Modelado y Simulación de una Intersección de
Calles en un Contexto Multi-Agente
Modelling and Simulation of a Street Intersection in a Multi-Agent Context
Joaquín Nacht
#1
, Mariana Falco
*2
, Gabriela Robiolo
#3
#
LIDTUA (CIC), Facultad de Ingeniería, Universidad Austral,
Pilar, Buenos Aires, Argentina
1
joaquin.nacht@ing.austral.edu.ar
3
grobiolo@austral.edu.ar
*
CONICET - LIDTUA, Facultad de Ingeniería, Universidad Austral,
Pilar, Buenos Aires, Argentina
2
mfalco@austral.edu.ar
Abstract—Losses of time due to congestion and traffic jams
are current events in cities due to a non-optimal configuration
of the traffic lights. Various sciences and specialties have tried
to understand the phenomenon and identify the causes in
order to obtain an appropriate solution. The present work
introduces the extension of a system oriented to agents whose
purpose is to reduce the waiting time of the drivers in an
intersection of streets; modelling now vehicles (cars and taxis),
pedestrians and an intelligent traffic light that evaluates the
weights of the flows in two directions (X and Y), turn left and
right. For which, the validation was carried out in six possible
scenarios, defined by means of the variation of the flow of
vehicles and pedestrians, of a turning frequency in 20 and 80
and the application of different adjustment factors for
intelligent traffic lights. The simulation environment was
implemented in NetLogo, which allowed comparing the impact
of the use of the intelligent traffic light versus a fixed-time
traffic light. Finally, we will present the conclusions and future
work
Keywords: multi-agent systems; agent-oriented programming;
traffic; NetLogo.
Resumen—Las pérdidas de tiempo por congestión y
embotellamientos de tráfico son sucesos corrientes en las
ciudades por una configuración no óptima de los semáforos.
Diversas ciencias y especialidades han intentado comprender el
fenómeno e identificar las causas en pos de obtener una
solución apropiada. El presente trabajo introduce la extensión
de un sistema orientado a agentes cuyo fin es reducir el tiempo
de espera de los conductores en una intersección de calles;
modelando ahora vehículos (autos y taxis), peatones y un
semáforo inteligente que evalúa los pesos de los flujos en dos
direcciones (X e Y), giro a la izquierda y derecha. Para lo cual,
la validación fue llevada a cabo en seis escenarios posibles,
definidos por medio de la variación del flujo de vehículos y
peatones, de una frecuencia de giro en 20 y 80 y la aplicación
de diferentes factores de ajustes para los semáforos
inteligentes. El entorno de simulación se implementó en
NetLogo, lo que permitió comparar el impacto del uso del
semáforo inteligente versus un semáforo de tiempos fijos.
Finalmente, presentaremos las conclusiones y el trabajo
futuro.
Palabras clave: sistemas multi-agentes; programación
orientada a agentes; tráfico; NetLogo.
I. INTRODUCCION
Las rutas y calles hacen posible la circulación y
el recorrido de las ciudades, pero
desafortunadamente el tráfico y particularmente la
congestión del mismo conlleva a que los
conductores sufran pérdidas de tiempo para llegar
de un lugar a otro, por el tiempo que tardan en
transitar sobre los caminos, sumado a los tiempos
de espera por semáforos. Diversas disciplinas han
estudiado dicha problemática en pos de
comprender el fenómeno [1], [2], [3], y lograr una
solución viable [4], [5], [6]. Algunos autores han
encontrado que los conductores atascados en
condiciones de alta congestión presentan niveles
elevados de estrés [7], lo que puede llevarlos a
modificar su comportamiento mientras manejan
su vehículo. En consecuencia, es importante
cambiar la forma en que las personas conducen, y
encontrar mejores soluciones para lidiar con el
tráfico, como semáforos inteligentes o incluso
automóviles que se comunican entre sí.
El rápido crecimiento de las ciudades, la
localización de las instituciones educativas y la
diversidad de puestos de trabajo generan un
aumento en el flujo diario del tráfico, lo que
conlleva a un incremento en el número de
vehículos y medios de transporte en las calles en
particular y en las ciudades en general. Si bien
diversos dominios han abordado el problema de la
Revista elektron, Vol. 2, No. 2, pp. 83-94 (2018)
ISSN 2525-0159
83
Recibido: 05/11/18; Aceptado: 29/11/18
congestión de tráfico [8-12] consideramos que la
implementación de un enfoque simple, que
implemente técnicas de modelado y simulación
basados en agentes, con un nivel de dificultad
bajo-medio de implementación es capaz de ser
efectivo y viable para su aplicación en la vida real.
Existe un gran número de herramientas y
plataformas como NetLogo [13] y Repast, y un
elevado número de aplicaciones, donde los usos
más comunes tienen lugar en simulaciones
sociales y problemas de optimización como el
comportamiento humano, la simulación urbana, la
gestión del tráfico, entre otros [14].
En [15], los autores presentan una simulación
de tránsito en NetLogo, en una intersección en
pos de su optimización mediante un enfoque
basado en agentes, que disminuye el tiempo de
espera de los vehículos, evitando que estos
esperen un tiempo indeterminado o
excesivamente largo; con la meta final de reducir
la congestión de tráfico en una intersección de dos
calles - doble mano y doble carril, donde circulan
vehículos. En este contexto, el objetivo que
persigue el presente artículo es introducir una
extensión de [15], agregando a la simulación,
semáforos de giro a la izquierda, taxis y peatones;
y adaptando el semáforo inteligente al nuevo
escenario.
La simulación posee sus raíces y motivaciones
en una intersección real (precisamente aquella
existente entre Av. Mariano Acosta y Ruta n° 8 en
Pilar, Buenos Aires) en la cual, en el momento de
ingresos o egresos a la Universidad se generan
largas colas de autos, desde la entrada a la
Facultad de Ingeniería hasta la Ruta n° 8,
convirtiéndose en más de dos cuadras de autos.
En dicha intersección se modelan, por tanto,
tres agentes: el agente vehículo (incluyendo autos
regulares y taxis), el agente peatón y el agente
intersección. Los vehículos pueden avanzar y en
la intersección girar a la derecha o a la izquierda,
para lo que habrá un semáforo de giro. Como
parte de esta solución, el agente vehículo podrá
avanzar, frenar, cambiar de carril y doblar a la
derecha. La extensión de la funcionalidad del
agente vehículo será el giro a la izquierda, los
taxis y los choques. El giro a la izquierda lo podrá
hacer únicamente estando en el carril izquierdo y
cuando el semáforo de giro a la izquierda este en
verde. Los taxis, serán distinguidos por su color
amarillo. Funcionaran como autos normales con
la diferenciación de que si algún peatón está
esperando un taxi, el mismo podrá detenerse y
levantarlo. Además habrá choques entre vehículos,
cuando dos vehículos estén demasiado cerca uno
va a quedarse quieto (chocado) obstruyendo el
tránsito por un tiempo definido por el usuario.
