Improvement of Urban Public Transportation Systems in Sustainable Smart Cities

Identificadores
Statistics
Metadata
Show full item recordAuthor/s
Peña Morales, David
Date
2026Department
Ingeniería InformáticaAbstract
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. The transition toward sustainable smart cities requires transportation systems that can meet
growing mobility and urban service demands while reducing environmental impacts and improving
operational efficiency. Public transportation and solid waste collection are among the most energyintensive urban services and contribute significantly to greenhouse gas emissions due to their
dependence on fossil-fuel-powered fleets. The adoption of electric vehicles offers a promising
pathway toward sustainable urban mobility; however, it introduces new challenges related to
energy management, fleet scheduling, and routing. Addressing these challenges requires advanced
optimization methodologies that integrate real-world operational constraints with sustainability
objectives.
This thesis proposes a computational intelligence framework to optimize electric transportation
systems across multiple decision levels. Three complementary optimization problems are investigated: (i) the Multiple Vehicle-Type Timetabling Problem (MVTTP) for fleet scheduling and
timetable design in public transportation systems, (ii) speed-profile optimization for autonomous
battery-electric buses, and (iii) routing optimization for battery-electric refuse collection trucks.
These problems are formulated using realistic operational models and solved through tailored
evolutionary and hybrid optimization techniques.
For the MVTTP, a novel multi-objective formulation is developed to simultaneously optimize
vehicle distribution and quality of service. The proposed approach employs specialized representations and operators within NSGA-II and MOCell algorithms. For autonomous battery-electric
buses, a two-stage methodology combining Artificial Neural Networks and Genetic Algorithms is
introduced to generate energy-efficient speed profiles that account for route topography, traveltime conditions, and vehicle constraints. For electric waste collection, a realistic routing formulation incorporating battery limitations, payload constraints, regenerative braking, waste compaction, and disposal operations is addressed using a hybrid Genetic Algorithm enhanced with a
problem-specific local search operator.
The proposed methodologies are evaluated using real-world datasets. Experimental results
demonstrate significant improvements in operational efficiency, energy consumption, fleet utilization, and environmental performance. In particular, optimized speed profiles increase vehicle range
by up to 31.8% and enable additional service trips. At the same time, the proposed scheduling
and routing approaches produce high-quality solutions that reduce resource usage without compromising operational requirements.
Overall, this thesis demonstrates that computational intelligence offers an effective and practical framework for addressing the complex optimization challenges in electric transportation systems. The proposed models, benchmark datasets, algorithms, and experimental analyses advance
intelligent transportation systems and support the development of sustainable smart cities by reducing energy consumption, lowering emissions, and improving the efficiency of urban services.
Subjects
Ciudades inteligentes y sostenibles; inteligencia computacional; vehículos eléctricos; optimización del transporte; algoritmos evolutivos; optimización multiobjetivo; vehículos autónomos; movilidad sostenible; Sustainable smart cities; computational intelligence; electric vehicles; transportation optimization; evolutionary algorithms; multi-objective optimization; autonomous vehicles; sustainable mobilityCollections
- Tesis [869]





