Un Marco Estocástico para Extraer las Velocidades Individuales de los Peatones a partir de Datos de Tránsito Congestionados: Aplicación al RER A de París

Este estudio desarrolla un modelo estocástico para extraer las velocidades de caminata de pasajeros individuales a partir de datos estándar de tránsito, corrigiendo el sesgo introducido por la congestión en las estaciones. El método aprovecha la sinergia entre la Recaudación Automatizada de Tarifas (AFC) y los datos de Localización Automatizada de Vehículos (AVL). Formulamos el problema usando un modelo físico de salida, donde el tiempo de caminata es una relación entre distancia y velocidad. A partir de esto, derivamos dos modelos estocásticos bayesianos (Gaussiano y Log-Normal) para describir la distribución conjunta de estas variables a nivel de tren. El marco identifica primero episodios de espera en las salidas de los andenes. Suponiendo una disciplina de Primero en Entrar, Primero en Salir (FIFO), reconstruye los tiempos de salida no observados, libres de congestión, para los pasajeros afectados. Estos tiempos corregidos sirven luego como entrada para una estimación de máxima verosimilitud (MLE) de segunda etapa para inferir distribuciones de velocidad de caminata específicas por individuo. Demostramos la aplicación en un caso de estudio de 41 viajeros diarios en la línea RER A de París. El modelo genera con éxito un perfil de velocidades de caminata personalizadas, con una media de 1.18 m/s, a partir de datos originalmente corrompidos por demoras en la espera. Este enfoque proporciona una vía novedosa y basada en datos para obtener parámetros de comportamiento individuales para simulaciones microscópicas de peatones, evitando la necesidad de observación directa costosa mientras se tienen en cuenta de manera explícita los efectos de congestión.