Luego, el agente peatón representa una persona
que podrá avanzar por la vereda, frenar y doblar
en las esquinas a la izquierda y a la derecha. Por
otro lado, el agente intersección tendrá dos
estrategias de funcionamiento: tiempos fijos o
tiempos variables, siendo la primera por tiempos
determinados previamente, donde el semáforo
estará en verde o rojo por un tiempo
predeterminado. Los tiempos variables son
dinámicos, por lo que la estrategia cambiará a
partir de los datos sensados por el agente
intersección. Así, tendrá en cuenta la cantidad de
vehículos que están esperando, el tiempo que
estuvieron esperando y el tiempo desde la última
vez que estuvo en verde cada dirección.
Teniendo como base lo anterior, se han
planteado diversos escenarios donde varía el flujo
de agentes y el factor para el semáforo inteligente.
También, se variará la frecuencia de giro de los
automóviles. El trabajo se estructura de la
siguiente forma: en la sección 2, se contextualiza
un breve estado de arte de sistemas basados en
agentes aplicados al tráfico. La sección 3 explica
el entorno de simulación e implementación del
algoritmo, describiendo la herramienta elegida
NetLogo, los agentes y sus funcionalidades, el
ambiente y la interfaz de usuario, y la lógica (el
código del algoritmo se presenta en un anexo
aparte, subido en la dirección de la nota
1
). La
sección 4, busca mostrar y analizar el
comportamiento emergente del sistema a partir
de la comparación de las estrategias en los seis
escenarios. Finalmente, la sección 5 presenta las
conclusiones y los lineamientos del trabajo futuro.
II. ESTADO DE ARTE
Uno de los primeros sistemas de control de
tráfico fueron aquellos con planes de tiempos de
intersección fijos y señalizados, donde las
longitudes del ciclo variaban entre los 35 y los
120 segundos [16]. Tiempo después surgieron, los
semáforos con control dinámico que utilizan
sensores para detectar distintos tipos de vehículos
y usuarios no motorizados como es el caso de los
1
http://ccl.northwestern.edu/netlogo/upload.shtml
Revista elektron, Vol. 2, No. 2, pp. 83-94 (2018)
ISSN 2525-0159
84
http://elektron.fi.uba.ar
peatones; y el control coordinado lo que posibilita
que los conductores encuentren una onda verde:
una cadena de luces verdes en los semáforos,
fenómeno conocido como progresión [17].
Finalmente, el control de tráfico adaptativo
responde a una estrategia en la que el tiempo de la
señal del semáforo cambia o se adapta según la
demanda del tráfico en tiempo real.
Existen varias simulaciones desarrolladas con la
plataforma NetLogo de sistemas dinámicos y
adaptativos de control de tráfico basados en
agentes, para una o varias intersecciones. Para el
caso de una intersección, es viable mencionar a
[18] y [19]. En el primero de ellos, Bui et al. [18]
reformulan los modelos de competencia
económica de Cournot y Stackelberg para el
desarrollo del algoritmo inteligente del semáforo,
para vehículos con y sin prioridad. En este
contexto, muestran una mejora en el tiempo de
espera para dos condiciones, el flujo de vehículo
uniforme y no uniforme en las dos direcciones,
comparando el algoritmo propuesto versus uno
basado en el método Round-Robin (en scheduling
de procesos, las franjas horarias o quantums de
tiempo se asignan a cada proceso en partes iguales
y en orden circular, manejando todos los procesos
sin prioridad), con semáforos de tiempos fijos y el
otro usando un sensor de red.
En el segundo ejemplo, los autores [19]
desarrollan en el contexto de Internet de las Cosas,
el modelado de la comunicación entre los agentes,
para mejorar el flujo de tráfico en una intersección
en tiempo real. Los vehículos se pueden
identificar en función de su ID (por ejemplo,
matrícula del vehículo), a partir de la cual también
puede comunicarse con la infraestructura. Cada
vehículo está equipado con el sistema de
posicionamiento para determinar su ubicación.
En el caso de los peatones, al usar dispositivos
de conexión como teléfonos inteligentes, pueden
comunicarse con el sistema. La simulación mide
el rendimiento de los algoritmos de control del
tráfico al aumentar la densidad de los agentes que
llegan a la intersección, considerando una
distribución aleatoria para cada dirección de la
intersección.
Los autores [19] realizan la comparación de la
eficiencia del algoritmo propuesto versus un
algoritmo de programación de Round-Robin para
controlar el semáforo. Los resultados muestran
que el tiempo de espera del vehículo obviamente
aumenta cuando la densidad de los vehículos
aumenta. Sin embargo, usando el algoritmo
propuesto la variación no es tan significativa,
dado que la prioridad de los mensajes de solicitud
del vehículo está dada por un modelo FIFO (First
Came, First Out), lo que permite que el vehículo
pase la intersección lo antes posible. Concluyen
que el algoritmo propuesto reduce el tiempo
espera de los agentes.
Para el caso de múltiples intersecciones, en el
contexto de complejas redes de tránsito
desarrollaron en [20] un enfoque multi-agente
utilizando clustering difusos para administrar el
flujo del tráfico en condiciones determinadas, con
el empleo de NetLogo para testear y evaluar el
enfoque planteado. Los autores concluyen que
para una grilla de intersecciones, el tiempo medio
de retardo se puede reducir en un 42,76%, en
comparación con la señal de tráfico de secuencia
fija convencional.
Otros autores presentan en [21] un modelo
adaptativo que modela una ciudad de 19x19 calles,
comparando dos enfoques diferentes: a) en cada
intersección se cuenta el número de automóviles
que se aproximan a la luz roja,
independientemente de su estado o velocidad; b)
la duración del próximo ciclo verde de cada luz
es directamente proporcional a la cantidad de
automóviles que cruzaron la intersección en el
último ciclo verde. Dichos autores encuentran
mejoras del segundo enfoque con respecto al
primero, para la velocidad promedio de los autos,
el número promedio de los autos parados y el
tiempo medio de espera de los autos, para bajas
densidades de autos y una mejora menor para
altas densidades de autos. Concluyen que el
segundo es más fácil de implementar debido a que
es posible usar bandas de goma o detectores de
bucle enterrados para la detección de autos.
