Néstor Rivera

Urban sustainable mobility requires understanding how people travel, which modes they use, and what impacts these choices generate. This study proposes a smart mobility analytics framework that integrates GPS traces, dynamic traffic variables, and machine learning to infer transport modes and sustainability metrics in Cuenca, Ecuador. Geospatial and kinematic data were collected at 1 Hz from 50 participants over four working weeks, yielding 8.99 million samples across five modes: walking, cycling, tram, bus, and private vehicles. A compact subset of physical and spatial predictors, derived from speed, acceleration, jerk, longitudinal forces, and distance to public transport routes, was selected using the Football Optimization Algorithm. A classification tree trained with a 70/15/15 train–validation–test split achieved an overall accuracy of 84.2%, with class precisions of about 99% for pedestrian and bicycle, 93% for tram, 76% for private vehicles, and 64% for bus. The classified trajectories show that walking and cycling account for approximately 65% of total travel time but only 2% of total distance and 1.7% of CO₂ emissions, whereas motorized modes generate more than 98% of emissions. Buses contribute nearly four times more CO₂ than private vehicles, despite carrying a larger passenger volume. The proposed framework delivers detailed, policy-relevant indicators to support low-carbon urban transport strategies.

In the city of Cuenca – Ecuador (2550 m.a.s.l), a significant introduction of HEVs in the automotive fleet is observed. These vehicles are adopted due to measures aimed at reducing fuel consumption and harmful emissions. Due to high-power cold start phenomena and deficiencies in catalytic converters, CO emissions show high increases compared to conventional vehicles at sea level. This necessitates the present analysis, which is based on data acquisition on “RDE” routes using data logger equipment to measure operational, positioning, and emission parameters. This analysis leverages machine learning skills linked to ANNs and Random Forest, aiming to estimate the pollutants of hybrids and demonstrate the influence of acceleration on each gas and calculated operational traction parameter (ICE-EM Powers, Aerodynamic Traction Force, SOC, etc.) in high-altitude cities. The results indicate a strong relationship of the longitudinal acceleration vector on CO₂ and NO_x gases, twice as high as CO and HC, corroborating related studies mentioning that emissions reduction principles are most closely related to acceleration in the present investigation.

This article conducts a comparative analysis of emission factors from three vehicle types (sedan, crossover, SUV) during a Real Driving Emissions (RDE) test, adhering to Euro 6 norms for accuracy. Hybrid electric vehicles (HEVs), combining internal combustion engines with electric propulsion, are examined in real-time driving conditions in a high-altitude city. Data collection involves PID signals, pollutant gas measurements, and GPS data, analyzed using engineering software and statistical methods. The study identifies that aggressive driving behaviors and acceleration phases notably impact CO₂ emissions, particularly on motorways. These findings underscore the role of driving style in influencing environmental emissions, highlighting the potential of HEVs to reduce carbon footprint across urban and highway scenarios.

Las emisiones contaminantes producidas por los motores de combustión interna generan efectos negativos en la salud y el medio ambiente, por lo cual se han implementado sistemas que mejoren la dosificación del combustible y otras condiciones de operación para reducir las emisiones de contaminantes producidas por los vehículos propulsados con motores de combustión interna. Por estas razones, sistemas como el carburador han sido sustituidos por sistemas de inyección de combustible, capaces de regular la dosificación del combustible en función de las variables de funcionamiento del motor, que son adquiridas mediante sensores, y por intermedio de una unidad de control electrónico (ECU) determinar en qué instante y que cantidad de combustible se debe aportar a cada cilindro en cada ciclo.

Este libro nace como una respuesta a la necesidad de contar con un material claro y ordenado que reúna los principios esenciales de la inyección a gasolina y la autotrónica en el contexto de la ingeniería automotriz. Está dirigido tanto a estudiantes como a técnicos del ámbito automotor. Se abordan temas que van desde los fundamentos de la combustión hasta los componentes claves del sistema de inyección, la gestión de señales electrónicas, los tipos de encendido y el análisis de sensores. Todo ello ilustrado con esquemas y ejemplos prácticos, que convierten el aprendizaje en una experiencia visual y aplicada. Esta publicación no solo funciona como material de estudio, sino también como una herramienta de consulta rápida en entornos académicos y profesionales. Su enfoque didáctico invita al lector a profundizar en los fenómenos físicos del motor, constituyéndose en un punto de partida ideal para adentrarse en el fascinante mundo de la autotrónica y la eficiencia energética en los vehículos.

