Semáforos inteligentes para reducir las emisiones vehiculares
DOI:
https://doi.org/10.59730/rer.v12n59a2Palabras clave:
Semáforos inteligentes, Emisiones, Tráfico vehicular, Transporte urbano, Inteligencia artificialResumen
El tráfico urbano no solo afecta nuestra rutina diaria, también impacta la calidad del aire que respiramos. En este contexto, los semáforos inteligentes-tecnología que utiliza inteligencia artificial y sensores en tiempo real-se presentan como una solución eficaz para mejorar la movilidad y reducir la contaminación. Al optimizar los tiempos de espera en las intersecciones, estos sistemas permiten disminuir hasta un 39% las emisiones de dióxido de carbono (CO₂), además de reducir un 25% los tiempos de viaje y un 40% los momentos de inactividad de los vehículos. Si bien su implementación enfrenta desafíos técnicos y económicos, su integración en las ciudades inteligentes representa una apuesta estratégica por entornos urbanos más limpios, eficientes y saludables.
Citas
Santos O, Ribeiro F. Using Smart Traffic Lights to Reduce CO 2 Emissions and Improve Traffic Flow at Intersections : Simulation of an Intersection in a Small Portuguese City. 2024;
Id SH, Asgharian M, Kelly FJ, Goel R. Potential health benefits of eliminating traffic emissions in urban areas. 2022;1–14. Available from: http://dx.doi.org/10.1371/journal.pone.0264803
Smith SF, Barlow GJ, Xie X-F, Rubinstein ZB. Real- ‐ Time Adaptive Traffic Signal Control for Urban Road Networks : The East Liberty Pilot Test. 2012;
Smith, S. F., Barlow, G., Xie, X. F., & Rubinstein ZB. SURTRAC : Scalable Urban Traffic Control. 2013.
Almaliki M, Bamaqa A, Badawy M, Farrag TA, Balaha HM, Elhosseini MA. Adaptive Traffic Light Management for Mobility and Accessibility in Smart Cities. 2025;1–31.
Agand P, Iskrov A, Chen M. Deep Reinforcement Learning-based Intelligent Traffic Signal Controls with Optimized CO2 emissions. arXiv Prepr arXiv. 2023;
Wang Z, Xu L. Carbon Dioxide Emission Reduction-Oriented Optimal Control of Traffic Signals in Mixed Traffic Flow Based on Deep Reinforcement Learning. 2023;
Gheorghe C, Soica A. Revolutionizing Urban Mobility : A Systematic Review of AI , IoT , and Predictive Analytics in Adaptive Traffic Control Systems for Road Networks. 2025;1–25.
Ken Walters. Smart Signals [Internet]. 2012. Available from: https://www.cmu.edu/piper/news/archives/2012/october/smart-signals.html
Inoue D, Yamashita H, Aihara K, Yoshida H. Traffic Signal Optimization in Large-Scale Urban Road Networks : An Adaptive-Predictive Controller Using Ising Models. IEEE Access. 2024;12(November):188739–54.
Review AL. Traffic Signal Optimization to Improve Sustainability : A Literature Review. 2022;
Tomar I, Sreedevi I, Pandey N. State-of-Art Review of Traffic Light Synchronization for Intelligent Vehicles : Current Status , Challenges , and Emerging Trends. 2022;
García-de-la-cruz I, Chancay- L. Semaforización Inteligente : Un Análisis a los Desafíos en la Implementación de Tecnologías y Algoritmos IoT Intelligent Traffic Signaling : An Analysis to the Challenges in the Implementation of IoT Technologies and Algorithms. 2024;36:80–96.
Iftikhar A, Naseer K, Shiraz M, Albahli S. Security , trust and privacy risks , responses , and solutions for high-speed smart cities networks : A systematic literature review. J King Saud Univ - Comput Inf Sci [Internet]. 2023;35(9):101788. Available from: https://doi.org/10.1016/j.jksuci.2023.101788
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Energías Renovables
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