Por último, otro artículo [22] presenta una
simulación de la coordinación dinámica del
sistema de semáforos urbanos, utilizando los
datos de tráfico disponibles localmente y el estado
del tráfico de las intersecciones vecinas, con el fin
de mejorar el tránsito urbano en la ciudad de
Colima, México. Muestra la simulación de tres
intersecciones (500 metros de distancia entre cada
intersección) en una avenida. Se define y utiliza
un algoritmo inteligente para el control adaptativo
con capacidades de aprendizaje que permite un
tráfico más fluido, reduciendo el tiempo de espera
Revista elektron, Vol. 2, No. 2, pp. 83-94 (2018)
ISSN 2525-0159
85
http://elektron.fi.uba.ar
promedio y el tamaño medio de cola de espera por
intersección. Los autores comparan la situación
real con la propuesta, en escenarios de baja y alta
afluencia de autos. Los mismos concluyen que el
tiempo de espera para la dirección norte-sur se
reduce un 16%, para el sur-norte el 59%, para el
este-oeste el 57% y para el oeste-este hasta el
33% con respecto a la situación actual, para
tráfico normal y un 29% para horas picos.
Consecuentemente, los ejemplos citados
demuestran que es posible reducir el tiempo de
espera en una o varias intersecciones, aspecto que
motiva presentar nuestros resultados,
considerando que aún quedan tantas
intersecciones o arterias en las ciudades en
general y particularmente en Buenos Aires, donde
es posible agilizar el tráfico.
III. ENTORNO DE MODELADO, SIMULACIÓN E
IMPLEMENTACIÓN DEL SISTEMA
La simulación y modelado computacional
permite abordar el análisis del comportamiento de
los sistemas, brindando estrategias para su
funcionamiento. En este contexto, un modelo es
regularmente considerado como una
representación abstracta y simplificada de la
realidad; mientras que una simulación es una
manifestación del modelo, encapsulando
escenarios reales [23].
Ahora bien, un agente representa un nivel alto
de abstracción que define una unidad compleja de
software de una forma eficiente y conveniente.
Puede definirse un agente de software como un
sistema de computadora que es capaz de realizar
acciones autónomas dentro de un ambiente,
exhibiendo un comportamiento flexible: es decir,
abordando la reactividad, proactividad, y la
habilidad social [24].
El paradigma basado en agentes puede ser
considerado como una extensión intrínseca de la
orientación a objetos, donde un agente representa
un objeto que tiene control sobre su ejecución
[25]. Existen diversas diferencias de los agentes
con los objetos, como que los agentes son
autónomos, que se comunican con otros agentes
mediante mensajes, que no invocan métodos
(como los objetos), que un sistema multi-agente
es multi-threaded (a diferencia de un sistema
orientado a objetos que tiene un solo thread de
ejecución), entre otros.
Conceptualmente, el paradigma de agentes
encaja perfectamente en la necesidad de modelar
sistemas complejos. El Modelado y Simulación
basado en Agentes (en inglés, Agent-based
Modelling and Simulation – ABMS) hace
referencia a modelos computacionales que
involucran acciones dinámicas y reacciones entre
agentes que interactúan en un ambientes, con el
fin de evaluar su diseño y performance; y así
derivar en insights sobre su comportamiento [23].
En el modelado basado en agentes, un sistema
es modelado como una colección de agentes,
donde cada agente evalúa individualmente su
situación y toma decisiones sobre la base de un
conjunto de reglas. Los agentes pueden ejecutar
diversos comportamientos apropiados para el
sistema que representan, por ejemplo, producir,
consumir o vender. En el nivel más simple, un
modelo basado en agentes consiste en un sistema
de agentes y las relaciones entre ellos. Pero un
modelo simple basado en agentes puede mostrar
patrones de comportamiento complejos [26] y
proporcionar información valiosa sobre la
dinámica del sistema del mundo real que emula.
Además, los agentes pueden ser capaces de
evolucionar, permitiendo que surjan
comportamientos imprevistos. El modelado
basado en agentes sofisticado puede incorporar
redes neuronales, algoritmos evolutivos u otras
técnicas de aprendizaje para permitir el
aprendizaje y la adaptación realistas.
Consecuentemente, es viable afirmar que el
modelado basado en agentes es una técnica de
simulación poderosa, que abordan grandes áreas
de aplicación y para la cual se han desarrollado
herramientas software para lograr el modelado de
los sistemas.
A. Modelado basado en Agentes mediante NetLogo
El modelado basado en agentes cuenta con un
gran número de plataformas, que pueden dividirse
en dos categorías. La primera define los modelos
utilizando lenguajes de programación como Java
o C++, donde las más conocidas son Swam y
Repast; mientras que la segunda categoría utiliza
lenguajes dedicados y las plataformas de código
abierto más conocidas son NetLogo y GAMA
[27].
NetLogo [13] creado en 1999 por U. Wilensky,
es un entorno de modelado programable que
permite simular fenómenos naturales y sociales, y
es viable dar instrucciones a cientos o miles de
Revista elektron, Vol. 2, No. 2, pp. 83-94 (2018)
ISSN 2525-0159
86
http://elektron.fi.uba.ar
agentes que operan independientemente lo que
posibilita la exploración de la relación el
comportamiento a nivel micro (individuos e
interacciones entre ellos) y los patrones a nivel
macro (representado en los patrones de
organización o comportamiento emergentes de los
individuos como un todo).
Es lo suficientemente simple para los
estudiantes y profesores, pero lo suficientemente
avanzado como para servir como una poderosa
herramienta para los investigadores en muchos
campos. En NetLogo todo es un agente, desde
cada cuadrado que conforma el plano donde se
visualiza la simulación, hasta quien se encarga de
pintar las calles, los semáforos y los autos. Para
crear un nuevo tipo de agente, es necesario
utilizar la palabra reservada <breed>, para agregar
propiedades a cada agente debe emplearse la
palabra reservada <own>.
Con el fin de poder operar sobre cierto tipo de
agente debe usarse la palabra reservada <ask>.
Además, ofrece una función <go> que ejecuta
todo lo que esté dentro de ella a cada tick,
considerando que un tick es una medida de tiempo
que puede ser modificada. Se ejecuta en la JVM,
por lo que funciona en todas las plataformas
principales como Mac, Windows y Linux. Se
ejecuta como una aplicación de escritorio y la
operación de línea de comando también es
compatible [28].
B. Descripción de los Agentes Modelados
Los agentes implementados son los que se
observan en las Tablas I, II y III, donde se
describen los agentes por sus atributos, por la
información que sensan del ambiente y por su
comportamiento.
TABLA I
DESCRIPCIÓN DEL AGENTE AUTO
Descripción
Agente Auto
Atributos
Velocidad: velocidad actual del auto,
Paciencia: el nivel de tolerancia restante que
tiene el conductor de tanto esperar,
Dirección: hacia dónde va el auto,
Carril actual,
Coordenadas actuales,
Girar a la derecha(Sí o no): indica si el auto va a
girar en la intersección,
Girar a la izquierda(Sí o no): indica si el auto va
a girar en la inter-sección,
Tiempo de espera en el semáforo,
Aceleración,
Desaceleración,
Taxi (Si o no): Indica si es un taxi,
Está libre (Aplica sólo para taxis): Indica si tiene
pasajeros,
Chocado.
