar, en el caso E3b,
se analiza la formulación de Wu & Brilon (2010), para el caso en que la vía
prioritaria sí presenta un ensanchamiento, el cual ofrece la posibilidad de contar
con un pista exclusiva con capacidad limitada de almacenamiento de vehículos que
giran a la izquierda.
Tabla 5-5: Errores de estimación de E3a – Experimento N°3 (veh/hr)
Escenario (1) Escenario (2)

Error HCM2000 Harders Brilon HCM2000 Harders Brilon
Promedio 2,8 -22,5 4,97 -16,3 -54,6 -6,2
Promedio
8,6 22,5 9,3 16,3 54,6 6,2
Absoluto
Promedio
Absoluto 13,8% 22,9% 12,6% 43% 64% 21%
Porcentual
En la Tabla 5-5 se presenta un resumen de los errores de estimación de los tres

modelos evaluados en el caso A, para ambos escenarios de análisis.
117
Específicamente, se indica el error promedio, error promedio absoluto y el error

promedio absoluto porcentual de cada modelo.
(1) (2)
Figura 5–4: Capacidad Movimiento 8 – Experimento N°3 (E3a)
A partir de los resultados del experimento E3a expuestos en la Tabla 5-5se puede
apreciar que existen diferencias significativas entre el nivel de ajuste de los
modelos. En ambos escenarios el modelo de Harders (1968) entrega un error de
estimación considerablemente mayor al de los otros dos modelos, con cualquiera
de las medidas de error. Por ejemplo, en el escenario (1), el modelo de Harders
presenta un error promedio absoluto porcentual de 22,9%, mientras que los
modelos de HCM2000 (Transportation Research Board, 2000) y Brilon (2009)
entregan un 13,8% y un 12,6%, respectivamente.
118
A partir de los resultados del escenario (1), no se aprecia grandes diferencias entre
los modelos HCM2000 (Transportation Research Board, 2000) y Brilon (2009). En
este caso, HCM2000 (Transportation Research Board, 2000) presenta un error
promedio de 2,8 veh/hr y Brilon (2009) de 4,97 veh/hr. Sin embargo, en el
escenario (2) las diferencias se acentúan, y se observa que HCM2000
(Transportation Research Board, 2000) tiene un error promedio de –16,3 veh/hr y
Brilon (2009) sólo de 6,2 veh/hr.
(a) (b)
Figura 5–5: Factor de Ajuste por Pista Prioritaria Compartida (E3a)
En la Figura 5–4 se grafica la capacidad del movimiento 8 para los distintos

niveles de flujos considerados en el movimiento 4, para ambos escenarios de
análisis. Esto permite analizar el ajuste de los modelos en el rango utilizado para
los flujos prioritarios.
119
Las diferencias en las estimaciones de la capacidad del movimiento 8 en los

escenarios analizados se explican por la magnitud del flujo del movimiento 5, el
cual es un movimiento de cruce directo prioritario.
En el escenario (1) se utilizó un flujo de 300 veh/hr en el movimiento 5 y en el
escenario (2) un flujo de 600 veh/hr para el mismo movimiento. Para entender de
mejor manera la influencia de la magnitud del flujo del movimiento 5 en los
modelos en la Figura 5–5se grafica los factores ajuste de cada modelo para el caso
en que se tiene una pista prioritaria compartida entre los movimientos 4 y 5 y
distintos grados de saturación del movimiento 4. En la Figura 5–5 (a) se utilizó un
grado de saturación fijo para el movimiento 5 igual a 0,2, y en la Figura 5–5 (b) un
grado de saturación igual a 0,6. Se puede apreciar que a medida que el flujo en el
movimiento 5 aumenta, y por consiguiente el grado de saturación del mismo, las
diferencias entre las estimaciones de los modelos se acentúan.
A la luz de los resultados de los escenarios del caso A, el modelo de Brilon (2009)
es el que presenta el mejor ajuste entre los tres modelos evaluados. Especialmente,
el modelo de Brilon (2009) permite reflejar correctamente el efecto de niveles altos
de saturación en el movimiento de cruce directo.
Tabla 5-6: Resultado E3b – Experimento N°3
Error Brilon (2009) Wu & Brilon (2010)
Promedio –41 –12

Promedio Absoluto 41 12
Promedio Absoluto Porcentual 35,6% 9,2%
Por otra parte, en el experimento E3b se realiza un análisis del modelo de Wu &
Brilon (2010), el cual está orientado a modelar el efecto de las pistas prioritarias
120
compartidas en la capacidad de movimiento de ranking 3 o 4 en presencia de un

ensanchamiento con capacidad limitada para el movimiento 4.
Para representar con claridad el ajuste del modelo analizado, éste se compara con
la formulación de Brilon (2009) para el caso en que no se cuenta con un
ensanchamiento. En la Tabla 5-6 se presenta un resumen de los resultados del
modelo.
Es importante indicar que las estimaciones de la capacidad del movimiento 8
utilizando el modelo de Brilon (2009) entregan un error promedio de –41 veh/hr.
Analizando el signo del sesgo, este resultado está en línea con las expectativas
sobre este modelo, pues en ausencia de ensanchamiento la capacidad del
movimiento 8 debe ser más baja que para el caso en que se tiene ensanchamiento.
Esto se debe a que el ensanchamiento disminuye la interferencia de vehículos del
movimiento 4 sobre la descarga de los vehículos del movimiento 5, generando una
proporción de tiempo mayor para el proceso de aceptación de gaps.
En términos de la magnitud de los errores obtenidos, los resultados presentados en
la Tabla 5-6 indican claramente que el modelo de Brilon (2009) entrega
estimaciones más bajas para la capacidad del movimiento 8, con un error de
35,6%. En cambio, el modelo de Wu & Brilon (2010), que asume la presencia de
una pista exclusiva, entrega un mejor ajuste mejor con sólo un 9,2% de error
promedio absoluto porcentual.
En este experimento se analizó el modelo de Wu (1997), utilizado para la

estimación de la capacidad de una pista compartida con pista de viraje exclusivo.
El experimento consta de tres escenarios de simulación ya descritos en el punto iv.-
de la sección 4.2.5d). En cada escenario se simuló una intersección en la cual
interactúa el movimiento prioritario 2 con los movimientos no prioritarios 8 y 9 en
una misma pista, con ensanchamiento de viraje para el movimiento 9. Cada
escenario tiene una configuración específica de flujos en los movimientos 8 y 9, de
121
forma de generar un análisis que permita distinguir la sensibilidad del modelo ante
los flujos utilizados.
Para contar con un punto de comparación que permita determinar los reales
beneficios de utilizar este modelo, se calculó la capacidad de la pista compartida
sin considerar la existencia del ensanchamiento utilizando el modelo de Harders
(1968).
En la Tabla 5-7se presenta los ajustes obtenidos por los dos modelos, respecto a las
capacidades obtenidas por medio de la simulación.
Tabla 5-7: Errores de estimación de capacidad – Experimento N°4
Error Promedio Error Promedio

Error Promedio
Absoluto Absoluto Porcentual
Escenario Wu Harders Wu Harders Wu Harders
(1) 31 -126 50 126 7% 21%
(2) 35 -49 35 49 5% 8%
(3) 26 -51 28 55 9% 12%
A partir de los resultados presentados en la Tabla 5-7, se puede sostener que, en

términos generales, el modelo de Harders (1968) entrega subestimaciones para la
capacidad en todos los escenarios, lo que se aprecia en el signo negativo del error
promedio en todos los escenarios. Esto confirma que, en ausencia de
ensanchamiento, la capacidad de la pista prioritaria debe ser menor que en el caso
con ensanchamiento, pues no se permiten descargas simultáneas entre vehículos de
distintos movimientos. Por su parte, el modelo de Wu (1997) presentó un nivel de
ajuste adecuado. En términos del error promedio absoluto porcentual, se obtuvo
ajustes de un 7%, 5% y 9% en los escenarios (1), (2) y (3), respectivamente,
menores a las del modelo de Harders.
122
A continuación, en la Figura 5–6 se aprecian las estimaciones de las capacidades

de la pista compartida para los tres escenarios, en función del flujo en el
movimiento 2.
Figura 5–6: Estimaciones Capacidad Pista Compartida – Experimento N°4

123
A partir de la Figura 5–6 se puede extraer que las estimaciones de la capacidad

obtenidas por simulación son consistentes entre escenarios. Por ejemplo, en el
escenario (1), dado que la pista compartida está compuesta en mayor proporción
por vehículos que giran a la derecha (movimiento 9), es razonable que las
estimaciones de la capacidad sean mayores que cuando hay una mayor cantidad de
vehículos que cruzan (movimiento 8), como el escenario (2). Esto se debe a que el
movimiento 9 tiene menor impedancia vehicular que el movimiento 8. Estas
diferencias pueden observarse con mayor claridad en la Figura 5–7, donde se
grafican las capacidades simuladas en los tres escenarios por medio de AIMSUN
NG.
Por otro lado, en el escenario (3) se observa una capacidad menor para el
movimiento 9 respecto a los otros escenarios, asociado a valores más restrictivos
de sus parámetros de gap crítico y tiempo de seguimiento. Esta situación refleja el
hecho de que el uso de la pista en el área ensanchada, por parte de vehículos del
movimiento 8, dependerá de que la cola en el movimiento 9 libere el paso en la
bifurcación de la pista.
Figura 5–7: Capacidad Simulada Experimento N°4

