DOI:
https://doi.org/10.14483/22487638.21214Publicado:
30-06-2025Número:
Vol. 29 Núm. 84 (2025): Abril - JunioSección:
InvestigaciónDeterminación del índice de congestión vial para zonas urbanas por medio de velocidades obtenidas con la API de Google Maps
Estimating a Road Congestion Index for Urban Areas Based on Speed Data Retrieved from the Google Maps API
Palabras clave:
Congestion index, speed, state of Traffic Flow, geospatial analysis, API (en).Palabras clave:
índice de congestión, velocidad, estado del tráfico, análisis geoespacial, API (es).Descargas
Resumen (es)
Objetivo: realizar la estimación del índice de congestión para vías urbanas en cinco ciudades capitales de Colombia, a partir de datos de velocidad extraídos de la API de Google Maps.
Metodología: se efectuó la revisión de diferentes metodologías existentes para la estimación de índices de congestión, selección de la metodología más acorde a la información disponible (información de velocidades extraída de la interfaz de programación de aplicaciones [API, por su sigla en inglés] de Google Maps) de las cinco ciudades objeto de estudio. Se procedió con el cálculo del índice de congestión para cada link que conforma la red urbana arterial primaria y secundaria de las ciudades en análisis, por medio de herramientas espaciales. Por último, se compararon los resultados con el comportamiento real del tráfico de cada ciudad.
Resultados: el índice de congestión representa de forma aceptable, tanto para la hora pico como para la hora valle, el nivel de congestión en la red urbana utilizada en las cinco ciudades de estudio.
Conclusiones: el uso de una metodología de estimación de índice de congestión que no requiere de muchos inputs para su aplicación, y que permite obtener resultados consistentes y confiables, muestra un gran potencial en un contexto macro de ciudad, y permite detectar en diferentes momentos el grado de congestión de la red o de determinadas intersecciones. Incluso, para la planificación de ciudad contribuye a la toma de decisiones sobre cuáles corredores o intersecciones deberían priorizarse en estudios de mayor profundidad y en términos de inversión.
Resumen (en)
Objective: To estimate the Congestion Index for urban roads in five Colombian capital cities based on speed data retrieved from the Google Maps API.
Methodology: Review of existing methods for estimating congestion indexes, selection of the approach most consistent with the available information (speed data retrieved from the Google Maps API) for the five cities understudy, calculation of the congestion index for each link within the primary and secondary urban arterial networks using spatial analysis tools, and, finally, comparison of the results with the observed traffic behavior in each city.
Results: The congestion index provides an acceptable representation of congestion levels in the urban networks of the five study cities, both during peak and off-peak hours. For the purposes of a research article, the analysis should be framed within a quantitative approach.
Conclusions: The use of a congestion index estimation methodology that requires few inputs while providing consistent and reliable results highlights the potential of this tool in a metropolitan context. It enables the identification of congestion levels across the network or at specific intersections at different times of day, and, at the urban planning level, supports decision-making on which corridors or intersections should be prioritized for more detailed studies and targeted investments.
Referencias
D. A. Hennessy, y D. L. Wiesenthal, "Traffic congestion, driver stress, and driver aggression", Aggressive Behavior, vol. 25, n.º 6, pp. 409–423, 1999. DOI: https://doi.org/10.1002/(SICI)1098-2337(1999)25:6<409::AID-AB2>3.0.CO;2-0
D. Mohan, G. Tiwari, R. Goel, et al., "Evaluation of odd–even day traffic restriction experiments in Delhi, India", Transportation Research Record, vol. 2627, n.º 1, pp. 9–16, 2017. DOI: https://doi.org/10.3141/2627-02
N. I. Herrera-Herrera, S. Luján-Mora, y E. R. Gómez-Torres, "Integration of tools for decision making in vehicular congestion", Dyna, vol. 85, n.º 205, p. 363, 2018. DOI: https://doi.org/10.15446/dyna.v85n205.67745
A. Muñoz-Villamizar, E. L. Solano-Charris, M. AzadDisfany et al., "Study of urban-traffic congestion based on Google Maps API: the case of Boston", IFAC-PapersOnLine, vol. 54, n.º 1, pp. 211–216, 2021. DOI: https://doi.org/10.1016/j.ifacol.2021.08.079
S. Mostafi, y K. Elgazzar, "An open source tool to extract traffic data from Google Maps: limitations and challenges", en 2021 International Symposium on Networks, Computers and Communications (ISNCC), oct. 2021, pp. 1–8. DOI: https://doi.org/10.1109/ISNCC52172.2021.9615680