Información
sensada del
ambiente
Autos cercanos: utilizando un ángulo de visión
de 15 grados y un radio que varía dependiendo
de la velocidad del auto,
Velocidad máxima de la calle,
Color de la luz del semáforo,
Autos en carril adyacente,
Posición dentro del ambiente,
Peatones esperando taxi
Comportamie
nto
Acelerar: lo hace si no tiene ningún auto en su
espectro de visión yendo a una velocidad menor
a la suya, si no supera la velocidad y si no se
encuentra en el límite previo al semáforo,
mientras este está en rojo,
Frenar: lo hace si tiene algún auto en su espectro
de visión yendo a una velocidad menor a la suya
y si se encuentra en el límite previo al semáforo,
mientras este está en rojo,
Doblar a la derecha: lo hace sí se encuentra en el
carril derecho al momento de llegar al área
crítica de la intersección con una probabilidad
definida por una variable y el semáforo está en
verde,
Doblar a la izquierda: lo hace sí se encuentra en
el carril izquierdo al momento de llegar al área
crítica de la intersección con una probabilidad
definida por una variable y el semáforo de giro
está en verde,
Cambiar de carril: lo hace sí la paciencia del
conductor llega a 0 (está va disminuyendo a
medida que el tiempo de espera aumenta) y si no
hay ningún auto en su posible futura posición,
Levantar un pasajero: Lo hace si es un taxi y está
libre y pasa por al lado de un peatón que está
esperando un taxi,
Chocar: Al superponerse con otro vehículo se
considera chocado y se queda quieto en el lugar
hasta ser removido después de un límite de
tiempo
TABLA II
DESCRIPCIÓN DEL AGENTE INTERSECCIÓN
Descripción
Agente Intersección
Atributos
Luces de los semáforos: estado actual de los
semáforos,
Inteligencia (Sí o no): define el algoritmo a
utilizar para el manejo de luces de los semáforos,
Tiempo mínimo de verde,
Tiempo desde que se realizó el último cambio de
luz,
Dirección,
Es de giro,
Es de auto: Si aplica los autos o a los peatones.
Información
sensada del
ambiente
Cantidad de autos detrás de los límites de la
intersección en todas las direcciones,
Tiempos de espera de los autos
Comportamie
nto
Cambiar luz de semáforos:
Sin inteligencia: lo realiza por tiempos definidos,
el semáforo está en verde por un tiempo
determinado y después cambia a rojo,
Con inteligencia: lo realiza a partir de los datos
censados del ambiente. A partir de un algoritmo
que cuenta cuántos autos están esperando del
otro lado y de cuánto tiempo llevan esperando
decide si cambiar o seguir en el estado actual.
Revista elektron, Vol. 2, No. 2, pp. 83-94 (2018)
ISSN 2525-0159
87
http://elektron.fi.uba.ar
TABLA III
DESCRIPCIÓN DEL AGENTE PEATÓN
Descripción
Agente Peatón
Atributos
Velocidad: velocidad actual del peatón,
Dirección: hacia dónde va el peatón,
Coordenadas actuales,
Girar a la derecha(Sí o no),
Girar a la izquierda(Sí o no),
Girar antes: Indica si va a girar antes de cruzar,
Girar después: Indica si va a girar después de
cruzar,
Tiempo de espera en el semáforo,
Información
sensada del
ambiente
Peatones cercanos,
Color de la luz del semáforo,
Posición dentro del ambiente,
Taxi esperando a que el peatón suba
Comportamie
nto
Acelerar: lo hace si no tiene ningún peatón
exactamente delante suyo,
Frenar: lo hace si tiene algún peatón delante
suyo yendo a una velocidad menor a la suya y si
se encuentra en el límite previo al semáforo,
mientras este está en rojo,
Doblar a la derecha: lo hace sí se encuentra en
una esquina con la probabilidad definida para
doblar,
Esperar un taxi: Lo hace si cumple con la
probabilidad definida para esperar el taxi y está
en una zona en la que se puede parar uno,
Subir a un taxi: Lo hace si está esperando un taxi
y uno se detiene para levantarlo.
C. Algoritmo del semáforo inteligente
El algoritmo del semáforo inteligente
desarrollado coordina dos semáforos (X e Y) uno
para cada dirección de la intersección de las calles,
con sus respectivos semáforos de giro a la
izquierda y dos de los peatones. Además,
considera 4 semáforos de peatones, que al mismo
tiempo están todos en verde o rojo, por lo que el
algoritmo lo considera como una unidad. Se
distinguen 5 estados diferentes, descriptos en la
Tabla IV.
TABLA IV
ESTADOS DE LOS SEMÁFOROS
Semáforos
E 1
E 2
E3
E4
E5
Eje X
v
r
r
r
r
Semáforo giro X
r
v
r
r
r
Eje Y
r
r
v
r
r
Semáforo giro Y
r
r
r
v
r
Peaton
r
r
r
r
v
También considera la cantidad de vehículos
(autos y taxis) que están esperando en ambas
direcciones o ejes, siendo el eje la dirección del
flujo de vehículos que tiene el semáforo en luz
verde y la dirección del flujo de autos que tienen
luz roja. Evalúa los pesos de los cuatro semáforos
y los peatones.
Los agentes esperando en el eje son todos
aquellos que se encuentran antes de cruzar la
intersección para cada uno de los semáforos
previamente descriptos. El tiempo de semáforo en
rojo es el tiempo desde que el semáforo se puso
en rojo hasta el momento actual. Y, al valor del
tiempo, se lo multiplica por un factor de ajuste, a
este valor se lo puede hacer variar para conseguir
mejores resultados dependiendo del flujo de los
autos que hay en el momento. Para el eje que está
en verde, el tiempo rojo será 0 por lo que sólo
contarán los autos que quieren pasar por la
intersección. Disminuyendo o aumentando el
valor del factor, logramos variar la incidencia del
tiempo en el cálculo del peso.