124
A la luz de los resultados presentados en esta sección, puede concluirse que el

modelo de Wu (1997) representa una buena aproximación metodológica a la
capacidad de una pista compartida. Específicamente, pudo observarse las claras
diferencias asociadas a la consideración de este modelo para escenarios con
ensanchamientos en la pista, respecto a las formulaciones que no consideran el
efecto de dichas consideraciones geométricas.
A su vez, cabe destacar el buen ajuste que obtuvo el modelo de Wu (1997)
respecto a los datos obtenidos por AIMSUN NG, donde se obtuvo un error
promedio absoluto porcentual de 7% aproximadamente entre los tres escenarios.
Finalmente, se recomienda el uso de este modelo para determinar la capacidad de
las pistas compartidas.
5.2 Modelos de Demora
A continuación, se presentan los principales resultados obtenidos en el

experimento N°5, descrito en la sección 4.3.2. En primer lugar, se debe recordar
que este experimento fue desarrollado para analizar la incongruencia detectada en
los modelos de tiempo de espera de Brilon (2008), y para la determinación de la
correcta transformación coordinada que debe emplearse en la formulación del
tiempo de espera promedio en cola.
Para facilitar la comprensión de los resultados obtenidos en este experimento, en
primera instancia se analizan los resultados en términos de la incongruencia
planteada en la formulación del tiempo de espera determinístico, y luego se
presentan los resultados asociados al tipo de transformación que se utilice.
En cuanto a la formulación se puede mencionar que si se emplea un modelo
determinístico para el cálculo del tiempo de espera en cola promedio, el tiempo de
espera para grados de saturación cercanos a cero se puede incrementar con gran
rapidez. Esto sucede al emplear un modelo que incorpore el área asociada a la cola
inicial como parte del tiempo de espera total, y un número de vehículos
afectados (donde representa la demanda durante el período de análisis de
125
duración ). Este aumento en el tiempo de espera promedio se debe a que el

tiempo de espera total asociado a los vehículos en la cola inicial, dado por
en Brilon (2008), se divide luego por el número de vehículos que llegan. Si
esta última cantidad es muy baja, entonces esta componente del tiempo de espera
total se hace muy grande.
A continuación, en la Tabla 5-8se presentan las diferencias promedio entre las
estimaciones del tiempo de espera en cola promedio de cada modelo y los valores
obtenidos por el método numérico de la cadena de Markov. Los valores reportados
corresponden al promedio de los errores de las estimaciones para grados de
saturación entre 0 y 1,2. La tabla también incluye un indicador del error promedio
observado, que se puede emplear como información agregada para realizar
comparaciones entre los modelos.
Tabla 5-8: Error en estimación de tiempos de espera en cola promedio (segundos)
Grado de Saturación
Capacidad Cola
Modelo
(veh/hr) Inicial 0 0,3 0,3 0,6 0,6 0,9 0,9 1,2
A2 1,1 3,4 6,3 15,8
0 A3 1,0 2,9 4,0 8,0
Brilon 1,0 2,9 4,0 8,0
A2 -4,8 -2,7 9,4 33,7
10 A3 -2,8 -0,6 6,4 20,1
Brilon 85,2 11,1 14,8 28,7
400
A2 -20,3 -15,8 16,2 43,6
20 A3 -14,8 -11,5 5,5 21,6
Brilon 360,6 41,9 47,5 60,3
A2 -42,8 -18,3 30,7 53,5
30 A3 -31,8 -19,7 7,7 22,6
Brilon 880,0 127,3 119,3 119,7
126
En los resultados de la Tabla 5-8se advierte que el modelo de Brilon (2008)

entrega un error que crece a medida que la cola inicial aumenta, en un escenario de
capacidad fija. Por ejemplo, con una capacidad de 200 veh/hr y una cola inicial de
5 vehículos, este modelo entrega un error promedio de 31 segundos. En cambio,
para la misma capacidad y una cola inicial de 30 vehículos, se obtiene un error de
1300 segundos aproximadamente.
Para los demás modelos esta tendencia no se observa. En particular, el error del
modelo A3 tiene un comportamiento en que no se aprecia una correlación directa
con el tamaño de la cola inicial. Por su parte, el modelo A2 es más parecido al
modelo de Brilon, pero con errores bastante menores. Por ejemplo, en los mismos
casos anteriores, los errores son de 11 y 59 segundos, respectivamente.
Cabe destacar que los resultados de los modelos dependen fuertemente de la
capacidad del movimiento. Se observó que, para los modelos A2 y Brilon (2008),
los errores de estimación promedio del tiempo de espera en cola promedio
aumentan a medida que disminuye la capacidad. Esto se traduce en mayores
sobreestimaciones de este indicador en casos con baja capacidad, con respecto a
los valores entregados por el método numérico. Por ejemplo, de acuerdo con la
Tabla 5-8, si se considera una cola inicial de 30 vehículos y una capacidad de 800
veh/hr, el modelo A2 entrega un error cercano a los 4 segundos, el modelo A3
tiene un error de 0,1 segundos y el modelo de Brilon tiene un error aproximado de
70 segundos. En cambio, si se considera una capacidad de 200 veh/hr, se obtienen
errores de 59, 8 y 1300 segundos, respectivamente.
En la Tabla 5-9se presentan los errores promedio entre las estimaciones del tiempo
de espera en cola promedio de cada modelo y los valores obtenidos por el método
numérico de la cadena de Markov, considerando un escenario de capacidad fija de
400 veh/hr. Los errores están presentados en función del tamaño de la cola inicial y
para diferentes rangos de saturación del movimiento.
Adicionalmente, en la Tabla 5-9 se observa que el error promedio del modelo de
Brilon (2008), en general, desciende fuertemente luego del primer rango de grados
127
de saturación, y que luego del segundo rango comienza a ascender nuevamente.

Además, para todo rango de saturación, se observa que el modelo entrega
sobreestimaciones cada vez mayores a medida que la cola inicial aumenta. Por
ejemplo, se puede apreciar cómo crece el error en el rango de saturación 0 – 0,3
junto con el tamaño de la cola inicial.
En la Figura 5–8se aprecia cómo el tiempo de espera en cola promedio se
incrementa con gran rapidez en escenarios con grados de saturación cercanos a
cero, tal como se mencionó al comienzo de esta sección.
Tabla 5-9: Error en estimación de tiempo de espera en cola promedio (segundos)
Grado de Saturación
Capacidad Cola
Modelo
(veh/hr) Inicial 0 0,3 0,3 0,6 0,6 0,9 0,9 1,2
A2 1,1 3,4 6,3 15,8
0 A3 1,0 2,9 4,0 8,0
Brilon 1,0 2,9 4,0 8,0
A2 -4,8 -2,7 9,4 33,7
10 A3 -2,8 -0,6 6,4 20,1
Brilon 85,2 11,1 14,8 28,7
400
A2 -20,3 -15,8 16,2 43,6
20 A3 -14,8 -11,5 5,5 21,6
Brilon 360,6 41,9 47,5 60,3
A2 -42,8 -18,3 30,7 53,5
30 A3 -31,8 -19,7 7,7 22,6
Brilon 880,0 127,3 119,3 119,7
Además, en la figura se observa que el modelo de Brilon (2008) tiende

asintóticamente al modelo A3 para altos niveles de saturación (sobre 95%), ya que
ambos consideran la misma transformación coordinada. Se debe recordar que la
diferencia entre el tiempo de espera total del modelo de Brilon (2008) y el modelo
A3 es la consideración del tiempo de espera de los vehículos en la cola inicial.
128
Luego, como el cálculo del tiempo de espera promedio emplea un total de