R. Arnott, y K. Small, "The economics of traffic congestion", American Scientist, vol. 82, n.º 5, pp. 446–455, 1994.
I. Thomson, y A. Bull, La congestión del tránsito urbano: Causas y consecuencias económicas y sociales, Serie Recursos Naturales e Infraestructura, n.º 25, Santiago de Chile: Cepal, 2001.
T. Z. A. Verdezoto, F. F. C. Montes, y O. B. R. Medina, "Análisis del congestionamiento vehicular para el mejoramiento de vía principal en Guayaquil-Ecuador", Gaceta Técnica, vol. 21, n.º 2, pp. 4–23, 2020. DOI: https://doi.org/10.13140/RG.2.2.21905.04960
R. Cal y Mayor, y J. Cárdenas, Ingeniería de tránsito: fundamentos y aplicaciones, 8.ª ed., Ciudad de México: Alfaomega, 2007.
J. Long, Z. Gao, H. Ren et al., "Urban traffic congestion propagation and bottleneck identification", Science in China Series F: Information Sciences, vol. 51, n.º 7, pp. 948–964, 2008. DOI: https://doi.org/10.1007/s11432-008-0038-9
A. De Palma, y R. Lindsey, "Traffic congestion pricing methodologies and technologies", Transportation Research Part C: Emerging Technologies, vol. 19, n.º 6, pp. 1377–1399, 2011. DOI: https://doi.org/10.1016/j.trc.2011.02.010
T. Bonald, y J. W. Roberts, "Congestion at flow level and the impact of user behaviour", Computer Networks, vol. 42, n.º 4, pp. 521–536, 2003. DOI: https://doi.org/10.1016/S1389-1286(03)00200-7
C. van Driel, Driver support in congestion: an assessment of user needs and impacts on driver and traffic flow, tesis Ph.D., University of Twente, Enschede, Netherlands, 2007.
E. T. Verhoef, y J. Rouwendal, "A behavioural model of traffic congestion: endogenizing speed choice, traffic safety and time losses", Journal of Urban Economics, vol. 56, n.º 3, pp. 408–434, 2004. DOI: https://doi.org/10.1016/j.jue.2004.05.003
M. Aftabuzzaman, "Measuring traffic congestion: a critical review", en Proc. 30th Australasian Transport Research Forum, vol. 1, Melbourne, Australia, sep. 2007.
G. Beliakov, M. Gagolewski, S. James et al., "Measuring traffic congestion: an approach based on learning weighted inequality, spread and aggregation indices from comparison data", Applied Soft Computing, vol. 67, pp. 910–919, 2018. DOI: https://doi.org/10.1016/j.asoc.2017.07.014
N. Gore, S. Arkatkar, G. Joshi et al., "Developing modified congestion index and congestion-based level of service", Transport Policy, vol. 131, pp. 97–119, 2023. DOI: https://doi.org/10.1016/j.tranpol.2022.12.008
J. Eliasson, M. Börjesson, D. van Amelsfort et al., "Accuracy of congestion pricing forecasts", Transportation Research Part A: Policy and Practice, vol. 52, pp. 34–46, 2013. DOI: https://doi.org/10.1016/j.tra.2013.04.004
Á. García, "Análisis de la relación entre el índice de congestión y el consumo de combustible basado en datos empíricos", en Proc. XI Congreso de Ingeniería del Transporte (CIT 2014), Santander, España, 2014.
