Improvement of arrival and departure times in a mass public transport system applying a computational model and Monte Carlo Simulation

Authors

  • Jonathan P. Cárdenas-Ruperti Universidad Técnica “Luis Vargas Torres” de Esmeraldas
  • Luis A. Padilla-Alvarez Universidad Técnica “Luis Vargas Torres” de Esmeraldas
  • Olga L. León-Santillan Consultora Independiente

DOI:

https://doi.org/10.46480/esj.4.1.94

Keywords:

Uniform probability distribution, Monte Carlo simulation, random numbers

Abstract

The objective of this work is to simulate the arrival and departure of transport units in order to improve the quality of the service and the waiting time that each public transport unit takes to complete the entire route by applying the Monte Carlo simulation method. Due to the lack of buses to supply the entire community that uses this means of transport and the recent complaints from residents due to the fact that there is no bus that circulates through that place, the acquisition of new units will be proposed, to meet this demand. In this project, the departure time of the buses from “Cooperativa Albosau” line 47 is simulated. In order to carry out this simulation, a uniform distribution is used, in which the average departure time of each bus will be taken on a Friday. at the bus station. In order to obtain the waiting time between each bus departure, the Monte Carlo Method is used, where random numbers are generated in a program prepared in Python, in order to know the estimated time of the process and to know if it is convenient to acquire new units. As a result, the average arrival and departure times of the buses of this cooperative were reduced. Likewise, it was possible to determine, through a uniform distribution, the average times in each of the departure and arrival processes of all buses, including those already provided by the transport cooperative.

Downloads

Download data is not yet available.

References

Domínguez, D. S. C. (2014). SIMULACIÓN SIMULACIÓN.

Rodrıguez-Aragón, L. J. (2011). Simulación, método de montecarlo. Recuperado de: https://previa. uclm. es/profesorado/licesio/docencia/mcoi/tema4_guion. pdf.

Ledesma, E. F. R., Gonzaga, E. A., & Romero, T. E. R. (2007). Conceptos básicos de los generadores de números aleatorios (RGN) y pseudoaleatorios (PRGN). COLDPower: el agente inteligente mexi-cano de mercadeo de energía.

Astaiza, L. G. (1983). Los números aleatorios y la ingeniería. Ingeniería e Investigación, (7), 55-60.

Gimenez Palomares, F. (2018). Método congruencial para la generación de números seudoaleatorios.

Reza, M., & Garcia, E. (2015). Metodo de la transformada inversa.

Gimenez Palomares, F. (2017). DISTRIBUCIÓN UNIFORME.

Baltazar, F., & López, S. (2017, abril 26). Simulación Estocástica. UNAM, 195.

Dagpunar, J. (1988). Principios de generación de variables aleatorias. Oxford: ClaredonPress.

Faulin, J. (2008) , Simulación Montecarlo con Excel. enero 20, 2018, Recuperado de: http://www.uoc.edu/in3/emath/docs/Simulacion_MC.pdf (Enero, 2009).

Fuentelzas, C. (2004). Cálculo del tamaño de la muestra. Matronas Profesión, 5, pp.1-3.

García, E., García, H. & Cárdenas, L. (2006). Simulación y Análisis de Sistemas con ProModel. México: Pearson.

Hillier, F., & Lieberman, G. (2010). Introducción a la Investigación de Operaciones. México: McGraw-Hill.

Kelton, W. David y otros (2008). Simulación con Software ARENA. McGraw-Hill – México, pp. 35-38.

Mancilla Herrera, A. M. (2011). Simulación Herramienta para el estudio de sistemas reales. Revista Científica Ingeniería y Desarrollo, (6), 104-112.

Rios, D., & Rios, S. (2000). Simulación, métodos y aplicaciones. Ed. Alfa Omega. Colombia.

Rodríguez, L. (2011). Simulación, Método de Montecarlo. Universidad de Castilla-La Mancha.

Salinas, A. (2004). Métodos de muestreo. Redalyc, VII, 121-123.

Schmidt, J., & Taylor, R. (1970). Simulación y análisis de Sistemas Industriales. McGraw-Hill.

Terrazas, R. (1988). Simulación de Sistemas; Publicaciones de la Facultad de Ciencias y Tecnología, serie técnica; UMSS. Cochabamba-Bolivia.

Cevallos-Torres, L. y Botto-Tobar, M. (2019). Estudio de caso: Aprendizaje basado en proyectos para evaluar distribuciones de probabilidad en el área médica. En Aprendizaje basado en problemas: una estrategia didáctica en la enseñanza de la simulación de sistemas (págs. 111-122). Springer, Cham.

Published

2020-03-31

Issue

Section

Research Paper

How to Cite

[1]
J. P. Cárdenas-Ruperti, L. A. Padilla-Alvarez, and O. L. León-Santillan, “Improvement of arrival and departure times in a mass public transport system applying a computational model and Monte Carlo Simulation”, Ecuad. Sci. J, vol. 4, no. 1, pp. 57–61, Mar. 2020, doi: 10.46480/esj.4.1.94.