vehículos afectados en ambos casos, esto se traduce en que la diferencia entre las
curvas de ambos modelos tienda a desaparecer a medida que aumenta el grado de
saturación.
Con respecto al tipo de transformación se puede mencionar que, en ausencia de
cola inicial, las estimaciones del modelo de Brilon (2008) entregan el mismo ajuste
que el modelo propuesto en la ecuación 4–11. Respecto a las diferencias con los
datos obtenidos por el proceso de Markov, las diferencias son pequeñas y
principalmente se acentúan para niveles altos de saturación, como se observa en la
Tabla 5-8.
Figura 5–8: Ajuste Modelos de Demoras (Cola Inicial de 20 Vehículos)
A nivel general, según los resultados de la Tabla 5-8, el ajuste de todos los
modelos es mejor para escenarios sin cola inicial que para escenarios con cola
inicial. En particular, el modelo A3 es el que entrega un mejor ajuste a los datos
generados por el método numérico de Markov, con un error promedio 3,2
segundos, seguido por el modelo A2 con un error de 6,3 segundos. Estos resultados
son calculados como el promedio de todos los niveles de capacidad utilizados, en
ausencia de cola inicial.
129
De acuerdo con la Tabla 5-9, en presencia de cola inicial y para niveles bajos de
saturación, las transformaciones A2 y A3 presentan una subestimación del tiempo
de espera promedio en cola, la que se acentúa cuando aumenta el número de
vehículos en la cola inicial. Por ejemplo, para una cola inicial de 10 vehículos y
grados de saturación entre 0 y 0,3, el modelo A2 presenta un error promedio de -
4,8 segundos y el modelo A3 de -2,8 segundos. Si consideramos una cola inicial de
30 vehículos y el mismo rango de saturación, el modelo A2 presenta un error
promedio de -42,8 segundos y el modelo A3 de -31,8 segundos.
La anterior subestimación disminuye a medida que aumenta el grado de saturación,
como se aprecia en la Figura 5–8. Se observa que a medida que aumenta el grado
de saturación, las curvas de los modelos A2 y A3 comienzan a acercarse a la
obtenida por el método de Markov, y que incluso los modelos pueden entregar
sobreestimaciones del tiempo de espera promedio en cola, a partir de un
determinado nivel de saturación. Por ejemplo, para el caso de análisis con una
capacidad de 400 veh/hr y una cola inicial de 30 vehículos, el modelo A2 entrega
un error promedio de 53,5 segundos y el modelo A3 un error de 22,6 segundos, en
el rango de saturación 0,9 – 1,2.
Adicionalmente, los modelos propuestos en las ecuaciones 4–10 y 4–11 no
presentan sobrestimaciones de los tiempos de espera para grados de saturación
bajos, problema que sí presenta el modelo de Brilon (2008). También se debe
destacar que, a medida que aumenta la cola inicial, las diferencias entre los
modelos y los cálculos basados en el proceso de Markov se incrementan.
Finalmente, comparando las formulaciones A2 y A3, se vio que esta última entrega
un mejor ajuste para todo el rango de grados de saturación y colas iniciales. Las
mejoras son más claras para niveles altos de saturación. Este experimento permite
comprobar las mejoras que se obtienen al utilizar la transformación propuesta por
Brilon (2008), es decir una transformación aditiva de capacidades de reserva, dada
por el modelo A3.
130
6. CONCLUSIONES Y RECOMENDACIONES
En este capítulo se presentan las principales conclusiones y recomendaciones de la

investigación. En la sección 6.1 se detallan las conclusiones, y en la sección 6.2 las
recomendaciones para posibles extensiones y/o investigaciones futuras.
6.1 Conclusiones
En este trabajo se han analizado un gran número de modelos, que en su conjunto

componen una metodología robusta para la estimación de la capacidad y demora
en intersecciones prioritarias aisladas.
En la sección 6.1.1 se presentan las fortalezas de la metodología general propuesta
para la modelación de la capacidad y la demora.
En la sección 6.1.2 se indican las principales debilidades de la metodología general
propuesta.
Luego, en la sección 6.1.3 se detallan las principales conclusiones asociadas a los
modelos de capacidad y el método de análisis empleado.
Por último, en la sección 6.1.4 se presentan las principales conclusiones asociadas
a los modelos de demora y el análisis realizado de los mismos.
6.1.1 Fortalezas de la metodología general
Respecto a las virtudes de los modelos seleccionados se puede destacar, en primer

lugar, que la metodología propuesta permite modelar intersecciones prioritarias sin
restricciones en cuanto al número de pistas o posibles ensanchamientos en las vías.
Adicionalmente, el modelo entrega gran flexibilidad en cuanto al tipo de demanda
que se utilice, pues permite evaluar la operación para todo el rango de saturación
de los movimientos.
En tercer lugar, los modelos que componen la metodología no requieren de
calibración en sus formulaciones. Es decir, las formulaciones de dichos modelos
no son realizadas en base a métodos numéricos.
131
En cuarto lugar, la metodología propuesta requiere únicamente de la estimación de

sólo dos parámetros: gap crítico y tiempo de seguimiento. Lo cual facilita la
utilización de la metodología para diversos escenarios y circunstancias.
6.1.2 Debilidades de la metodología general
En primer lugar, debe recalcarse que cada uno de los modelos seleccionados para
la estimación de la capacidad, están basados en una simplificación del
comportamiento real de los conductores en las intersecciones, los resultados que se
obtengan no representan con exactitud la realidad y deben ser considerados como
una estimación aproximada de la operación real de la intersección.
Por ejemplo, a partir de los resultados obtenidos en la simulación en AIMSUN NG

en el experimento N°1 (sección 5.1.1), se obtuvo diferencias de 40%, 68%, 62% y
24% en cuanto al error promedio absoluto porcentual en la estimación de la
capacidad utilizando el modelo de Luttinen (2004) para los escenarios (1), (2), (3)
y (4), respectivamente, definidos en la Tabla 5-1. Estas diferencias ejemplifican las
importantes diferencias que se pueden obtener al usar los modelos seleccionados.
En segundo lugar, la condición de aislamiento representa un supuesto bastante
restrictivo. Son pocas las intersecciones en Santiago que cumplen con dicha
condición y el efecto de intersecciones semaforizadas cercanas altera
considerablemente el tipo de proceso de llegadas de vehículos a la intersección
analizada.
Por último, existe una serie de consideraciones no tomadas en cuenta por la
metodología que pueden alterar considerablemente los resultados. Por ejemplo, la
presencia de flujos peatonales, distintos tipos de vehículos y en especial vehículos
pesados, cambios de pistas en una vía, entre otros.
6.1.3 Conclusiones de los modelos de capacidad
Respecto a los modelos de capacidad, en base al estudio de la literatura realizado y

a los resultados de los experimentos, se concluye lo siguiente:
132
De las cuatro grandes metodologías para la estimación de la capacidad, los

modelos derivados en base a la metodología tradicional de aceptación de gaps
(estimación del valor esperado de inserciones) entregan derivaciones equivalentes
a las de modelos basados en analogía a semáforos y a los basados en la
probabilidad de los estados de tráfico. Se concluye que el uso de ésta metodología
es superior a las anteriores, pues entrega una mayor versatilidad en la estimación
de las fórmulas, en cuanto a la utilizaciones de distintas consideraciones
(heterogeneidad, inconsistencia, prioridad limitada, distintas distribuciones de
llegada, etc).
Respecto al tipo de función de inserción que se utilice, se concluyó que los
modelos discretos y continuos de inserción vehicular no entregan grandes
diferencias entre ellos.
Un comportamiento homogéneo y consistente entrega buenos ajustes para la
capacidad, respecto a formulaciones más generales de la capacidad que consideren
un comportamiento heterogéneo e inconsistente.
La capacidad de movimientos de ranking 2 (flujos conflictivos independientes
entre sí) puede ser estimada correctamente en base una distribución de Cowan. En
cambio, para la estimación de la capacidad de movimientos de ranking 3 y 4 una
distribución exponencial negativa entrega mejores ajustes.
Respecto a los modelos de estimación de los factores de corrección por impedancia
vehicular en movimientos de ranking 3, se concluyó que el modelo de Luttinen
(2004) entrega un mejor ajuste que el modelo presentado en HCM2000
(Transportation Research Board, 2000) (ver resultados del experimento N°1 en
sección 5.1.1).
Respecto a los modelos de estimación de los factores de corrección por impedancia
vehicular en movimientos de ranking 4, se concluyó basándose en los resultados
del experimento N°2 (ver sección 5.1.2) que el modelo de Wu (2001) es el que
representa de mejor manera el fenómeno en la variedad de escenarios en que
fueron evaluados todos los modelos.
133
Respecto a los modelos de estimación de la capacidad bajo la consideración de una

pista prioritaria compartida se identificaron tres modelos para el ajuste de la
capacidad potencial de movimiento de ranking 3 y 4. Basándose en los resultados
del experimento N°3, se pudo comprobar que el modelo de Brilon (2009) fue el
que entregó el mejor ajuste. En especial, se observaron claras diferencia al
considerar niveles altos de saturación en el movimiento de cruce directo prioritario.
A su vez, bajo la consideración que la pista prioritaria compartida presenta un
ensanchamiento de uso exclusivo de vehículos que giran a la izquierda, basándose
en los resultados obtenidos en el experimento N°3, se corroboró que el modelo de
Wu & Brilon (2010) representa una aproximación útil y con buen ajuste para el
ajuste de las estimaciones de la capacidad de movimientos de ranking 3 y 4 (ver
resultados del Experimento N°3 en la sección 5.1.3).
Respecto al efecto de las pistas prioritarias compartidas, se detectó una limitación
importante en los modelos de estimación de capacidad. Resulta, que no existen
modelos que consideren explícitamente el efecto de pistas compartidas prioritarias
sobre la capacidad de movimientos prioritarios que circulen en el sentido opuesto
(ver punto c) en la sección 2.4.2)
Respecto a la estimación de la capacidad para pistas comportamiento no
prioritarias, el modelo desarrollado por Wu (1997) entregó buenos resultados al ser
contrastado con datos simulados (6% de error en los tres escenarios evaluados del
experimento N°4). Es importante destacar, que este modelo entrega una gran
versatilidad para la modelación de pistas compartidas y distintos diseños en las
vías de acceso a la intersección, no así los modelos presentados en HCM2000.
Respecto al método de análisis utilizado, es importante destacar los siguientes
aspectos:
La utilización de un microsimulador como AIMSUN NG entrega gran flexibilidad
y facilidad para generar diversos escenarios de comparación entre los resultados
que entrega el programa, y los que se obtienen por medio de los modelos teóricos
basados en la Teoría de Aceptación de Gaps.
134
Los resultados obtenidos en los cuatro experimentos realizados, permiten sostener