C. G. Chorus, E. J. Molin, y B. VanWee, "Use and effects of advanced traveller information services (ATIS): a review of the literature", Transport Reviews, vol. 26, n.º 2, pp. 127–149, 2006. DOI: https://doi.org/10.1080/01441640500333677
E. Ben-Elia, y E. Avineri, "Response to travel information: a behavioural review", Transport Reviews, vol. 35, n.º 3, pp. 352–377, 2015. DOI: https://doi.org/10.1080/01441647.2015.1015471
H. Bi, Z. Ye, y H. Zhu, "Data-driven analysis of weather impacts on urban traffic conditions at the city level", Urban Climate, vol. 41, p. 101065, 2022. DOI: https://doi.org/10.1016/j.uclim.2021.101065
D. Méndez T., Curso: Ingeniería de Tránsito, Maestría en Vías Terrestres, 2009, p. 11.
T. Ataiwe, N. Salman, y H. Ismael, "Identify traffic congestion using speed data measured by GIS, GPS technique", Iraqi Journal of Science, vol. 53, n.º 4 appendix, pp. 1156–1161, 2012.
B. P. Loo y Z. Huang, "Delineating traffic congestion zones in cities: an effective approach based on GIS", Journal of Transport Geography, vol. 94, p. 103108, 2021. DOI: https://doi.org/10.1016/j.jtrangeo.2021.103108
F. Ding, Y. Wang, G. Cai et al., "Design and evaluation of traffic congestion index for Yancheng City", en Proceedings of the 9th International Conference on Computer Engineering and Networks, Singapur: Springer, 2021, pp. 757–766. DOI: https://doi.org/10.1007/978-981-15-3753-0_74
V. Dumbliauskas, V. Grigonis, y A. Barauskas, "Application of Google based data for travel time analysis: Kaunas City case study", Promet – Traffic & Transportation, vol. 29, n.º 6, pp. 613–621, 2017.
S. Sabet, F. Namdarpour, y M. Mesbah, "A cost-effective methodology to compare travel time and speed: a tale of 11 cities", Proceedings of the Institution of Civil Engineers - Civil Engineering – Municipal Engineer, vol. 175, n.º 2, pp. 84–94, jun. 2022. DOI: https://doi.org/10.1680/jmuen.20.00038
M. Tresidder, Using GIS to measure connectivity: an exploration of issues, Portland State University, Field Area Paper, pp. 1–43, 2005.
A. Alsobky, y R. Mousa, "Estimating free flow speed using Google Maps API: accuracy, limitations, and applications", Advances in Transportation Studies, sección A, vol. 50, pp. 49–64, 2020.
N. M. Zafri, S. Afroj, y M. A. Ali, "Effectiveness of containment strategies to control vehicular traffic on roads in Dhaka, Bangladesh during COVID-19 pandemic: use of Google Map-based real-time traffic data", SSRN Electronic Journal, 2020. DOI: https://doi.org/10.2139/ssrn.3638853
J. Zhao, Y. Guo, y X. Duan, "Dynamic path planning of emergency vehicles based on travel time prediction", Journal of Advanced Transportation, vol. 2017, pp. 1–14, 2017. DOI: https://doi.org/10.1155/2017/9184891
X. Yang, S. Luo, K. Gao et al., "Application of data science technologies in intelligent prediction of traffic congestion", Journal of Advanced Transportation, vol. 2019, pp. 1–14, 2019. DOI: https://doi.org/10.1155/2019/2915369
K. Hamad, y S. Kikuchi, "Developing a measure of traffic congestion: fuzzy inference approach", Transportation Research Record, vol. 1802, n.º 1, pp. 77–85, 2002. DOI: https://doi.org/10.3141/1802-10
M. Vaziri, "Development of highway congestion index with fuzzy set models", Transportation Research Record, vol. 1802, n.º 1, pp. 16–22, 2002. DOI: https://doi.org/10.3141/1802-03
F. He, X. Yan, Y. Liu et al., "A traffic congestion assessment method for urban road networks based on speed performance index", Procedia Engineering, vol. 137, pp. 425–433, 2016. DOI: https://doi.org/10.1016/j.proeng.2016.01.277
J. Tang, y H. R. Heinimann, "A resilience-oriented approach for quantitatively assessing recurrent spatial-temporal congestion on urban roads", PLOS ONE, vol. 13, n.º 1, e0190616, 2018. DOI: https://doi.org/10.1371/journal.pone.0190616