El algoritmo hará que la luz del semáforo con
mayor peso se ponga en verde, salvo que aún no
se haya completado el mínimo tiempo de verde
fijado a través de los controles de usuario. Vale
destacar que la luz verde corresponde a la
dirección con mayor peso y los pesos i, se
calculan según (1):
Pi= Ai + Tsri * Fa (1)
donde:
• i, son el peso para la dirección X, Y, Giro
izquierda eje X, Giro izquierda eje Y y
Peatones
• A
i
, los agentes (autos o peatones) llegando
a la intersección en el semáforo (frenados
y en dirección a)
• Tsri, el tiempo de semáforo en rojo
• Fa, es el factor de ajuste
Vale destacar que T
sri
es multiplicado por un
factor de ajuste cuyo valor fue obtenido por medio
de pruebas experimentales, por lo que para el eje
que está en verde, T
sri
va a ser igual a 0. Por
ejemplo, para un tiempo mínimo de luz verde de
200 ticks (unidad de tiempo en NetLogo) y un F
a
de 0.001, el semáforo correspondiente al eje X
(calle horizontal) acaba de cambiar su luz a verde,
y el eje y (calle vertical) tiene el semáforo en rojo,
consecuentemente la luz del semáforo
permanecerá en verde el tiempo definido en un
principio (200 ticks). Pasado el tiempo mínimo
comienza a evaluarse la fórmula del peso en
ambos ejes:
Revista elektron, Vol. 2, No. 2, pp. 83-94 (2018)
ISSN 2525-0159
88
http://elektron.fi.uba.ar
Px= Aux + Tsrx * 0.001 (2)
Py= Auy + Tsry * 0.001 (3)
Luego, el peso para los ejes X e Y con giro y
para los peatones son los siguientes:
Pxg= Auxg + Tsrxg * 0.001 (4)
Pyg= Auyg + Tsryg * 0.001 (5)
Pp= P + Tsrp * 0.001 (6)
siendo:
• P
xg
, peso para el eje X con giro a la
derecha
• P
yg
, peso para el eje Y con giro a la
derecha
• A
uxg
, autos previos a la intersección en el
eje X que van a girar a la izquierda
• A
uyg
, autos previos a la intersección en el
eje Y que van a girar a la izquierda
• P
p
, peso para peatones
• P, peatones previos a la intersección
Para poner valores numéricos a un ejemplo
particular, diremos que al pasar 1000 ticks del
cambio de luz (el último cambio había sido del eje
Y al eje X) en el eje X hay 10 autos previos a la
intersección, en el eje Y hay 5 autos previos a la
intersección, en el giro del eje X hay 2 y no está
en verde hace 1200 ticks, en el giro del eje Y no
hay nadie y está en rojo hace 1600 ticks y en el
semáforo de los peatones hay 8 y está en rojo hace
1400 ticks. Por lo tanto, hemos realizado una
breve comparación de los pesos:
P
x
= 10
P
y
= 5 + 1000 * 0.001 = 6
P
xg
= 2 + 1200 * 0.001 = 3.2
P
yg
= 0 + 1600 * 0.001 = 1.6
P
p
= 8 + 1400 * 0.001 = 9.4
Consecuentemente, el P
x
continua siendo el más
fuerte. Este resultado nos indica que el P
x
es el
mayor por lo tanto el semáforo debe continuar en
verde para el eje X. Al pasar unos 100 ticks más,
el agente intersección observa que en el eje X hay
7 autos previos a la intersección y en el eje Y hay
6 autos previos a la intersección, el resto se
mantiene igual. Por lo tanto realiza la
comparación de los pesos:
P
x
= 7
P
y
= 6 + 1100 * 0.001 = 7.1
P
xg
= 2 + 1300 * 0.001 = 3.3
P
yg
= 0 + 1700 * 0.001 = 1.7
P
p
= 8 + 1500 * 0.001 = 9.5
Por lo tanto, P
p
paso a ser el más fuerte. Este
resultado indica que el P
p
es el mayor por lo tanto
el semáforo de los peatones pasará a verde
mientras que el del eje X a rojo. Los semáforos
permanecerán así al menos por el tiempo mínimo
de verde (200 ticks) y luego, volverá a hacer los
cálculos y la comparación.
Finalmente, si comparamos este algoritmo con
el de semáforos de tiempos fijos destacamos que
en este último no se realiza una evaluación de los
pesos, sino que el cambio de luz se origina por el
transcurso de los ticks pre-definidos.
D. Ambiente e interfaz de usuario
Fig. 2. Interfaz gráfica del modelo en NetLogo.
Se han considerado los siguientes supuestos,
que están aplicados y pueden visualizarse en la
Fig. 2:
(a) los únicos tipos de vehículos modelados son
el auto y el taxi,
(b) las calles que conforman la intersección
poseen una velocidad máxima que los autos
respetan,
(c) las calles que conforman la intersección son
doble mano,
(d) cuando un auto llega a la intersección puede
cruzarla, girar a la derecha o a la izquierda,
(e) para doblar a la derecha los autos deben
estar en el carril derecho de la calle,
Revista elektron, Vol. 2, No. 2, pp. 83-94 (2018)
ISSN 2525-0159
89
http://elektron.fi.uba.ar
(f) para doblar a la izquierda los autos deben
estar en el carril izquierdo de la calle,
(g) los sensores de la intersección no fallan en
ningún momento,
(h) no hay disturbios externos al sistema,
(i) el peatón cumple con las reglas de tránsito y
cruza por donde es debido,
(j) cuando dos autos se acercan demasiado es
considerado como un choque y el auto queda
inmóvil en el lugar por un tiempo definido y
luego es removido.
Recordando la definición de Wooldridge [24],
un agente se encuentra en un ambiente e
interactúa con él y con otros agentes, con los
cuales se comunica, coopera y negocia. En este
caso y debido a su modelización en NetLogo, está
constituido por agentes pasivos o patches que se
encargan inicialmente de decorar el entorno.
También, está compuesto por dos ejes: el
horizontal y el vertical, donde cada uno contiene
una calle compuesta por dos manos y dos carriles
en cada dirección (un total de 4 carriles). Las
líneas amarillas que se visualizan en la Figura 2
son las encargadas de dividir las manos de una
misma calle mientras que las blancas punteadas
dividen los carriles. El verde alrededor de la calle
es meramente decorativo y no posee ninguna
interacción con los agentes.
El área crítica de la intersección es delimitada
por las líneas blancas gruesas del centro de la
imagen. Estas líneas indican hasta dónde pueden
avanzar los autos si el semáforo de su eje se
encuentra en rojo. Los semáforos son los puntos
circulares rojos o verdes que se encuentran sobre
la línea amarilla en el eje X, sirven para manejar
el eje X y los que se encuentran sobre el eje Y
para manejar el eje Y. Los semáforos internos son
los que indican si los autos pueden seguir derecho
o doblar a la derecha y los externos los que
indican si se puede girar a la izquierda. Los
semáforos que se encuentran al lado de la vereda
son para los peatones.
La interfaz gráfica del modelo incluye la
interacción con diversas variables del sistema,
permitiendo la realización del setup inicial. Los
botones básicos son <setup>, <go>, <go once>.
Se implementó un <select car> que permite ver el
estado individual de un auto al hacerle click.
Luego, el switch de inteligencia cambia el tipo de
semáforo (tiempos fijos o inteligente). También,
es posible cambiar el tiempo mínimo de las luces
de los semáforos y la frecuencia, de giro, de
aceleración, de velocidad máxima, de
desaceleración, y de paciencia máxima.
Al estar corriendo la simulación en NetLogo, es
posible interactuar con estos controles en la
interfaz para probar la variabilidad de los
resultados en diversos escenarios.