que el método de análisis satisface correctamente el cumplimiento de los supuestos
que sustentan los modelos
Respecto al conjunto de limitaciones del método de análisis utilizado, cabe
destacar que no se utilizaron escenarios de comparación que consideren
explícitamente las características propias del real funcionamiento de una
intersección prioritaria en Chile y que el proceso de homologación utilizado
requiere modelar las intersecciones considerando a todos los vehículos iguales, lo
cual es poco realista.
A su vez, debe indicarse que esta metodología requiere un proceso de calibración
muy riguroso y poco generalizable. Y existe un conjunto de restricciones propias
de AIMSUN NG, que dificultan dicha calibración.
6.1.4 Conclusiones de los modelos de demora
Respecto a los modelos de capacidad, en base al estudio de la literatura realizado y

a los resultados de los experimentos, se concluye lo siguiente:
Se concluyó que la metodología basada en la teoría de aceptación de gaps es
aquella que permite cumplir de mejor manera los objetivos de la tesis en términos
de generar un modelo que considere todo tipo de configuraciones de prioridad y
movimientos en la intersección.
En cuanto a la formulación de la demora en estado estacionario, el mejor modelo
para la estimación de la demora en estado estacionario supone un proceso M/G2/1.
Sin embargo, un modelo M/M/1 entrega buenos resultados y permite la derivación
de un modelo simple y robusto para la demora transformada.
Respecto a la formulación de la función de transformación de la demora, por
medio del experimento N°5 se pudo corroborar que la transformación basada en
una relación aditiva de capacidades de reserva (Brilon (2008)) es la que entrega
mejores ajustes. Las mejoras son más claras para niveles altos de saturación.
135
Basándose en el experimento N°5 en que se comparó la formulación de

Brilon(2008) con modelos que consideran explícitamente la demora determinística
de los vehículos que arriban durante el período de análisis, excluyendo la demora
de vehículos de la cola remanente del período anterior y considerando las
transformaciones coordinadas A2 y A3. Los resultados demuestran claramente las
distorsiones del modelo de Brilon (2008), pues para grados de saturación bajos,
dicho modelo entrega sobreestimaciones de la demora.
Respecto a la metodología de análisis utilizada en el experimento N°5, cabe
destacar que el método numérico basado en una Cadena de Markov, permitió
generar un buen punto de comparación para los modelos analizados, pues se basa
en las mismas suposiciones que sustentan a dichos modelos. Sin embargo, un
análisis basado en datos reales habría entregado una mejor claridad respecto al
ajuste de los modelos a la realidad propia de Chile.
6.2 Recomendaciones
A continuación, se presentan algunas recomendaciones respecto a futuras

investigaciones:
Resultaría interesante poder determinar un modelo para la estimación del gap
crítico y el tiempo de seguimiento en base a parámetros geométricos. HCM2000
(Transportation Research Board, 2000) presenta un modelo de esta naturaleza. Sin
embargo, este modelo no introduce el efecto de la visibilidad en cada pista
(parámetro significativo en los modelos de lineales de capacidad). Además el
modelo fue calibrado en base a datos en Estado Unidos, lo que indica que sería
necesaria una calibración en base a datos propios de Chile. A su vez, no existen
estimaciones que permitan generar parámetros específicos para cada tipo de
movimiento en Chile. Es posible, que la utilización de parámetros asociados a cada
movimiento permita mejores estimaciones del modelo general.
Es recomendable estudiar la aplicación de ajustes a los modelos en presencia de
intersecciones prioritarias cercanas que generen procesos de llegadas de vehículos
136
distintos a los considerados (ver modelo presentado en HCM2000 (Transportation

Research Board, 2000)).
Otro aspecto no considerado en los modelos, es la posible presencia de vehículos
estacionados en las pistas. Por consiguiente, sería conveniente estudiar
mecanismos de ajuste para los modelos producto de la presencia de estos
vehículos.
Existen modelos que permiten estimar la operación de intersecciones prioritarias
con medianas capaces de almacenar vehículos, produciendo de esta manera, un
doble proceso de aceptación de gaps en los movimientos de giro a la izquierda no
prioritarios. Se recomienda estudiar la implementación de un modelo de esta
naturaleza en el programa.
Las intersecciones aisladas aquí modeladas, no representan correctamente la
operación de accesos a autopistas. Podría ser interesante estudiar la
implementación de un modelo que introduzca las características particulares que
pueden tener este tipo de intersecciones, por ejemplo, un sistema de prioridad
limitada.
En HCM (Transportation Research Board, 2000) se determina una formulación del
flujo conflictivo, utilizado en la estimación de la capacidad, que considera
implícitamente una percepción relativa de cada movimiento. Es decir, un headway
ofrecido por un movimiento puede ser considerado de manera distinta al de otro
movimiento como oportunidad de ingreso a la intersección. Este tipo de
consideración resulta interesante de ser analizada en base a datos en Chile.
Las diferencias entre la operación controlada por un disco pare o un ceda el paso,
en la metodología presentada se ven reflejados en la estimación de la demora
geométrica y en los parámetros del modelo. Resultaría interesante investigar
respecto al efecto del sistema de control sobre los parámetros. Los modelos
presentados, no distinguen entre ambos sistemas.
137
Una gran limitación del trabajo aquí desarrollado es la no modelación explicita de

la demora geométrica, es decir aquella relacionada únicamente por las
características geométricas de la intersección.
En base, al estudio de los distintos softwares existentes para la microsimulación de
redes de transporte, se pudo concluir que no existe una asociación clara de los
parámetros que utilizan con aquello necesarios en los modelos de aceptación de
gaps. Por consiguiente, resulta interesante estudiar la generación de un modelo de
microsimulación de intersecciones prioritarias que considere de mejor manera las
características particulares de cada movimiento.
Los modelos de capacidad basados en una analogía a intersecciones semaforizadas
presentan interesantes beneficios en cuanto a la utilización de formulaciones
propias de dichas intersecciones (tasa de parada, movimientos en cola, y otros).
Resulta interesante estudiar posibles mejoras para considerar el efecto de
movimientos dependientes en los flujos conflictivos considerados.
Resulta interesante estudiar el efecto de pistas prioritarias compartidas sobre el
movimiento de ranking 2 en vía prioritaria contraria.
Por último, es necesario un análisis adicional de los modelos presentados en esta
tesis basándose en datos reales.
138
BIBLIOGRAFÍA
Adams, W. F. (1936). Road traffic considered as a randome series. Journal of the

institution of civil engineers , 4 (1), 121-130.
Akçelik, R. (2004). Roundabouts - comments on the SIDRA INTERSECTION model and

the TRL (UK) linear regression model. Akçelik and Associates Ltd., Melbourne.
Akçelik, R. (2007). A Review of Gap-Acceptance Capacity Models. Paper presentado

en la 29th Conference of Australian Institutes of Transport Research (CAITR 2007).
Adelaide.
Akçelik, R., & Chung, E. (1994). Calibration of the bunched exponential distribution of
arrival headways. Road and Transport Research , 3 (1), 42-59.
Akçelik, R., & Troutbeck, R. (1991). Implementation of the Australian roundabout

analysis. Highway Capacity and Level of Service, Proc. of the International Symposium
on Highway Capacity (págs. 17–34). Karlshrue: Brannolte.
Brilon, W. (2008). Delay at Unsignalized Intersections. Transportation Research Record

, 98-108.
Brilon, W. (2009). Impedance Effects of Left-Turning Vehicles from the Major Street at
a Two-Way Stop-Controlled Intersection - Brilon. Transportation Research Record , 52-
58.
Brilon, W., & Grossmann, M. (1991). The new German guideline for capacity of
unsignalized intersections. En U. Brannolte, Highway Capacity and Level of Service
(págs. 63–73). Rotterdam: Balkema.
Brilon, W., & Troutbeck, R. (1992). Unsignalized Traffic Theory. En T. R. Board,

Traffic Flow Theory: A state of the art Report.
Chavallier, & Leclercq. (2007). A macroscopic theory for unsignalized intersections.

Transportation Research B (41), 1139-1150.
Cortés, G. (2010). Incorporación de la sobresaturación en semáforos aislados:

SIGCOM 3. Pontificia Universidad Católica de Chile, Santiago.
Cowan. (1975). Usful headway models. Transportation Research , 9 (6), 371-375.
Daganzo. (1977). Traffic delay at unsignalized intersections: clarification of some

issues. Transportation Science , 11 (2).
139
Dawson, R. F. (1969). The Hyperlang Probability Distribution - A Generalized Traffic

Headway Model. Proceedings of the FourthISTTT, (págs. 30-36). Karsruhe.
FGSV. (2001). Handbuch für die Bemessung von Straßenverkehrsanlagen [Handbook

for assessing road traffic facilities]. Köln: Forschungsgesellschaft für Straßen-
undVerkehrswesen.
FGSV. (2001). Handbuch zur Bemessung von Strassenverkehrsanlagen (German

Highway Capacity Manual). Cologne.
Fisk, C. S., & Tan, H. H. (1989). Priority intrsection capacity: a generlization of

Tanner's Formula. Transportation Research Part B , 23 (4), 281-286.
Gladstone Regional Council. (2010). SIDRA Intersection User Guidline.
Hansson, A., & Bergh, T. (1988). A new Swedish Capacity Manual/CAPCAL 2.

