Tiempos de viaje de camiones en autopistas e tramos en Alemania basados en FCD de 2019

Por qué importa el tiempo de viaje de los camiones

Cada pedido en línea, estantería de supermercado y línea de producción depende de que los camiones lleguen cuando se espera. Sin embargo, cualquiera que haya estado atrapado en un atasco en la autopista sabe que los tiempos de viaje pueden ser muy impredecibles, especialmente para los camiones pesados, que están limitados a velocidades más bajas y no pueden recuperar fácilmente los retrasos. Este estudio aborda ese problema cotidiano a escala nacional: construye tiempos de viaje detallados y basados en datos para la red de autopistas de Alemania, usando miles de millones de desplazamientos reales de vehículos conectados para revelar cuándo y dónde es probable que se retrase el transporte de mercancías.

Siguiendo a camiones reales en la carretera

En lugar de depender de sensores escasos en la vía, los investigadores usan los llamados datos de vehículo flotante (floating car data): señales enviadas por sistemas de navegación a bordo y unidades instaladas que registran posición, hora y velocidad. Solo en 2019, el club automovilístico alemán recopiló más de 25 000 millones de estos puntos de datos de vehículos que circulaban por las autopistas. Estas señales crudas se enlazan primero con un mapa digital del sistema de autopistas construido a partir de datos de mapeo abiertos. Un motor de enrutamiento especializado ajusta cada punto GPS al tramo de carretera más probable, teniendo en cuenta la dirección del vehículo y la estructura de la red. Este paso convierte una nube de puntos anónimos en trayectos precisos a lo largo de tramos de carretera de 100 metros.

Separar camiones de turismos

Como las señales proceden de muchos tipos de vehículos, el siguiente reto es identificar cuáles son camiones pesados. Los autores construyen una base de datos que describe a qué velocidad viaja típicamente cada vehículo anónimo en distintos tipos de vías. Cuando representan estas velocidades, aparecen dos grupos claros: vehículos más lentos que rara vez superan las velocidades típicas de camión y vehículos más rápidos que se corresponden mejor con turismos. En lugar de dividir simplemente los datos en dos grupos, el equipo usa un método de agrupamiento que crea tres grupos basados en la velocidad. El grupo intermedio adicional ayuda a capturar vehículos en condiciones mixtas o congestionadas que de otro modo podrían identificarse erróneamente como camiones, sacrificando algo de tamaño de muestra para obtener datos de camiones más limpios y fiables.

De lecturas dispersas a una imagen continua

Incluso con millones de observaciones, los datos no cubren cada camión en cada tramo de carretera a cada minuto. Para evaluar cuán representativa es la muestra, los investigadores la comparan con estaciones oficiales de conteo que registran volúmenes y velocidades de tráfico. Encuentran que sus datos representan aproximadamente el 6 % de los camiones en promedio, lo cual es suficiente para describir las condiciones generales, especialmente cuando las velocidades se promedian a lo largo de varios minutos. Para llenar los vacíos restantes, aplican un método de suavizado ampliamente usado en la investigación del tráfico que combina observaciones cercanas en espacio y tiempo. Esto produce una imagen continua de cómo evolucionan las velocidades a lo largo de cada autopista, revelando, por ejemplo, extensas zonas de congestión a mediodía donde la velocidad de los camiones cae bruscamente antes de recuperarse más tarde en el día.

Construir tablas dinámicas de tiempo de viaje

Con estos campos de velocidad continuos, los autores calculan cuánto tardaría un camión en recorrer cada tramo de autopista en distintos momentos de salida. Dividen cada vía en elementos cortos de 100 metros y simulan un camión que se mueve de un elemento al siguiente, actualizando la velocidad asumida cada diez minutos para reflejar las condiciones de tráfico más recientes. De este modo, un viaje que comienza antes de un atasco puede atravesar el área congestionada con rapidez, mientras que otro que salga más tarde acumula un retraso creciente. Cuando los tiempos de viaje resultantes se comparan con los medidos directamente a partir de viajes individuales de camiones en los datos, las diferencias suelen ser de solo unos segundos, con errores mayores confinados a un pequeño número de casos poco habituales.

Qué significa esto para la logística cotidiana

El resultado de este trabajo es un conjunto de tiempos de viaje detallados y de libre acceso para las autopistas alemanas, desglosados por autopista y tramo en pasos de diez minutos a lo largo de días laborables típicos. Para cargadores, transportistas y planificadores, estos datos convierten el vago riesgo de retraso en cifras concretas que pueden incorporarse a horarios, software de enrutamiento y planes de capacidad. Para el público general, significa que los mismos vehículos conectados que ya circulan pueden proporcionar de forma discreta la información necesaria para gestionar las cadenas de suministro con mayor fiabilidad: ayudando a que las mercancías lleguen a tiempo, reduciendo combustible desperdiciado y aprovechando mejor la infraestructura vial existente sin instalar un solo sensor nuevo en el terreno.

Cita: Schlott, M., Abdul, L. & Leerkamp, B. Truck Travel times on freeway facilities and segments in Germany based on FCD from 2019. Sci Data 13, 588 (2026). https://doi.org/10.1038/s41597-026-07198-z

Palabras clave: tiempo de viaje de camiones, congestión en autopistas, datos de vehículo flotante, logística de mercancías, fiabilidad del tráfico