IV. PRESENTACIÓN DE RESULTADOS.
Con el fin explícito de determinar la viabilidad
del algoritmo desarrollado y evidenciar el
comportamiento emergente, se han planteado los
seis (6) escenarios siguientes, en los que se
variará la frecuencia de agentes y el factor de
ajuste para el semáforo inteligente. Se seleccionó
un factor de ajuste 0.001 y 0.01. Aumentando el
valor del factor para los semáforos de giro
logramos aumentar el peso para estos semáforos,
modificando su prioridad, dado que la selección
del próximo semáforo a cambiar a verde, va a ser
el semáforo con mayor peso.
Además, cada escenario, será evaluado con una
frecuencia de giro de 20 y 80.
Escenario 1: Misma frecuencia de agentes
en todas las direcciones, mismo factor de
semáforo inteligente (0.001) en todos los
semáforos.
Escenario 2: Misma frecuencia de agentes
en todas las direcciones. Factor 0.001 de
semáforo inteligente en los semáforos del
eje X, eje Y, y peatones. Factor de 0.01 de
semáforo inteligente en los semáforos de
giro.
Escenario 3: Frecuencia de generación de
agentes de 10 en el eje Y, y frecuencia de
generación de agentes de 3 en el eje X y
peatones. Mismo factor de semáforo
inteligente (0.001) en todos los semáforos.
Escenario 4: Frecuencia de generación de
agentes de 10 en el eje Y, y frecuencia de
generación de agentes de 3 en el eje X y
peatones. Factor 0.001 de semáforo
inteligente en los semáforos del eje X, eje
Y, y peatones. Factor de 0.01 de semáforo
inteligente en los semáforos de giro.
Escenario 5: Frecuencia de generación de
agentes de 15 en el eje Y, y frecuencia de
generación de agentes de 1 en el eje X y
Revista elektron, Vol. 2, No. 2, pp. 83-94 (2018)
ISSN 2525-0159
90
http://elektron.fi.uba.ar
peatones. Mismo factor de semáforo
inteligente (0.001) en todos los semáforos.
Escenario 6: Frecuencia de generación de
agentes de 15 en el eje Y, y frecuencia de
generación de agentes de 1 en el eje X y
peatones. Factor 0.001 de semáforo
inteligente en los semáforos del eje X, eje
Y, y peatones. Factor de 0.01 de semáforo
inteligente en los semáforos de giro.
Los valores pre-establecidos para todos los
escenarios son los siguientes:
1. set-ticks-to-remove-collisions: 320
2. green-length: 194
3. turn-freq: 38
4. acceleration: 0.008
5. max-speed: 0.5
6. deceleration: 0.06
7. max-patience: 50
8. pedestrian-turn-freq: 86
9. taxi-freq: 78
10. waiting-for-taxi-freq: 29
11. collisions-enabled: on
Ahora bien, los valores variables para los
escenarios se ven reflejados en la Tabla V.
A. Resultados obtenidos
En cada uno de los escenarios se efectivizará la
comparación de la utilización de un semáforo fijo
o inteligente, con o sin giro; vislumbrando además
lo que ocurre con una frecuencia de giro de 20 y
una de 80. Las tablas a continuación presentan un
resumen claro de los resultados y caracterización
de los escenarios.
TABLA V
VALORES FIJOS DE LOS ESCENARIOS
Variables
E1
E2
E3
E4
E5
E6
freq-east
10
10
3
3
1
1
freq-north
10
10
10
10
15
15
freq-south
10
10
10
10
15
15
freq-west
10
10
3
3
1
1
pedestrian-freq
10
10
3
3
1
1
x-factor
0.001
0.001
0.001
0.001
0.001
0.001
y-factor
0.001
0.001
0.001
0.001
0.001
0.001
x-turn-factor
0.001
0.01
0.001
0.01
0.001
0.01
y-turn-factor
0.001
0.01
0.001
0.01
0.001
0.01
pedestrian-
factor
0.001
0.001
0.001
0.001
0.001
0.001
En las Tablas VI y VII se puede observar el
tiempo promedio de espera en ticks de los
vehículos.
TABLA VI
TIEMPO PROMEDIO DE ESPERA, CON 20% GIRO IZQUIERDA
Tiempo promedio de espera (ticks)
Inteligente
Tiempo
fijo
factor de 0.001 en
todas las
direcciones
E1
413
1332
E3
393
1258
E5
416
1353
Factor de 0.01 en
los semáforos de
giro y 0.001 en el
resto
E2
647
1332
E4
692
1258
E6
532
1353
TABLA VII
TIEMPO PROMEDIO DE ESPERA, CON 80% GIRO IZQUIERDA
Tiempo promedio de espera (ticks)
Inteligente
Tiempo
fijo
factor de 0.001 en
todas las
direcciones
E1
618
1060
E3
561
913
E5
442
1213
Factor de 0.01 en
los semáforos de
giro y 0.001 en el
resto
E2
917
1060
E4
384
913
E6
402
1213
En las Tablas VIII y IX, se describe el tiempo
máximo de espera en ticks. Es el tiempo más
largo que espero un vehículo para poder cruzar.
Sirve para controlar que ningún vehículo haya
estado esperando un tiempo excesivo en el cruce.
TABLA VIII
TIEMPO MÁXIMO DE ESPERA, CON 20 GIRO IZQUIERDA
Tiempo promedio de espera (ticks)
Inteligente
Tiempo
fijo
Factor de 0.001 en
todas las
direcciones
E1
>10000
5202
E3
>10000
4397
E5
>10000
4978
Factor de 0.01 en
los semáforos de
giro y 0.001 en el
resto
E2
6210
5202
E4
5481
4397
E6
8281
4978
TABLA IX
TIEMPO MÁXIMO DE ESPERA, CON 80 GIRO IZQUIERDA
Tiempo promedio de espera (ticks)
Inteligente
Tiempo
fijo
Factor de 0.001 en
todas las
direcciones
E1
6050
3538
E3
4256
3737
E5
7160
3302
Factor de 0.01 en
los semáforos de
giro y 0.001 en el
resto
E2
4472
3538
E4
2505
3737
E6
7096
3302
Revista elektron, Vol. 2, No. 2, pp. 83-94 (2018)
ISSN 2525-0159
91
http://elektron.fi.uba.ar
Las celdas sombreadas en las Tablas VII y IX
indican el mejor escenario en el que puede ser
utilizado el semáforo inteligente, debido a que
reduce considerablemente su tiempo promedio de
espera y el tiempo máximo de espera.
En el caso de los choques y los taxis, estos
influyen en menor medida en los resultados
presentados, debido a que obstaculizan el tránsito
parcialmente, dado que no impiden totalmente la
circulación de autos.
Los peatones tienen una incidencia mayor
porque al no cruzar en paralelo con los autos esto
hace que los autos tengan menos tiempo su
semáforo en verde, aumentando su tiempo de
espera en el cruce.