Proceedings 14th Australian Road Research Board Conference, 25B, págs. 38-47.
Harders. (1968). Die Leistungsfähigkeit Nicht Signalgeregelter Städtischer

Verkehrsknoten (la capacidad de intersecciones prioritarias urbanas). Schriftenreihe
Strassenbau und Strassenverkehrstechnik , 76.
Hawkes, A. G. (1966). Delay at traffic intersections. Journal of the Royal Statistical

Society , 22B, 202-212.
Heidemann, D., & Wegmann, H. (1997). Queuing at unsignalized intersections.

Transportation Research Part B (31).
Hewitt, R. H. (1983). Measuring Critical Gap. Transportation Science , 17 (1), 87-109.
Jacobs, F. (1979). Leistungsfähigkeitsberechnung von Knotenpunkten ohne

Lichtsignalanlagen [Calculos de capacidad en intersecciones prioritarias].
Vorlesungsmanuskript .
Kimber, R. M., & Hollis, E. (1978). Peak-period traffic delays at road junctions and
other bottlenecks. Traffic Engineering and Control , 19 (10), 442-446.
Kimber, R. M., Marlow, M., & Hollis, E. M. (1977). Flow/delay relationships for
major/minor priority junctions. Traffic Engineering and Control , 18 (11), 516-519.
Kremser, H. (1962). Ein zusammengesetztesWartezeitproblem bei Poissonschen

verkehrsströmen (un problemo complejo de tiempo de espera bajo un flujo distribuido
como Poisson). Österreichisches Ingenieur-Archiv , 16 (3), 231–252.
140
Li, W., Wang, W., & Jiang, D. (2003). Capacity of Unsignalized Intersections with
Mixed Vehicles Flows. Journal of the Transportation Research Board (1852), 265-270.
Luttinen, R. T. (2004). Capacity and Level of Service at Finnish Unsignalized

Intersections. Finnish Road Administration. TL Consulting Engineers, Ltd.
Miller, A. J. (1972). Nine Estimators of Gap Acceptance Parameters. En Newell (Ed.),

Proceedings International Symposium on the Theory of Traffic Flow and
Transportation. American Elsevier Publishing Co.
Plank, A. W., & Catchpole, E. A. (1984). A general capacity formula for an uncontrolled
intersection. Traffic Engeeng and Control , 23 (2), 88-92.
Plank, A. W., & Catchpole, E. A. (1986). The capacity of a priority intersection.

Transportation Research Part B , 20 (6), 441-456.
Ramsey, J. B., & Routledge, I. W. (1973). A new Approach to the Analysis of Gap
Acceptance Times. Traffic Engineering Control , 15 (7), 353-357.
Schuhl, A. (1955). The Probability Theory Applied to the Distribution of Vehicles on

Two-Lane Highways. Poisson and Traffic. The Eno Foundation for Highway Traffic
Control. Sangatuck, CT.
Semmens, M. C. (1985). PICADY2: an enchanced program to model capacities, queues

and delays at major/minor priority junctios. Transport And Road Research Laboratory,
Departament of Transport.
Siegloch, W. (1973). Die Leistungsermittlung an Knotenpunkten ohne

Lichtsignalsteuerung (cálculo de la capacidad en intersecciones). En S. u. 154. Bonn:
Bundesminister für Verkehr.
Tanner. (1962). A theoretical analysis of delays at an uncontrolled intersection.

Biometrika , 49 (1), 163-170.
TKK, T. U. (1994). HUTSIM Reference Manual.
Transportation Research Board. (2000). Highway Capacity Manual. (N. R. Council, Ed.)
Washington D.C.
Troutbeck, R. (1975). A Review of the Ramsey-Routledge Method for Gap Acceptance

Times. Traffic Engineering & Control , 16 (9), 373-375.
Troutbeck, R. (1986). Average delay at an unsignalized intersection with two major

streams each having a dichotomized headway distribution. Transportation Science (20),
272-282.
141
Troutbeck, R. (1990). Roundabouts Capacity and Associated Delay. Proceedings of the

Eleventh International Symposium on Transportation and Traffic Theory . (M. Koshi,
Ed.) Yokohama, Japon: Elsevier.
Troutbeck, R., & Kako, S. (1999). Limited priority merge at unsignalized intersections.
Transportation Research Part A , 35, 291-304.
Troutbeck, R., & Walsh. (1994). The differences between queuing theory and the gap
acceptance theory. En R. Akçelik (Ed.), Second International Symposium in Highway
Capacity, (págs. 617-635). Sydney.
TSS, T. (2005). AIMSUN 5.0 Microsimulator - User's Manual.
Velasco, L. M. (2004). Calibración de parámetros básicos vehiculares para flujo

interrumpido en modelos de simulación microscópica : GETRAM en Santiago. Tesis de
Magíster en Ciencias de la Ingeniería, Pontificia Universidad Católica de Chile,
Departamento de Ingeniría de Transporte, Santiago.
Visual Solutions Inc. (2010). VISSIM - User's Guide v8.0.
Wu, N. (2001). A universal procedure for capacity determination at unsignalized

(priority-controlled) intersections. Transportation Research Part B , 35, 593-623.
Wu, N. (1994). An Aproximation for the Distribution of Queue Lengths at Signalized

Intersections. Proceedings of the Second International Symposium on Highway
Capacity. 2, págs. 717-736. Australian Road Research Board - Transportation Research
Board.
Wu, N. (1997). Capacity of shared-short lanes at unsignalized intersections. Proceedings

of the Third International Symposium on Intersections Without Traffic Signals. Portland.
Wu, N., & Brilon, W. (2010). Modeling Impedance Effects of Left Turners from Major
Streets with Shared Short Lanes at Two-Way Stop-Controlled Intersections.
Transportation Research Record , 11-19.
Yeo, G. F. (1962). Single server queues with modified service mechanisms. Journal of
the australian Society , 499-507.
142
ANEXOS
143
ANEXO A: ESTIMACIÓN DE GAP CRÍTICO Y TIEMPO DE
SEGUIMIENTO
Los modelos presentados en la sección 2.3 tienen un respaldo teórico importante. Sin
embargo, la calidad de los resultados que se obtengan al utilizarlos en la práctica
depende fuertemente de los parámetros que los describen. De esta manera, es de gran
relevancia contar con buenas estimaciones de los parámetros más importantes: el gap
crítico y el tiempo de seguimiento .
Las técnicas para estimar tanto el gap crítico como el tiempo de seguimiento se
pueden clasificar en dos grupos. El primer grupo está basado en técnicas de análisis de
datos, por medio del uso de regresiones lineales, las cuales buscan explicar el
comportamiento de conductores que aceptan un gap respecto al tamaño de estos gaps. El
segundo grupo de técnicas, se basa en la modelación de las distribuciones de los tiempos
de seguimiento y gap críticos independientemente.
A continuación, se realiza una descripción de los modelos más importantes dentro de
cada uno de los grupos mencionados.
 Modelos de estimación en base a Regresiones Lineales
Dentro de este grupo de modelos, se debe destacar el modelo propuesto por Siegloch
(1973), el cual postula el uso de una expresión de la siguiente forma:
(A-1)
donde es el headway mínimo aceptable, que se obtiene por medio de una regresión
lineal, la cual contrasta los gaps aceptados por distintos conductores con la longitud de
éstos.
En este mismo grupo, también se debe destacar el modelo sugerido en HCM2000
(Transportation Research Board, 2000), en el cual se plantea una expresión lineal para
y , dependiente de características geométricas y operacionales de la intersección. Esto
modelo debe ser calibrado y derivado a partir de mediciones en terreno.
144
En primer lugar, la expresión para el cálculo del gap crítico del movimiento ,
medido en segundos, es de la forma:
(A-2)
donde es el gap crítico base, es el factor de ajuste para vehículos pesados
(1,0 para vía prioritarias de dos pistas, y 2,0 para intersección con dos pistas prioritarias
por sentido), es la proporción de vehículos pesados para movimientos no
prioritarios, es el factor de ajuste por gradiente (0,1 para el movimiento 9 y 12, y
0,2 para movimientos 7, 8, 10 y 11), representa el porcentaje de gradiente dividido
por 100, es el factor de ajuste para cada parte del proceso de aceptación de gaps en
dos etapas (1,0 para la primera o segunda etapa; 0 si se tiene sólo una etapa), y es el
factor de ajuste por geometría de la intersección (0,7 para movimientos no prioritarios de
giro a la izquierda en intersecciones tipo T, 0 en caso contrario). En las definiciones
anteriores, las variables , , y están medidas en segundos.
En segundo lugar, con respecto al tiempo de seguimiento del movimiento , también
medido en segundos, HCM2000 propone emplear la siguiente expresión:
(A-3)
donde es el tiempo de seguimiento base, es el factor de ajuste para vehículos
pesados (0,9 vías prioritarias en ambos sentidos de una pista; 1,0 para vías prioritarias en
ambos sentidos con dos pistas por sentido), donde y están medidos en
segundos. En la Tabla A–1 Tabla A-1se pueden encontrar valores de referencia para el
gap crítico base y el tiempo de seguimiento base .
El principal problema de los modelos basados en regresiones lineales es que se requiere
de mediciones de colas continuas en las vías no prioritarias, lo cual es bastante
restrictivo y dificulta la obtención de datos.
145
Tabla A-1: Gap crítico y Tiempo de Seguimiento base
Gap crítico base (s)