El motor de combustión interna es un dispositivo capaz de convertir la energía química del combustible en trabajo mecánico. Entre los motores de combustión interna, el motor de cuatro tiempos ha sido el más exitoso debido a su eficiencia, costos de producción y rentabilidad. Por esta razón, nuestro estudio se centrará en este tipo de motor, que es el más común en la industria tanto para el transporte de pasajeros como para el movimiento de bienes e insumos. El motor de encendido provocado (MEP) es accionado por un mecanismo de biela-manivela dentro de un bloque de cilindros. En su interior, un pistón realiza un movimiento alternativo desde el punto muerto superior (PMS) hacia el punto muerto inferior (PMI), impulsado por el cigüeñal.

El fin de la gestión electrónica es identificar cuándo se debe inyectar el combustible y en qué cantidad en función de los PID (identificador de parámetro de diagnóstico), dichos parámetros se encuentran normalizados por protocolos de comunicación. Los datos obtenidos pueden ser de tipo analógicos o digitales y permiten el reconocimiento, análisis y diagnóstico de vehículos mediante la correlación de las diferentes señales. Existen más de un centenar de PID disponibles que facilitan al técnico el proceso de diagnóstico. En muchos casos, se necesitan tan solo 25 PID (o incluso menos según la pericia del técnico) para resolver un problema de desempeño del motor como se observa en la Figura 4.1.

La función del sistema de encendido es inflamar la mezcla homogénea de aire combustible en el instante adecuado, en un motor de encendido provocado (MEP) la inflamación del combustible se produce en el interior del cilindro por medio de un arco eléctrico generado entre los electrodos de una bujía [1]. Para que un motor de encendido provocado funcione adecuadamente el salto de la chispa debe iniciarse antes de que el pistón llegue al PMS en fase de compresión, debido a que el proceso de inflamación de la mezcla aire-combustible en la cámara de combustión no es instantáneo. Este proceso presenta un retraso que impide que la máxima presión se consiga cuando el pistón se encuentre en el PMS. Además, la cantidad de energía requerida entre los electrodos de la bujía han obligado a mejorar los sistemas con el paso de los años, partiendo de sistemas de encendido convencionales activados por platinos, luego a encendidos electrónicos con distribuidor y poco a poco retirando los elementos mecánicos susceptibles a desgastes y desajustes, hasta encontrarse hoy en día con sistemas electrónicos comandados por una unidad de control [2].

This study introduces an innovative algorithm for classifying transportation modes. It categorizes modes such as walking, biking, tram, bus, taxi, and private vehicles based on data collected through sensors embedded in smartphones. The data include date, time, latitude, longitude, altitude, and speed, gathered using a mobile application specifically designed for this project. These data were collected through the smartphone’s GPS to enhance the accuracy of the analysis. The stopping times of each transport mode, as well as the distance traveled and average speed, are analyzed to identify patterns and distinctive features. Conducted in Cuenca, Ecuador, the study aims to develop and validate an algorithm to enhance urban planning. It extracts significant features from mobility patterns, including speed, acceleration, and over-acceleration, and applies longitudinal dynamics to train the classification model. The classification algorithm relies on a decision tree model, achieving a high accuracy of 94.6% in validation and 94.9% in testing, demonstrating the effectiveness of the proposed approach. Additionally, the precision metric of 0.8938 signifies the model’s ability to make correct positive predictions, with nearly 90% of positive instances correctly identified. Furthermore, the recall metric at 0.83084 highlights the model’s capability to identify real positive instances within the dataset, capturing over 80% of positive instances. The calculated F1-score of 0.86117 indicates a harmonious balance between precision and recall, showcasing the models robust and well-rounded performance in classifying transport modes effectively. The study discusses the potential applications of this method in urban planning, transport management, public transport route optimization, and urban traffic monitoring. This research represents a preliminary stage in generating an origin–destination (OD) matrix to better understand how people move within the city.