Marco general de dos niveles para la optimización del transporte bajo demanda

Viajes más inteligentes a pedido

Imagínese pedir un minibús compartido que lo recoja cerca de casa, lo deje cerca del trabajo o de una estación de tren, y recargue silenciosamente su batería mientras usted sigue con su día. Este artículo explora cómo planificar esos servicios a pedido para que muchas personas puedan compartir una pequeña flota de vehículos, llegar a tiempo y mantener bajos los costes y las emisiones. Los autores diseñan y prueban un método de planificación general que podría ayudar a las ciudades a superar las rígidas líneas de autobús hacia un transporte público más flexible y limpio.

Qué significa realmente el servicio a demanda

El transporte bajo demanda es una familia de servicios en los que los vehículos no siguen horarios y rutas fijas. En su lugar, las personas realizan solicitudes de viaje, a menudo vía una app en el móvil, y el sistema las agrupa en viajes compartidos, asigna vehículos y decide cuándo y adónde deben ir esos vehículos. En todo el mundo se prueban estos servicios en suburbios, zonas rurales y como conexiones de “última milla” a trenes y metros. Prometen un mejor acceso con menos vehículos, pero son difíciles de operar bien: cada nueva reserva puede cambiar quién viaja con quién, qué paradas se visitan y si los pasajeros llegan a su destino a tiempo.

Dos niveles de planificación por cada viaje

Los autores proponen un marco de planificación de dos niveles que separa lo que todo sistema debe hacer de lo que solo algunos sistemas necesitan. El primer nivel cubre lo básico: asignar a cada pasajero a uno o varios vehículos, decidir el orden en que los vehículos visitan las paradas y comprobar que se respetan los límites de capacidad y tiempo. El segundo nivel añade complementos prácticos. Puede tener en cuenta vehículos eléctricos que deben cargarse sin quedarse sin batería, tramos de ruta parcialmente preplanificados que deben respetarse dentro de ventanas temporales, y deseos individuales de pasajeros como espacio para silla de ruedas o Wi‑Fi a bordo. Al mantener estos detalles en una capa separada, las ciudades pueden adaptar el mismo núcleo a necesidades locales muy diferentes.

Tres maneras de permitir el desplazamiento de los vehículos

Una parte llamativa del estudio es la comparación de tres grados de libertad en el enrutamiento. En la opción más flexible, “General”, los vehículos pueden viajar directamente entre cualquier par de paradas. En la opción “Secciones”, solo pueden moverse a lo largo de tramos de líneas predefinidas, pero pueden cambiar entre ellas en los cruces. En la opción más restrictiva, “Rutas”, cada vehículo circula alrededor de una única ruta fija y los pasajeros hacen transbordo entre rutas cuando es necesario. Podría esperarse que la versión más laxa funcione mejor, ya que ofrece más posibilidades. En cambio, experimentos basados en la red de autobuses de Rzeszow, Polonia, con 64 paradas, seis vehículos (tres eléctricos) y 200 pasajeros, muestran lo contrario: la opción de ruta fija produce sistemáticamente la menor demora media y además es mucho más rápida de calcular, mientras que la opción totalmente libre tiende a atrapar al algoritmo en patrones de ruta complicados e ineficientes.

Probando retrasos, ocupación y baterías

Para ver cómo se comporta el modelo en condiciones ideales y en condiciones desordenadas, el equipo construyó dos conjuntos de prueba. En el primero, las solicitudes de viaje se eligieron de modo que exista un plan perfecto sin demoras. En el segundo, las solicitudes fueron aleatorias, más parecidas a la vida real, donde cierta tardanza es inevitable. En ambos casos, el marco se ejecutó en una forma básica y en una forma extendida que incluye la carga de vehículos eléctricos y características especiales de los pasajeros. La medida principal de éxito fue la tardanza media de los pasajeros, pero los autores también registraron la peor demora, cuántos pasajeros llegaron tarde en absoluto, cuán llenos estaban los vehículos y cómo cambiaba la carga de las baterías a lo largo del tiempo. Con las opciones de ruta fija y por secciones, el sistema encontró rápidamente planes en los que las demoras medias eran solo de unos pocos minutos, incluso cuando se incluyeron restricciones de vehículos eléctricos y preferencias de pasajeros. El modelo también eligió cuándo y dónde cargar los vehículos eléctricos para que los niveles de batería se mantuvieran dentro de límites seguros sin dejar de atender a los pasajeros.

Elegir qué optimizar

El estudio compara además varias formas de definir “lo mejor”. Minimizar la demora media tiende a mejorar el conjunto del sistema: la mayoría de los pasajeros llega antes y hasta el viajero más retrasado suele estar, en general, no peor que cuando se usan otros objetivos. En cambio, intentar minimizar solo la peor demora o solo el número de pasajeros tardíos puede llevar a planes en los que unas pocas personas llegan extremadamente tarde o los vehículos se usan de manera ineficiente. Esto sugiere que centrarse en la experiencia del viajero típico es un buen compromiso, y que el mismo marco puede orientarse hacia diferentes objetivos políticos cambiando solo una función en el modelo.

Qué significa esto para los desplazamientos cotidianos

Para los no expertos, el mensaje clave es que las herramientas de planificación bien diseñadas pueden hacer que los servicios a pedido sean prácticos a escala urbana. El artículo muestra que un único marco adaptable puede asignar pasajeros a vehículos, planificar rutas, atender necesidades especiales y gestionar baterías eléctricas, todo mientras mantiene bajas las demoras medias. Quizá de forma sorprendente, dar a los vehículos cierta estructura —como rutas fijas o semi‑fijas— suele superar a permitirles deambular libremente, porque mantiene el problema manejable y conduce a un servicio más fiable. A medida que las ciudades experimenten con nuevas ideas de transporte, desde shuttles eléctricos hasta “micro‑tránsito” basado en apps, marcos como este serán esenciales para convertir solicitudes de viaje dispersas en trayectos compartidos y fluidos.

Cita: Bozek, A., Krzeszowski, T. & Sliwa, T. General two-level framework for demand-responsive transport optimization. Sci Rep 16, 14520 (2026). https://doi.org/10.1038/s41598-026-44833-6

Palabras clave: transporte bajo demanda, movilidad compartida, transporte urbano inteligente, shuttles eléctricos, optimización de rutas