B. Descripción de los escenarios
En el caso del escenario 1, el tiempo promedio
de espera se reduce fuertemente con el semáforo
inteligente. El problema es que aumenta el valor
máximo de espera. En el caso del giro con
frecuencia 20, el tiempo de espera máximo no
llegó a encontrarse en los 10000 ticks. Esto ocurre
porque al tener un factor de giro tan bajo y tan
pocos autos puedan doblar, el peso de ese
semáforo nunca llega a ser más alto que otros.
Con la frecuencia de 80 de giro, los autos doblan
con más rapidez, pero esperan más tiempo que los
autos controlados por un semáforo de tiempo fijo.
En el escenario 2, con otro factor de semáforo,
los valores cambian ya que aunque el valor de
tiempo de espera no se reduce tanto como con el
escenario anterior, el valor máximo de espera
toma un valor acotado y menor al valor del
escenario 1.
Para el escenario 3, el valor promedio de espera
se reduce considerablemente con el sistema
inteligente, en más de un 68% con respecto al
semáforo inteligente. El tiempo de espera máximo
aumenta, debido a que hay pocos autos que giren,
y considerando que el factor de giro es igual al
resto esto tarda mucho en ocurrir; en 10000 ticks
no ocurrió nunca. Una mayor frecuencia de giro
permite un mejor flujo de giro, y aunque el
promedio de espera no se reduce tanto como con
20, el valor máximo de espera es similar al que se
tiene con el semáforo no inteligente.
Ahora bien, en el escenario 4, los semáforos
inteligentes también mejoran el promedio de
espera con respecto al semáforo inteligente para
ambas frecuencias de giro. Se obtiene el menor
tiempo de espera promedio de todas las
simulaciones para el caso de una frecuencia de 80
de giro; se reduce aproximadamente un 58%
reduciendo también el tiempo de espera máximo
en un 33%, con respecto al semáforo fijo. Con el
20 de giro el tiempo promedio de espera se reduce
menos y aumenta demasiado el tiempo máximo
de espera.
Luego, en el escenario 5, ocurre algo similar al
escenario 3, los tiempos de espera promedio
presentan una mejora aún mayor. Al mismo
tiempo, se puede ver que en situaciones con flujos
muy distintos el factor 0.001 puede dejar
esperando mucho tiempo a un auto.
Finalmente, en el escenario 6, para una brecha
más grande de flujo de autos (1-15), el factor 0.01
tampoco logra hacer mucha diferencia con el otro
factor 0.001, pero logra reducir el valor máximo
de espera cuando el flujo de giro es bajo. De todos
modos, la mejora de promedio de espera obtenida
entre el semáforo inteligente y el de tiempo fijo en
todos los escenarios es destacable (media 42%,
variando [13%-68%]).
C. Análisis de los escenarios
El semáforo inteligente en todos los escenarios
mejora el promedio de espera de los vehículos
(autos y taxis) en el semáforo. Se obtuvo un mejor
resultado con una mayor frecuencia de giro (80
con respecto a 20), evitando que los vehículos
queden esperando un tiempo excesivo. El factor
de 0.001 introducido en el artículo previo de los
autores [15] no es recomendable para este
ambiente ya que si no hay muchos autos que
doblen, estos autos tendrán una espera prolongada.
Disminuido el factor a 0.01 en los semáforos de
giro y manteniendo 0.001 en el resto, mejora el
resultado. El sistema se optimiza cuando hay más
autos que quieren doblar a la izquierda y ejercen
más peso para hacerlo.
Al definir en qué tipo de flujos de vehículos
funciona mejor habría que analizar cómo influye
el tiempo promedio de espera. En el caso de un
flujo similar en todas las direcciones, el tiempo de
espera promedio es ligeramente menor pero el
costo del tiempo de espera extra es mínimo así
que, en una intersección con este tipo de flujo
sería conveniente si hay muchos autos que giran.
En el caso de que el flujo sea superior en una
intersección pero no excesivamente superior, es
conveniente sin importar cuantos autos doblen a
la izquierda porque la mejora promedio es muy
Revista elektron, Vol. 2, No. 2, pp. 83-94 (2018)
ISSN 2525-0159
92
http://elektron.fi.uba.ar
alta (para un giro de 20 baja de 1258 a 692 y para
un giro de 80 baja de 913 a 384).
En el escenario en el que los flujos son muy
dispares no es conveniente ya que aunque el
tiempo promedio baja casi tres veces en ambos
casos, el tiempo máximo de espera sube
demasiado (para un giro de 20 de 4978 a 8281 y
para un giro de 80 de 3302 a 7096), por lo que no
es conveniente.
Concluimos que el algoritmo inteligente logra
reducir el tiempo de espera promedio y máximo
para una diferencia de frecuencia media entre las
dos direcciones y un factor 0.01. Si la frecuencia
de agentes en las dos direcciones es similar o
mayor, se disminuye el tiempo de espera medio
con respecto al semáforo de tiempos fijos, pero el
tiempo de espera máximo va a ser un poco mayor
para frecuencias de agentes similares y un poco
más del doble para frecuencias muy disímiles
entre los ejes X e Y.
V. CONCLUSION
El tráfico es una realidad que afecta a muchas
personas, y existen evidencias de la disminución
del tiempo de espera de los conductores si se
implementan sistemas dinámicos y adaptativos de
control de semáforos. El enfoque orientado a
agentes tiene características esenciales que
facilitan su modelización y simulación. Existen
diversas aplicaciones, sistemas y simulaciones
que posibilitan que el área se mantenga activa,
debido a que el incremento en la demanda de la
sociedad en pos de una mejora no solo es en la
infraestructura sino también en los sistemas de
gestión.
El sistema de control de semáforos en una
intersección compleja descripto, logra optimizar
el tiempo promedio de espera de los vehículos en
una intersección de calles -con doble carril-
aplicando un algoritmo que evalúa los pesos para
las direcciones de tráfico (X e Y), los giros
(derecha e izquierda), y los peatones.
La reducción del tiempo de espera en el
semáforo se logra con un factor de ajuste del 0.01
para los giros a derecha e izquierda y un factor de
ajuste de 0.001 para el resto de las direcciones y
una frecuencia de giro de 80. El escenario con
mejor optimización se obtiene con flujos de
vehículos en dirección X e Y, medianamente
diferente.
El análisis de los diferentes escenarios
posibilita comprender cómo afecta la variación de
flujo de vehículos (autos y taxis) con la
circulación de peatones, y la variación de
frecuencia de giro. El entorno orientado a agentes
brinda un contexto adecuado para realizar este
análisis. Permite la extensión de los agentes como
ser bicicletas, transporte público, ambulancias,
motos, entre otros.