Tiempo de
Doble vía Doble vía
Movimiento Seguimiento
prioritaria prioritaria
base (s)
con una pista con dos pistas
por sentido por sentido
Giro Izquierda Prioritario 4,1 4,1 2,2
Giro Derecha No Prioritario 6,2 6,9 3,3
Movimiento Directo No Prioritario 6,5 6,5 4,0
Giro Izquierda No Prioritario 7,1 7,5 3,5

Fuente: HCM2000 (Transportation Research Board, 2000)
 Modelos de Estimación probabilísticos
El segundo grupo de modelos surge desde un punto de vista probabilístico. En la

literatura especializada existe un gran número de técnicas propuestas utilizando este
enfoque (Troutbeck R. , 1975; Miller, 1972; Ramsey & Routledge, 1973; Hewitt, 1983).
La mayor dificultad asociada a estos modelos surge del hecho que el gap crítico no
puede ser medido directamente. Sólo se sabe que el gap crítico es mayor que el mayor
de los gaps rechazados, y menor que el menor de los gaps aceptados.
Brilon & Troutbeck (1992) sostienen que los modelos basados en Máxima Verosimilitud
y el propuesto por Hewitt (1983) entregan los mejores resultados para un amplio rango
de flujos prioritarios y no prioritarios.
146
ANEXO B: MODELOS DE CAPACIDAD POTENCIAL
A continuación, se entrega mayor información respecto a los modelos de capacidad

potencial.
La capacidad potencial describe la capacidad de un flujo no prioritario bajo condiciones
ideales. La capacidad potencial de un movimiento asume:
 Tráfico cerca de la intersección no bloquea al movimiento en cuestión
 Una pista exclusiva es provista a cada movimiento.
 Intersecciones aguas arriba no afectan el patrón de llegada de los movimientos
prioritarios.
 No existen otros movimientos que afecten al movimiento en cuestión.
En condiciones ideales, la capacidad potencial se puede estimar como la
multiplicación del número esperado de partidas de vehículos durante un headway
aleatorio , por el número esperado de headways (flujo conflictivo prioritario).
(A-4)
Luego, dependiendo del tipo de proceso de inserción no prioritario y la distribución de
llegadas prioritarias que se consideren se obtendrán distintas expresiones para la
capacidad potencial.
Si consideramos un proceso de partidas discretas podemos estimar a partir de la
fórmula (2-12. En cambio, si se consideran partidas continuas, se estima como:
(A-5)
donde es la función de inserción continua, y es la función de densidad de

probabilidad de headways prioritarios.
Luego, si consideramos una distribución exponencial negativa de headways y partidas
discretas, obtenemos (Harders, 1968; Daganzo, 1977):
(A-6)
147
donde es el gap crítico y el tiempo de seguimiento.

Por otro lado, si se consideran partidas continuas, obtenemos la siguiente expresión para
la capacidad potencial bajo distribución exponencial negativa:
(A-7)
donde es el headway mínimo aceptable.

Estos modelos suponen un único movimiento prioritario con flujo . Sin embargo, si se
considera que el flujo conflictivo está compuesto por movimientos con distintas
distribuciones de llegadas, es necesario derivar las expresiones en base a la expresión
general de la función de supervivencia para un conjunto , lo cual deriva en la siguiente
expresión:
(A-8)
donde es la capacidad potencial del movimiento , es el flujo conflictivo del

movimiento , es la función de supervivencia de headways del flujo conflictivo
compuesto por los movimientos en , es la función de supervivencia de headways
del movimiento , es la función de supervivencia de lags del movimiento , y y
son el gap crítico y tiempo de seguimiento del movimiento , respectivamente.
Luego, si se desea estimar la capacidad potencial en base a distribuciones exponenciales
apelotonadas y partidas discretas, se requiere determinar la función de supervivencia de
lags y headways para cada movimiento, y reemplazarlas en la expresión anterior.
148
(A-9)
donde , y son los parámetros de la distribución Cowan (1975) del movimiento

.
Para mayor detalle respecto a las funciones matemáticas presentadas referirse al Anexo
D.
149
ANEXO C: CAPACIDAD PISTA NO PRIORITARIA COMPARTIDA
A continuación, se presenta el desarrollo y derivación del modelo de Wu (1997), para la

estimación de la capacidad de una pista compartida, bajo diferentes configuraciones
geométricas.
En primer lugar, se debe considerar un sistema generalizado con subflujos, los cuales
se desarrollan a partir de un punto de una pista compartida (ver Figura C–1). Cada
subflujo tiene un flujo , una capacidad y un grado de saturación . De la misma
manera, la pista compartida se puede describir en términos de , y .
Figura C–1: Esquema Pista Compartidas con Ensanchamiento
Wu (1997) plantea que el punto A es igualmente ocupado por la izquierda – en la

sección compartida de la pista – y por la derecha – en la sección de los subflujos – por
vehículos en espera. Esto quiere decir que la probabilidad de que el punto A sea
ocupado en el lado de la pista compartida, es igual a la probabilidad que el punto A sea
ocupado por el lado de los subflujos, lo que se traduce en:
(A-10)
150
donde es el número de ramas generadas por los ensanchamientos y es la

probabilidad que el punto sea ocupado por un subflujo . Esta última se puede calcular
como la probabilidad de que el largo de la cola del subflujo sea mayor al largo del
espacio de almacenamiento de la cola (sección desde la línea de parada al punto A). Por
lo tanto:
(A-11)
donde es el largo de la cola del movimiento y es la capacidad de almacenaje de
vehículos que tiene el ensanchamiento del movimiento
La distribución del largo de las colas en un flujo en espera de una intersección prioritaria
puede expresarse por la siguiente expresión (Wu, 1994).
(A-12)
donde y son parámetros del modelo. Si se considera un sistema de cola M/M/1, Wu
(1994) demuestra que , obteniéndose la siguiente expresión:
(A-13)
Por otro lado, la probabilidad de que el punto A sea ocupado por el lado de la pista
compartida es igual al grado de saturación de la pista compartida, es decir:
(A-14)
De esta manera se obtiene que:
(A-15)
Se puede asumir que la capacidad de la pista compartida es el producto del flujo de la

pista compartida – calculado como la suma de los flujos presentes en ella – por la
constante , la cual da cuenta del aumento proporcional de todos los flujos, de forma de
acercarse a la capacidad. Es decir,
(A-16)
Para determinar , se debe recurrir al concepto de que la capacidad de una pista
compartida es el flujo para el cual el punto de ingreso A está siendo ocupado en un
151
100% en ambos lados, es decir, el flujo que generar que

(Wu, 1997). Luego, se puede sostener lo siguiente:
(A-17)
donde es la probabilidad que el punto A por el lado de la pista compartida esté

ocupado en un 100%. Ahora, basta con resolver la ecuación (A-17 y luego reemplazar el
valor obtenido de en la condición de saturación de Wu. (1997).
A modo de validación conceptual de esta formulación, si se toma el caso de una pista
compartida por dos movimientos ( y sin ensanchamiento ( ) se cumple que:
(A-18)
Por consiguiente, se obtiene:
(A-19)
Reemplazando en la expresión (A-16:
(A-20)
Esta es la misma expresión determinada por el modelo de capacidad de pistas

compartidas sin ensanchamiento presentada anteriormente.
(A-21)
152
ANEXO D: TIEMPO DE ESPERA EN ESTADO ESTACIONARIO
A continuación se presenta en detalle las formulaciones existentes en la literatura

asociadas a la estimación del tiempo de espera promedio de un movimiento no
prioritario bajo la consideración de un sistema en estado estacionario.
Primero, se detallan los modelos existentes para la estimación del tiempo de servicio
promedio. Luego, se presentan los modelos de tiempo de espera.
 Tiempo de Servicio
Bajo la utilización de un modelo de demoras basado en la teoría de colas, se debe ser

