Improvement of Urban Public Transportation Systems in Sustainable Smart Cities

• Autores: David Peña Morales
• Directores de la Tesis: Patricia Ruiz Villalobos (dir. tes.) , Bernabé Dorronsoro Díaz (codir. tes.)
• Lectura: En la Universidad de Cádiz ( España ) en 2026
• Idioma: inglés
• Tribunal Calificador de la Tesis: Laura Cruz-Reyes (presid.) , José Miguel Aragón Jurado (secret.) , Gabriel Jesús Luque Polo (voc.)
• Programa de doctorado: Programa de Doctorado en Ingeniería Informática/ Computer Engineering por la Universidad de Cádiz
• Menciones:
  • Internacional
• Calificación: Sobresaliente Cum Laude
• Enlaces
  • Tesis en acceso abierto en: TESEO
• Resumen

  • RESUMEN La transición hacia ciudades inteligentes y sostenibles exige sistemas de transporte capaces de responder a la creciente demanda de movilidad urbana, al tiempo que reducen el impacto ambiental y mejoran la eficiencia operativa. El transporte público y la recolección de residuos sólidos figuran entre los servicios municipales de mayor intensidad energética y, por su dependencia de combustibles fósiles, constituyen fuentes críticas de emisiones de gases de efecto invernadero. Aunque la electrificación de flotas representa una alternativa prometedora, su implementación introduce desafíos complejos en la gestión energética, la programación de vehículos y la planificación de rutas, lo que exige metodologías avanzadas de optimización que integren restricciones operativas reales y objetivos de sostenibilidad.

    Esta tesis propone un marco metodológico basado en inteligencia computacional para optimizar sistemas de transporte eléctrico en múltiples niveles de decisión. Se abordan tres problemas complementarios: (i) el problema de programación de horarios con múltiples tipos de vehículos (Multi-Vehicle Type Timetabling Problem, MVTTP), centrado en la asignación de flotas y el diseño de horarios en el transporte público; (ii) la optimización de perfiles de velocidad para autobuses eléctricos autónomos; y (iii) el ruteo óptimo de camiones eléctricos para la recolección de residuos sólidos. Cada escenario se modela bajo condiciones operativas realistas y se resuelve mediante técnicas evolutivas e híbridas adaptadas a sus particularidades.

    Para el MVTTP, se desarrolla una formulación multiobjetivo novedosa resuelta mediante los algoritmos NSGA-II y MOCell, con representaciones y operadores especializados que equilibran la distribución de vehículos y la calidad del servicio. Para los autobuses autónomos, se propone una metodología en dos etapas que combina redes neuronales artificiales y algoritmos genéticos para generar perfiles de velocidad energéticamente eficientes, incorporando la topografía, las condiciones temporales y las restricciones del vehículo. Para la recolección de residuos, se formula un modelo de ruteo que integra dinámicas complejas, como limitaciones de batería, procesos de compactación, descarga y frenado regenerativo, y se resuelve mediante un algoritmo genético híbrido con búsqueda local.

    La validación del marco propuesto se lleva a cabo con conjuntos de datos reales, y los resultados evidencian mejoras significativas en eficiencia operativa, consumo energético y desempeño ambiental. En particular, los perfiles de velocidad optimizados incrementan la autonomía vehicular hasta en un 31,8 %, lo que permite realizar viajes adicionales. En conjunto, esta investigación demuestra que la inteligencia computacional ofrece soluciones eficaces y viables para los desafíos de la electromovilidad urbana, aportando modelos, algoritmos y herramientas analíticas que contribuyen al avance de los sistemas inteligentes de transporte.