Destacamos que la simulación realizada pone
en evidencia que es factible realizar una reducción
sensible en los tiempos de espera de un semáforo,
en una intersección de calles complejas, aplicando
un algoritmo simple, aspecto que tiene un impacto
positivo en la vida de una ciudad. A futuro se
prevé realizar el análisis de una intersección
compleja real, incorporando al modelo
frecuencias reales de flujo de vehículos y
peatones en una intersección existente. También
será posible extender el modelo a una red de
tráfico más amplia.
AGRADECIMIENTOS
El presente proyecto se ha realizado con el apoyo de la
Facultad de Ingeniería, Universidad Austral.
REFERENCIAS
[1] J. Long, Z. Gao, H. Ren, and A. Lian. Urban traffic congestion
propagation and bottleneck identification. Science in China Series F:
Information Sciences, 51(7), 948-964, 2008.
[2] A. M. Rao, and K. R. Rao. Measuring Urban Traffic Congestion-A
Review. International Journal for Traffic & Transport Engineering,
2(4), 2012.
[3] F. Tan, J. Wu, Y. Xia, and K. T. Chi. Traffic congestion in
interconnected complex networks. Physical Review E, 89(6),
062813, 2014.
[4] J. A. Lindley. Urban freeway congestion: quantification of the
problem and effectiveness of potential solutions. ITE journal, 57(1),
27-32, 1987.
[5] R. Bauza, and J. Gozálvez, J. Traffic congestion detection in large-
scale scenarios using vehicle-to-vehicle communications. Journal of
Network and Computer Applications, 36(5), 1295-1307, 2013.
[6] P. Lopez-Garcia, E. Onieva, E. Osaba, A. D. Masegosa, and A.
Perallos. A hybrid method for short-term traffic congestion
forecasting using genetic algorithms and cross entropy. IEEE
Transactions on Intelligent Transportation Systems, 17(2), 557-569,
2016.
[7] D. A. Hennessy, and D. L. Wiesenthal. Traffic congestion, driver
stress, and driver aggression. Aggressive behavior, 25(6), 409-423,
1999.
[8] R. Putha, L. Quadrifoglio, and E. Zechman. Comparing ant colony
optimization and genetic algorithm approaches for solving traffic
signal coordination under oversaturation conditions. Computer‐
Aided Civil and Infrastructure Engineering, 27(1), 14-28, 2012.
[9] D. Teodorović, and M. Dell’Orco. Mitigating traffic congestion:
solving the ride-matching problem by bee colony optimization.
Transportation Planning and Technology, 31(2), 135-152, 2008.
[10] A. L. Bazzan, and F. Klügl. A review on agent-based technology for
traffic and transportation. The Knowledge Engineering Review,
29(3), 375-403, 2014.
[11] B. Chen, and H. H. Cheng. A review of the applications of agent
technology in traffic and transportation systems. IEEE Transactions
on Intelligent Transportation Systems, 11(2), 485-497, 2010.
Revista elektron, Vol. 2, No. 2, pp. 83-94 (2018)
ISSN 2525-0159
93
http://elektron.fi.uba.ar
[12] P. A. Ehlert, and L. J. Rothkrantz. Microscopic traffic simulation
with reactive driving agents. In Intelligent Transportation Systems,
2001. Proceedings. 2001 IEEE (pp. 860-865). IEEE, 2001.
[13] S. Tisue, and U. Wilensky. NetLogo: Design and implementation of
a multi-agent modeling environment. In Proceedings of agent, vol.
2004, pp. 7-9.
[14] R. J. Allan. Survey of agent based modelling and simulation tools
(pp. 1362-0207). Science & Technology Facilities Council, 2010.
[15] T. F. Battolla, S. Fuentes, J. I. Illi, J. Nacht, M. Falco, G. Pezzuchi,
and G. Robiolo. Sistema dinámico y adaptativo para el control del
tráfico de una intersección de calles: modelación y simulación de un
sistema multi-agente. En: Simposio Argentino de Inteligencia
Artificial (ASAI) – Jornadas Argentinas de Informática, Universidad
de Palermo, Septiembre de 2018.
[16] S. F. Smith, G. J. Barlow, X. F. Xie, and Z. B. Rubinstein. Smart
Urban Signal Networks: Initial Application of the SURTRAC
Adaptive Traffic Signal Control System. In ICAPS 2013.
[17] T. Nagatani. Vehicular traffic through a sequence of green-wave
lights. Physica A: Statistical Mechanics and its Applications, 380,
503-511, 2007.
[18] K. H. N. Bui, J. E. Jung, and D. Camacho. Game theoretic approach
on Real‐time decision making for IoT‐based traffic light control.
Concurrency and Computation: Practice and Experience, 29(11),
2017.
[19] K. H. N. Bui, D. Camacho, and J. E. Jung. Real-time traffic flow
management based on inter-object communication: a case study at
intersection. Mobile Networks and Applications, 22(4), 613-624,
2017.
[20] F. Daneshfar, J. RavanJamJah, F. Mansoori, H. Bevrani, and B. Z.
Azami. Adaptive fuzzy urban traffic flow control using a
cooperative multi-agent system based on two stage fuzzy clustering.
In Vehicular Technology Conference, 2009. VTC Spring 2009.
IEEE 69th (pp. 1-5). IEEE, 2009.
[21] J. C. Burguillo-Rial, P. S. Rodríguez-Hernández, E. C. Montenegro,
and F. G. Castiñeira. History-based self-organizing traffic lights.
Computing and Informatics, 28(2), 157-168, 2012.
[22] A. Guerrero-Ibanez, J. Contreras-Castillo, R. Buenrostro, A. B.
Marti, and A. R. Muñoz. A policy-based multi-agent management
approach for intelligent traffic-light control. In Intelligent Vehicles
Symposium (IV), 2010 IEEE, pp. 694-699. IEEE.
[23] S. Abar, G. K. Theodoropoulos, P. Lemarinier, and G. M. O’Hare.
Agent based modelling and simulation tools: a review of the state-
of-art software. Computer Science Review, 24, 13-33, 2017,
[24] M. Wooldridge. An introduction to multiagent systems. John Wiley
& Sons, 2009.
[25] A. Zeid, A UML Profile for Agent-Based Development, in: Lecture
Notes in Computer Science, vol. 2641, 2003, pp. 161–170.
[26] E. Bonabeau. Agent-based modeling: Methods and techniques for
simulating human systems. Proceedings of the National Academy of
Sciences, 99 (suppl 3), 7280-7287, 2002.
[27] A. Banos, C. Lang, and N. Marilleau. Agent-based spatial
simulation with NetLogo, vol. 1, Elsevier, 2015.
[28] U. Wilensky, and W. Rand. An introduction to agent-based
modeling: modeling natural, social, and engineered complex
systems with NetLogo. MIT Press, 2015.
Revista elektron, Vol. 2, No. 2, pp. 83-94 (2018)
ISSN 2525-0159
94
http://elektron.fi.uba.ar