capaz de modelar con precisión la tasa de servicio que represente el sistema. En esta
sección se presentan los modelos existentes para la estimación del tiempo de servicio.
Luttinen (2004) describe el tiempo de servicio en una intersección prioritaria de la
siguiente manera “en un sistema de cola el tiempo de servicio es el tiempo que un
consumidor permanece en la caja. En una intersección prioritaria el tiempo de servicio
de un vehículo empieza cuando llega a la línea de parada/ceda el paso. El tiempo de
entrada es el tiempo virtual de entrada, por ejemplo el primer instante de tiempo que el
vehículo podría cruzar la línea de parada en un período de antibloqueo. El tiempo de
servicio termina cuando el tiempo de seguimiento ha pasado desde que el vehículo cruza
la línea de parada. De esta manera, el tiempo de servicio es la suma del tiempo de espera
en la línea de parada durante un bloqueo y el tiempo seguimiento”.
Frente a la definición anteriormente presentada, lo primero es ahondar en la descripción
más detallada posible del proceso de servicio en una intersección prioritaria. En este
contexto, es importante destacar el análisis presentado por Daganzo (1977), trabajo en el
cual demuestra que el proceso de llegadas de un vehículo que encuentra el sistema vacío
no es independiente del proceso de llegadas prioritarias. Debido a lo anterior, el tiempo
de servicio para vehículos en cola es diferente al de vehículos aislados. Es decir, se
tienen distintas distribuciones de tiempos de servicio para vehículos en cola y para
vehículos aislados.
153
Como es de esperarse, el tiempo de servicio debe tener directa relación con la estimación
de la capacidad, en general muchas de las aplicaciones existentes sostienen que el
tiempo de servicio es el inverso de la capacidad. De esta manera, al igual que en la
capacidad, dependiendo de la distribución de headways que se asuma, el tiempo de
servicio cambiará.
Luttinen (2004) muestra que si se considera un flujo prioritario distribuido
exponencialmente, el tiempo promedio de servicio para vehículos no prioritarios en cola
es igual a:
(A-22)
Es interesante notar que la expresión corresponde al inverso de la capacidad dada por la

expresión (A-6.
Kremser(1962), por su parte, derivó el segundo momento de la distribución del tiempo
de servicio como:
(A-23)
donde , y representan el parámetro de escala de la distribución, el gap crítico y el

tiempo de seguimiento, respectivamente.
También se puede estudiar el tiempo de servicio de un vehículo aislado no prioritario.
Un vehículo de estas características llega al sistema cuando el servidor está ocioso, y
entran a servicio inmediatamente. Este vehículo puede llegar segundos después de
que haya pasado el vehículo predecesor de la cola, y ningún vehículo prioritario puede
llegar hasta que han pasado desde que el servidor quedó ocioso.
Si el flujo prioritario sigue una distribución exponencial negativa de headways, el
tiempo promedio de servicio de vehículos aislados no prioritarios , y que llegan
cuando el sistema está ocioso, se expresa como:
(A-24)
154
Sin embargo, está expresión se sustenta en el supuesto de que los procesos de llegada
prioritarios y de vehículos aislados son independiente, lo cual ha sido demostrado ser
incorrecto (Daganzo, 1977). En este contexto, Luttinen (2004) sostiene que un vehículo
aislado puede arribar sólo cuando el servidor está ocioso. Esto ocurre cuando se tiene un
lag . Por esta razón, el proceso de llegadas de vehículos aislados y el de
vehículos prioritarios no son independientes.
Considerando la dependencia en los procesos para vehículos aislados y vehículos
prioritarios, se puede estimar el tiempo promedio de servicio a partir de la siguiente
expresión (Daganzo, 1977):
(A-25)
donde
(A-26)
y y son las transformadas de Laplace de rechazar lags y gaps, respectivamente.

Las formulaciones de la demora en términos de ambos tiempos de servicio son bastante
complicadas. Un modelo más simplificado fue presentado por Hansson & Bergh (1988),
quienes sostienen que las siguientes expresiones son suficientes para estimar ambos
tiempos de servicio:
(A-27)
donde es la capacidad y es la demora promedio cuando el flujo de éstos es muy

bajo (para más detalle respecto a ver Anexo D).
Hansson & Bergh (1988) proponen una solución práctica y de buena aproximación al
modelo de Yeo (1962), para estimar la demora en base a un sistema M/G2/1, la cual
viene dada por:
(A-28)
155
La utilización de un modelo que estime los tiempos de servicios diferenciando entre

vehículos aislados y en cola, produce dificultades serias al momento de modelar
situaciones con grados de saturación altos en los movimientos. Por esta razón, en la
práctica se ha preferido utilizar el inverso de la capacidad como tiempo de servicio, es
decir, al tiempo de los vehículos en cola como el valor representativo del tiempo de
servicio de todo el movimiento.
 Tiempo de Espera en Cola
Dependiendo de las consideraciones que se tengan respecto a la distribución del tiempo

de servicio para vehículos en cola y aislados, se podrá definir el modelo de teoría de
colas que representará la operación de la intersección.
Si se asume que las llegadas de vehículos a la intersección en una pista siguen un
proceso Poisson, y los vehículos son servidos por un único servidor con un patrón i.i.d4,
el sistema puede ser descrito por un proceso M/G/15. En este caso, el tiempo promedio
de espera en cola viene dado por la fórmula Pollaczek-Khintchine:
(A- 29)
donde es el tiempo de servicio promedio, es el coeficiente de variación

de los tiempos de servicio, es la varianza de los tiempos de servicio, y es el
factor de utilización del servidor. Para obtener el tiempo de espera total en el sistema, a
la cantidad anterior se le debe adicionar el tiempo de servicio. Luego, definiendo
como una constante de aleatoriedad, el tiempo de espera total en
un sistema M/G/1 se obtiene como sigue:
(A-30)
4
i.i.d: independientes e idénticamente distribuidos.
5
M/G/1: Un sistema con tiempos entre llegadas generadas por una distribución exponencial negativa (M)
y con un servidor con tiempos de servicio distribuidos por un modelo general (G).
156
La varianza de los tiempos de servicio depende de la distribución que se utilice para

modelarlos. Por ejemplo, si todos los tiempos de servicios se asumen constantes, la
varianza es nula ( ). En este caso, el sistema de colas es llamado M/D/1, en que D
indica tiempos de servicio determinísticos, con lo que el tiempo de espera promedio en
cola se obtiene por medio de:
(A-31)
Por otro lado, si tanto la distribución del tiempo entre llegadas como la del tiempo de
servicio se asumen como exponencial negativa, el proceso de la cola es M/M/1. En este
caso la desviación estándar de los tiempos de servicios es igual a su promedio, con lo
que . Así, el tiempo de espera promedio del sistema es obtenido con la
fórmula de Pollaczek-Khintchine como:
(A-32)
En cambio, si se considera un sistema M/G2/1, en el cual se tienen tiempos de servicio

a vehículos en cola y a vehículos aislados, el tiempo promedio de espera en cola
en un sistema M/G2/1 viene dado por (Yeo, 1962):
(A-33)
donde y son los factores de ocupación del servidor con el sistema vacío y con cola,
respectivamente, y y son los segundos momentos de la distribución del
tiempo de servicio del sistema vacío y con cola, respectivamente.
Otra metodología para determinar la demora promedio del sistema se desprende
directamente de la teoría de aceptación de gaps. Este método se basa en el trabajo de
Adams (1936), y fue extendido por Troutbeck (1990).
(A-34)
157
donde y son constantes, y es el grado de saturación y es la demora de Adams

(Adams, 1936). La demora Adams es la demora promedio para vehículos no prioritarios
cuando el flujo de éstos es muy bajo. Es además la mínima demora experimentada por
vehículos no prioritarios.
Troutbeck (1990) desarrolló expresiones para , y basado en las formulaciones
de Cowan (1975). Brilon & Troutbeck (1992) indican que si los vehículos no prioritarios
arriban de manera aleatoria, es igual a cero. Por otro lado, si existe apelotonamiento en
el flujo no prioritario es mayor a cero.
Para llegadas no prioritarias aleatorias, viene dado por:
(A-35)
donde es el flujo conflictivo del movimiento en cuestión, es el gap crítico y es el

tiempo de seguimiento del movimiento.
Debe notarse que es aproximadamente igual a 1 y que depende de las
características de apelotonamiento del flujo prioritario. Si la distribución del pelotón es
geométrica, entonces:
(A-36)
donde es la proporción de vehículos libres en la distribución de headways apelotonada

del flujo prioritario conflictivo, es el headway mínimo de la distribución de headways
apelotonada y es el parámetro de escala de la distribución de headways apelotonada.
Un modelo alternativo para esta expresión es el desarrollado por Tanner (1962), el cual
tiene una expresión distinta para la demora de Adams (1936), debido a que la
distribución del tamaño del pelotón del flujo prioritario tiene una distribución Borel-
Tanner. Esta ecuación es:
(A-37)
158
El modelo (A-34 es similar al de Pollaczek-Khintchine (ecuación (A-30). En este caso,

la constante de aleatoriedad esta dada por y el término
puede considerarse equivalente al tiempo de servicio. Ambos términos están en función

de y y la distribución de headways. Sin embargo, los valores de , y no están
disponibles para todas las condiciones.
159
ANEXO E: FUNCIONES ASOCIADAS A LAS DISTRIBUCIONES DE
HEADWAYS
A continuación, se presentan la función de distribución de probabilidad, la función de

supervivencia, el valor esperado, la funciones de densidad de probabilidad y de
supervivencia de lags, para las distribuciones exponencial negativa, exponencial
desfasada y de Cowan (1975), presentadas en la sección 2.3.1. En el cálculo se debe
tener presente las definiciones matemáticas de la Tabla 6-2Tabla E-1: :
Tabla 6-2Tabla E-1: Definiciones matemáticas – Funciones de probabilidad
Función Descripción Expresión Matemática

