Sistema óptimo de gestión del tráfico vial basado en redes neuronales profundas para un entorno de ciudad inteligente basado en Internet de las Cosas

Por qué un tráfico más inteligente importa para la vida urbana

Los atascos en hora punta son algo más que una molestia: malgastan combustible, contaminan el aire, retrasan a los vehículos de emergencia y reducen el tiempo que la gente puede dedicar a su familia. A medida que las ciudades crecen y aumentan los coches en las calles, los antiguos semáforos fijos y los centros de control manuales tienen dificultades para seguir el ritmo. Este estudio explora cómo redes de sensores y un tipo avanzado de inteligencia artificial pueden trabajar juntos en tiempo real para detectar congestiones, predecir problemas y ajustar las señales antes de que el tráfico se paralice.

De calles conectadas a un cerebro para el tráfico

El artículo analiza ciudades donde las vías, los semáforos y los vehículos están interconectados mediante el «Internet de las Cosas», lo que significa que envían actualizaciones digitales constantes sobre lo que ocurre en las calles. Sensores y cámaras registran cuántos vehículos pasan por una intersección, a qué velocidad circulan, qué tipo de vehículos son e incluso el clima, los accidentes y el estado actual de las señales. En lugar de que operadores humanos revisen toda esta información, los autores proponen un sistema automatizado de soporte a la decisión que pueda entender estos patrones y sugerir cómo gestionar señales y rutas de forma más inteligente.

Limpiar y elegir las pistas adecuadas

Los datos de tráfico del mundo real son desordenados: los sensores fallan, faltan lecturas y las distintas medidas pueden tener escalas muy diferentes. Por ello, el sistema comienza con una fase cuidadosa de limpieza, rellenando las lecturas escasamente perdidas y reescalando todas las medidas para que se puedan comparar de manera justa. A continuación viene un paso crucial: decidir qué piezas de información realmente ayudan a distinguir las distintas situaciones de tráfico. El modelo combina tres familias de técnicas de selección, cada una examinando los datos desde una perspectiva ligeramente distinta. En conjunto filtran detalles poco útiles o redundantes y mantienen solo las características que verdaderamente señalan si la congestión es crítica, intensa, moderada o baja, lo que además acelera el procesamiento posterior.

Cómo el modelo aprende los patrones de tráfico a lo largo del tiempo

El tráfico no se reduce a lo que ocurre en un instante; cambia durante minutos y horas a medida que los semáforos ciclan y varía el comportamiento de los conductores. Para capturar estos patrones evolutivos, los autores usan una red neuronal profunda diseñada para datos temporales. Esta red se desliza sobre secuencias de lecturas de tráfico, empleando capas convolucionales apiladas para captar tanto ráfagas cortas como acumulaciones de congestión a más largo plazo. Un mecanismo de atención se concentra entonces selectivamente en los momentos más reveladores de cada secuencia, permitiendo que el sistema pese con mayor importancia picos o caídas recientes al decidir cuán congestionada está realmente una vía. El resultado es una asignación clara de cada situación a uno de cuatro niveles de congestión, vinculada en el estudio a acciones específicas como extender el tiempo en verde o activar rutas alternativas.

Poniendo el sistema a prueba

Los investigadores entrenaron y evaluaron su enfoque con un conjunto de datos de tráfico abierto que representa una red urbana inteligente. Cada registro incluye cuentas de vehículos, velocidades, condiciones meteorológicas, marcas temporales, ubicaciones y estrategias de señalización. Para evitar sesgos provocados por el hecho de que la congestión severa es mucho más frecuente que el tráfico ligero en los datos, utilizaron técnicas de balanceo y una validación cuidadosa. En varias particiones de entrenamiento y prueba, su sistema clasificó correctamente los estados de tráfico casi en un 99 por ciento de las ocasiones, superando a una gama de otros métodos modernos. Logró esto siendo además relativamente ligero en demandas de cálculo y memoria, una ventaja práctica para operaciones urbanas en tiempo real.

Qué significa esto para los desplazamientos cotidianos

En términos prácticos, el estudio demuestra que un sistema de IA cuidadosamente diseñado puede actuar como un asesor rápido y basado en datos para los centros de tráfico de la ciudad, transformando flujos crudos de sensores en acciones de control concretas y oportunas. Aunque el trabajo actual se basa en un único conjunto de datos y aún no contempla por completo perturbaciones como obras viales o grandes eventos, apunta hacia un futuro en el que los semáforos y las sugerencias de ruta se adapten de forma continua a las condiciones cambiantes. Para el ciudadano medio, eso podría traducirse en viajes más cortos, flujos más fluidos y calles más seguras a medida que las ciudades mejoren en escuchar —y actuar sobre— el pulso digital de sus carreteras.

Cita: Almejalli, K.A. Optimal deep neural network based road traffic management system for Internet of Things based smart city environment. Sci Rep 16, 12136 (2026). https://doi.org/10.1038/s41598-026-42542-8

Palabras clave: gestión inteligente del tráfico, Internet de las Cosas, aprendizaje profundo, ciudades inteligentes, predicción de congestión