Impacto de la velocidad de circulación en el consumo de combustible en el Distrito Metropolitano de Quito

Freddy Quinchimbla-Pisuña; Víctor Patricio Pachacama-Nasimba; Abrahan Jorque-Rea; Carlos Ulcuango-Moreno

doi:10.37431/conectividad.v7i1.369

Autores/as

Freddy Quinchimbla-Pisuña Escuela Politécnica Nacional https://orcid.org/0009-0002-6424-7670
Víctor Patricio Pachacama-Nasimba Universidad Técnica Estatal de Quevedo https://orcid.org/0000-0001-6315-6641
Abrahan Jorque-Rea Instituto Superior Universitario Central Técnico https://orcid.org/0000-0003-4235-9604
Carlos Ulcuango-Moreno Instituto Superior Tecnológico La Maná https://orcid.org/0000-0002-5657-1449

DOI:

https://doi.org/10.37431/conectividad.v7i1.369

Palabras clave:

Machine learning, Consumo de combustible, Optimización de velocidad, Random Forest, Quito

Resumen

El presente estudio investiga la relación entre la velocidad de circulación de los vehículos en el Distrito Metropolitano de Quito y su incidencia en el consumo de combustible. Se llevaron a cabo mediciones exhaustivas de la velocidad promedio en distintas zonas urbanas, considerando variables como congestión vehicular y condiciones orográficas. El vehículo utilizado fue instrumentado con un sistema de posicionamiento global y un Canister con el fin de recorrer en forma sistemática un conjunto de vías previamente seleccionadas y obtener información de distancia recorrida, tiempo de recorrido, velocidad promedio, entre otros; estos datos fueron procesados mediante un análisis estadístico por minimización de promedios ponderados, obteniendo como resultado los ciclos representativos para el D.M.Q. Los resultados muestran que el consumo en ciudad es mayor (11,287 L/100 km), en comparación con el ciclo combinado (9,769 L/100 km) y el ciclo de carretera (7,524 L/100 km), además revelan correlaciones significativas entre la velocidad de circulación y el consumo de combustible, proporcionando conocimientos valiosos para la gestión del tráfico y la eficiencia energética en el transporte urbano. Estas conclusiones contribuyen a la formulación de políticas públicas orientadas a optimizar la movilidad urbana y reducir la huella ambiental asociada al consumo de combustibles fósiles en el área metropolitana de Quito.

Citas

Alazemi, F., Alazmi, A., Alrumaidhi, M., & Molden, N. (2025). Predicting Fuel Consumption and Emissions Using GPS-Based Machine Learning Models for Gasoline and Diesel Vehicles. Sustainability, 17(6), 2395. https://doi.org/10.3390/su17062395 DOI: https://doi.org/10.3390/su17062395

Blanc, F., & Cotella, G. (2023). Global urban development frameworks landing in Latin America: Insights from Ecuador and Bolivia. Development Policy Review, 41(1). https://doi.org/10.1111/dpr.12632 DOI: https://doi.org/10.1111/dpr.12632

Duarte, F., & Ratti, C. (2018). The Impact of Autonomous Vehicles on Cities: A Review. Journal of Urban Technology, 25(4), 3–18. https://doi.org/10.1080/10630732.2018.1493883 DOI: https://doi.org/10.1080/10630732.2018.1493883

Ericsson, E. (2001). Independent driving pattern factors and their influence on fuel-use and exhaust emission factors. Transportation Research Part D: Transport and Environment, 6(5), 325–345. https://doi.org/10.1016/S1361-9209(01)00003-7 DOI: https://doi.org/10.1016/S1361-9209(01)00003-7

Espinoza Cuadrado, J. S., Pantoja Villacís, D., Castro Herrera, C., Sangovalin Chiluisa, J., y Villamarin Molina, J. (2022). Consumo de combustible frente a la eco conducción y tráfico en una ruta mixta en la ciudad de Quito. Revista Científica y Tecnológica UPSE, 9(2), 85–96. https://doi.org/10.26423/rctu.v9i2.708 DOI: https://doi.org/10.26423/rctu.v9i2.708

Gonzalez-Rodriguez, M. S., Clairand, J.-M., Soto-Espinosa, K., Jaramillo-Fuelantala, J., & Escriva-Escriva, G. (2020). Urban Traffic Flow Mapping of an Andean Capital: Quito, Ecuador. IEEE Access, 8, 195459–195471. https://doi.org/10.1109/ACCESS.2020.3033518 DOI: https://doi.org/10.1109/ACCESS.2020.3033518

Hidalgo, D., & Huizenga, C. (2013). Implementation of sustainable urban transport in Latin America. Research in Transportation Economics, 40(1), 66–77. https://doi.org/10.1016/j.retrec.2012.06.034 DOI: https://doi.org/10.1016/j.retrec.2012.06.034

Mangones, S. C., Jaramillo, P., Rojas, N. Y., & Fischbeck, P. (2020). Air pollution emission effects of changes in transport supply: the case of Bogotá, Colombia. Environmental Science and Pollution Research, 27(29), 35971–35978. https://doi.org/10.1007/s11356-020-08481-1 DOI: https://doi.org/10.1007/s11356-020-08481-1

Mirchandani, P., & Head, L. (2001). A real-time traffic signal control system: architecture, algorithms, and analysis. Transportation Research Part C: Emerging Technologies, 9(6), 415–432. https://doi.org/10.1016/S0968-090X(00)00047-4 DOI: https://doi.org/10.1016/S0968-090X(00)00047-4

Montufar, P., Huertas, J. I., & Cuisano, J. (2020). Driving cycle and emission factors in high-altitude cities: Riobamba case. 2020 IEEE ANDESCON, 1–6. https://doi.org/10.1109/ANDESCON50619.2020.9272059 DOI: https://doi.org/10.1109/ANDESCON50619.2020.9272059

Müller, D., Peralta, B., & Nicolis, O. (2024). Graph-Based Neural Networks for Public Transport Speed Prediction in Santiago, Chile. 2024 43rd International Conference of the Chilean Computer Science Society (SCCC), 1–4. https://doi.org/10.1109/SCCC63879.2024.10767616 DOI: https://doi.org/10.1109/SCCC63879.2024.10767616

Pardo Martínez, C. I. (2015). Energy and sustainable development in cities: A case study of Bogotá. Energy, 92, 612–621. https://doi.org/10.1016/j.energy.2015.02.003 DOI: https://doi.org/10.1016/j.energy.2015.02.003

Sajja, S., Pandey, H., Sharma, A., Bhawana, Murty, P., & Rajbongshi, B. (2024). Real-time Traffic and Traffic Flow Prediction using Machine Learning Algorithm for Optimal Route Planning in Electric Vehicles. 2024 Second International Conference Computational and Characterization Techniques in Engineering & Sciences (IC3TES), 1–7. https://doi.org/10.1109/IC3TES62412.2024.10877654 DOI: https://doi.org/10.1109/IC3TES62412.2024.10877654

Wu, F., Bektaş, T., Dong, M., Ye, H., & Zhang, D. (2021). Optimal driving for vehicle fuel economy under traffic speed uncertainty. Transportation Research Part B: Methodological, 154, 175–206. https://doi.org/10.1016/j.trb.2021.10.010 DOI: https://doi.org/10.1016/j.trb.2021.10.010