Función de densidad de
probabilidad
Función acumulada de
probabilidad
Función de supervivencia de
probabilidad
Valor esperado
Función de densidad de
probabilidad de lags
Función de supervivencia de lags
Usando las definiciones anteriores, se obtienen las siguientes expresiones para la

distribución exponencial negativa, donde es el parámetro de escala de la distribución.
160
Tabla 6-3Tabla E-2: Funciones de probabilidad – Distribución exponencial
Función Expresión Matemática
Ahora, para una distribución exponencial negativa desfasada se obtienen los resultados
de la Tabla E-3, donde y representan el parámetro de escala y headway mínimo de la
distribución, respectivamente.
Por último, para la distribución Cowan (1975) se obtienen las funciones de la Tabla E–4,
donde , y representan el parámetro de escala, la proporción de vehículos libres y el
headway mínimo de la distribución, respectivamente.
161
Tabla 6-4Tabla E–3: Funciones de probabilidad – Distribución exponencial desfasada

162
Tabla 6-5Tabla E-4: Funciones de probabilidad – Distribución Cowan

163
ANEXO F: DESARROLLO MODELOS PROPUESTO PARA DEMORA
A continuación se presenta, la derivación teórica de los modelos de tiempo de espera

desarrollados y analizados en la sección 3.2.
Los modelos desarrollados se basan en los siguientes supuestos:
 Supuesto N°1: Tipo de Tiempo de espera promedio en cola
El tiempo de espera promedio en cola ( ) en un estado estacionario dado por un

modelo M/M/1:
(A-38)
donde es el grado de saturación y es la capacidad del movimiento.

Esta expresión puede rescribirse en términos de la capacidad de reserva ( ), a partir de la
siguiente expresión:
(A-39)
donde la capacidad de reserva se calcula como y representa el flujo del

movimiento.
 Supuesto N°2: Tipo de tiempo de espera deterministico
La demora determinística que considera el área BCDG, la cual representa el tiempo de

espera total en cola de los vehículos que llegaron en el período de análisis, excluyendo a
aquellos a la cola inicial ( ). Esta área se representa por un trapecio con bases dadas
por los tiempos de descarga de la cola inicial del período y la cola final del mismo.
De esta manera, el tiempo de espera promedio de espera en cola ( ) de los
vehículos que arriban al sistema durante el período de análisis se puede calcular a partir
de la siguiente expresión:
(A-40)
164
Esta expresión puede ser reescrita en términos de la capacidad de reserva ( ) de la

siguiente manera:
(A-41)
 Supuesto N°3: Función de transformación
Las formulaciones desarrolladas se basaron en las transformaciones A2 y A3 (ver

sección 2.5.4). No se utilizó una función A1 (relación aditiva de grados de saturación),
pues no permitían la derivación del tiempo de espera promedio transformado, dados los
supuestos 1 y 2 ya asumidos.
Las funciones de transformación A2 y A3 son las siguientes:
(A-42)
(A-43)
donde y son el grado de saturación y capacidad de reserva dadas por las
formulaciones utilizadas para el caso de un sistema considerado en estado estacionario,
respectivamente. y , son el grado de saturación y capacidad de reserva dadas por las
formulaciones utilizadas para el caso de un sistema determinístico, respectivamente. Y
por último, y son el grado de saturación y capacidad de reserva para la formulación
transformada.
En base a los supuestos anteriores, se pueden formular los modelos respectivos de la
siguiente manera:
 Modelo con transformación A2:
Se debe despejar de las expresiones (A-38 y (A-40 los términos y :
(A-44)
(A-45)
165
Resolvemos la ecuación dada por la transformación A2, exigiendo que

, obteniendo:
(A-46)
donde, es el tiempo de espera promedio en cola de la función transformada.

De esta manera, resolviendo para la expresión anterior, se obtiene:
(A-47)
 Modelo con transformación A3:
De manera similar al modelo A2, se debe despejar de las expresiones (A-39 y (A-41 los
términos y :
(A-48)
(A-49)
Resolvemos la ecuación dada por la transformación A3, exigiendo que

, y obtenemos la siguiente expresión:
(A-50)
Luego, se obtiene la siguiente expresión para el tiempo de espera en cola promedio:
(A-51)

Análisis de Modelos de Capacidad Y Demora en Intersecciones Prioritarias

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Análisis de Modelos de Capacidad Y Demora en Intersecciones Prioritarias

Încărcat de

Drepturi de autor:

Formate disponibile

PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE

TOMÁS IGNACIO PINOCHET FUENZALIDA

Tesis para optar al grado de

Santiago de Chile, (Abril, 2012)

ANÁLISIS DE MODELOS DE CAPACIDAD Y

TOMÁS IGNACIO PINOCHET FUENZALIDA

Tesis presentada a la Comisión integrada por los profesores:

JUAN ENRIQUE COEYMANS A.

JUAN CARLOS HERRERA M.

Para completar las exigencias del grado de

Santiago de Chile, (Abril, 2012)

A mis Padres, hermanos y a Josefina,

AGRADECIMIENTOS .............................................................................................. iii

INDICE DE FIGURAS ................................................................................................ v

INDICE DE TABLAS ............................................................................................... vii

2. REVISIÓN BIBLIOGRÁFICA .......................................................................... 7

2.4.3 Modelos de estimación de capacidad a nivel de pista ................... 35

3. SELECCIÓN DE MODELOS .......................................................................... 51

4. MÉTODOS DE ANÁLISIS DE MODELOS ................................................... 66

5. RESULTADOS DEL ANÁLISIS DE MODELOS ........................................ 104

6. CONCLUSIONES Y RECOMENDACIONES ............................................. 130

BIBLIOGRAFÍA….. ............................................................................................... 138

A N E X O S……… ................................................................................................ 142

Anexo A: Estimación de Gap Crítico y Tiempo de Seguimiento ............................ 143

Anexo B: Modelos de Capacidad Potencial ............................................................. 146

Anexo C: Capacidad Pista no Prioritaria Compartida.............................................. 149

Anexo D: Tiempo de Espera en Estado Estacionario .............................................. 152

Anexo E: Funciones asociadas a las Distribuciones de Headways .......................... 159

Anexo F: Desarrollo modelos propuesto para demora ............................................ 163

Figura 2–1: Nomenclatura de Movimientos ...................................................................... 9

Figura 2–2: Relación Headways y Lags .......................................................................... 12

Figura 2–3: Proceso de Inserción Discreto y Continuo ................................................... 18

Figura 2–4: Ajuste Capacidad de movimientos de ranking 4 – Movimientos ................. 29

Figura 2–6: Transformación Coordinada para los Tiempos de Espera ............................ 41

Figura 2–7: Proceso de Descarga en Saturación .............................................................. 46

Figura 3–1: Demoras Determinísticas Brilon (2008) ....................................................... 61

Figura 4–1: Modelo de Aceptación de Gaps en AIMSUN NG ....................................... 75

Figura 4–2: Diferencias en Simulación de Capacidad Potencial ..................................... 84

Figura 4–3: Escenario de Evaluación Factor de Impedancia Vehicular .......................... 89

Figura 4–4: Escenario Evaluación Ajuste Capacidad Movimientos de Ranking 4 ......... 91

Figura 4–5: Escenarios de Evaluación Factor Impedancia en Pista Compartida ............. 94

Figura 4–6: Escenarios Evaluación Modelo de Capacidad en Pista Compartida ............ 95

Figura 4–7: Tiempo de Espera Determinístico de Modelos Evaluados ......................... 102

Figura 5–1: Estimación de Capacidad y Capacidad Potencial – Experimento N°1....... 106

Figura 5–2: Dispersión en la estimación de Capacidad – Experimento N°1 ................. 108

Figura 5–3: Dispersión en la estimación de Capacidad – Experimento N°2 ................. 112

Figura 5–4: Capacidad Movimiento 8 – Experimento N°3 (E3a) ................................. 117

Figura 5–7: Capacidad Simulada Experimento N°4 ...................................................... 123

Figura C–1: Esquema Pista Compartidas con Ensanchamiento .................................... 149

Tabla 2-1: Comparación de métodos para la estimación de la capacidad........................ 24

Tabla 3-1: Modelos aceptados para la estimación de Capacidad ..................................... 63

Tabla 3-2: Modelos aceptados para la estimación de Demora ......................................... 64

Tabla 3-3: Resumen experimentos de modelos de demora seleccionados ...................... 64

Tabla 3-4: Resumen experimentos de modelos de capacidad seleccionados .................. 65

Tabla 4-1: Gap crítico y Tiempo de Seguimiento en HCM2000 ..................................... 71

Tabla 4-2: Gap Crítico y Tiempo de Seguimiento en SIDRA ......................................... 72

Tabla 4-3: Cotas Parámetros Simulación (Tiempo Seguimiento – Gap Crítico)............. 73

Tabla 4-4: Valores de Parámetros según Velasco (2004) ................................................ 83

Tabla 4-5: Parámetros Calibrados de AIMSUN NG........................................................ 87

Tabla 5-1: Ajuste Modelos Experimento N°1................................................................ 107

Tabla 5-3: Ajuste Modelos Experimento N°2................................................................ 113

Tabla 5-6: Resultado E3b – Experimento N°3............................................................... 119

Tabla 5-7: Errores de estimación de capacidad – Experimento N°4 ............................. 121