Investigadores malagueños desarrollan un sistema con IA que reduce un 98 % el consumo energético de las ciudades inteligentes

• Naiara Philpotts @NaiiPhilpotts
• Editora formada en la Universidad de Buenos Aires, con posgrado en lectura crítica. Escribo sobre ciencia, tecnología y actualidad. Soy escritora de novelas y gran aficionada a la ciencia ficción.
• • 21/08/2026 12:30
  • Actualizado: 21/08/2026 12:30

Un equipo de investigadores del Instituto de Tecnologías e Ingeniería del Software (ITIS Software) de la Universidad de Málaga ha desarrollado, junto con un investigador de la Universidad de Saitama, en Japón, un sistema de inteligencia artificial que reduce hasta un 98 % el consumo energético del proceso que optimiza los semáforos en las ciudades inteligentes.

El estudio, firmado por Enrique Alba, Gabriel Luque y Tomohiro Harada, explora el uso de modelos sustitutos basados en redes neuronales para reducir el coste computacional de los algoritmos que calculan el mejor reparto de tiempos semafóricos. Estos modelos, entrenados de antemano, estiman el resultado de una simulación de tráfico sin necesidad de ejecutarla por completo.

La investigación combina dos técnicas de optimización, el algoritmo genético y el enjambre de partículas, con una red neuronal que actúa como sustituto de un simulador de tráfico urbano llamado SUMO. Ese simulador reproduce el comportamiento real de los vehículos ante cada configuración de semáforos.

El hallazgo se publicó en la revista científica Future Generation Computer Systems.

¿Cómo logra la IA malagueña reducir el consumo energético del tráfico urbano?

Usar un modelo sustituto ya entrenado permite reducir hasta un 98 % el consumo energético del proceso de optimización, frente a evaluar la simulación de tráfico real cada vez que se prueba una nueva configuración de semáforos. El sistema evita así miles de simulaciones completas.

El ahorro no depende de resignar precisión, puesto que la red neuronal aprende, a partir de simulaciones previas, a anticipar el resultado que arrojaría el simulador, con lo que sustituye buena parte de esas ejecuciones sin perder la validez del cálculo.

¿En qué ciudades se probó el sistema de IA para el tráfico?

El equipo aplicó el sistema sobre tres instancias urbanas reales. Málaga aportó 56 intersecciones, 190 fases semafóricas y 1200 vehículos simulados; Estocolmo sumó 75 intersecciones, 370 fases y 1400 vehículos; París tuvo 70 intersecciones, 378 fases y 1200 vehículos.

Cada ciudad representa un nivel distinto de complejidad en la gestión del tráfico urbano, lo que permitió comprobar si el ahorro energético del sistema se mantenía al margen del tamaño de la red semafórica analizada.

¿Cuánto tiempo y memoria ahorra el sistema además de energía?

El tiempo de ejecución cae en una proporción similar a la energética, alrededor del 98 %, y el uso de memoria se reduce en torno al 99 % frente a evaluar la simulación completa en cada prueba.

El ahorro de energía y el de tiempo de ejecución están altamente correlacionados en las tres ciudades analizadas, según el estudio. Ambas variables siguen una distribución log-normal, un patrón que se repite en Málaga, Estocolmo y París pese a sus diferencias de tamaño.

¿Cuándo compensa entrenar el modelo sustituto de IA?

Entrenar la red neuronal con más datos mejora la precisión de sus predicciones y reduce la energía que consume cada uso posterior. El equipo detectó un motivo inesperado, ya que las redes más entrenadas en su interior, lo que abarata el coste de cada consulta.

Ese entrenamiento inicial también tiene un coste energético que se amortiza con el uso repetido. Para la instancia de Málaga, los investigadores calcularon que el punto de equilibrio llega en torno a los 2874 usos del modelo sustituto.

La comparación entre estrategias mostró algunos matices. Reentrenar el modelo de forma iterativa logra el mejor equilibrio entre precisión y eficiencia energética en el algoritmo de enjambre de partículas, mientras que partir de un modelo ya entrenado resulta más rápido, aunque puede perder precisión si dicho modelo no se actualiza.

¿Qué otras aplicaciones tiene esta tecnología más allá del tráfico?

Para medir estos resultados, el equipo utilizó pyRAPL, una tecnología de Intel que mide el consumo energético real de un procesador, y tracemalloc, una herramienta que registra el uso de memoria, sobre un servidor con sistema operativo Ubuntu.

Los autores señalan que, por ahora, probaron el sistema únicamente con redes neuronales totalmente conectadas y lo limitaron a la optimización de semáforos, por lo que su rendimiento en otro tipo de problemas queda pendiente de comprobación.