W.-X. Wang, R.-J. Guo, y J. Yu, "Research on road traffic congestion index based on comprehensive parameters: taking Dalian city as an example", Advances in Mechanical Engineering, vol. 10, n.º 6, p. 168781401878148, 2018. DOI: https://doi.org/10.1177/1687814018781482
J. Mahona, C. Mhilu, J. Kihedu et al., "Factors contributing to traffic flow congestion in heterogeneous traffic conditions", International Journal for Traffic and Transport Engineering, vol. 9, n.º 2, pp. 238–254, 2019. DOI: https://doi.org/10.7708/ijtte.2019.9(2).09
Y. Han, y Y. Kim, "Spatiotemporal congestion recognition index to evaluate performance under oversaturated conditions", KSCE Journal of Civil Engineering, vol. 23, n.º 8, pp. 3714–3723, 2019. DOI: https://doi.org/10.1007/s12205-019-2232-2
S. R. Samal, P. Gireesh Kumar, J. Cyril Santhosh et al., "Analysis of traffic congestion impacts of urban road network under Indian condition", IOP Conference Series: Materials Science and Engineering, vol. 1006, n.º 1, p. 012002, 2020. DOI: https://doi.org/10.1088/1757-899X/1006/1/012002
N. Zafar, y I. Ul Haq, "Traffic congestion prediction based on estimated time of arrival", PLOS ONE, vol. 15, n.º 12, p. e0238200, 2020. DOI: 10.1371/journal.pone.0238200
T. Afrin, y N. Yodo, "A survey of road traffic congestion measures towards a sustainable and resilient transportation system", Sustainability, vol. 12, n.º 11, p. 4660, 2020. DOI: https://doi.org/10.3390/su12114660
Departamento Administrativo de la Función Pública, Guía para la construcción y análisis de Indicadores de Gestión, Bogotá, Colombia, 2015.
L. A. Rodríguez-Villamizar, Y. Rojas, S. Grisales et al., "Intra-urban variability of long-term exposure to PM2.5 and NO2 in five cities in Colombia", Environmental Science and Pollution Research, vol. 31, n.º 2, pp. 3207-3221, 2024. DOI: https://doi.org/10.1007/s11356-023-31306-w
J. Cáceres, Aplicativo para la extracción de velocidades de tráfico en zonas urbanas, Bucaramanga: Grupo de investigación Geomática, Escuela de Ingeniería Civil, Universidad Industrial de Santander, 2021.
M. W. Ei Leen, N. H. A. Jafry, N. M. Salleh et al., "Mitigating traffic congestion in smart and sustainable cities using machine learning: a review", en Computational Science and Its Applications – ICCSA 2023, O. Gervasi et al. eds., vol. 13957, Cham, Suiza: Springer Nature, 2023, pp. 321–331. DOI: https://doi.org/10.1007/978-3-031-36808-0_21
Universidad Industrial de Santander y Municipio de Bucaramanga, Plan Maestro de Movilidad, Bucaramanga 2010–2030, Bucaramanga, Colombia, 2011.
Dirección de Tránsito de Bucaramanga, "Parque automotor-DTB". [Internet]. Disponible: http://transitobucaramanga.gov.co/dtb/atencion-y-servicios-a-la-ciudadania/movilidad/parque-automotor/
Data Commons, "Earth - Place Explorer". [Internet]. Disponible: https://datacommons.org/place/Earth?utm_medium=explore&mprop=count&popt=Person&hl=es
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
Derechos de autor 2025 María Teresa Pardo Amado, Edgar Solano, Yerly Martínez Estupiñán, Jhon Jairo Cáceres Jiménez
Esta obra está bajo una licencia internacional Creative Commons Atribución-CompartirIgual 4.0.
Esta licencia permite a otros remezclar, adaptar y desarrollar su trabajo incluso con fines comerciales, siempre que le den crédito y concedan licencias para sus nuevas creaciones bajo los mismos términos. Esta licencia a menudo se compara con las licencias de software libre y de código abierto “copyleft”. Todos los trabajos nuevos basados en el tuyo tendrán la misma licencia, por lo que cualquier derivado también permitirá el uso comercial. Esta es la licencia utilizada por Wikipedia y se recomienda para materiales que se beneficiarían al incorporar contenido de Wikipedia y proyectos con licencias similares.
