Los accidentes de tráfico son una de las principales causas de muerte prematura para los ciudadanos, con millones de lesiones y fatalidades ocurriendo anualmente. Debido a que una gran proporción de los accidentes son causados por pasar el semáforo en rojo, la reducción de la frecuencia de este comportamiento ha sido ampliamente investigada en los últimos años. Sin embargo, la mayoría de los estudios anteriores se han centrado en reducir la frecuencia de pasar el semáforo en rojo a través de la educación del conductor o el diseño de señales de advertencia, prestando poca atención a la relación entre este comportamiento y el control de los semáforos. Considerando que pasar el semáforo en rojo está significativamente afectado por el número de vehículos que llegan durante la luz amarilla, es posible identificar estos comportamientos de manera anticipada analizando datos sobre los vehículos que llegan durante la luz amarilla. Mientras tanto, basándose en la fuerte correlación entre la llegada en amarillo y la frecuencia de pasar el semáforo en rojo, es posible reducir este comportamiento a través del control de los semáforos. En este documento, proponemos un modelo cuantitativo de correlación entre la frecuencia de pasar el semáforo en rojo y la llegada de la luz amarilla basado en datos de tráfico de alta resolución y eventos de señal de Twin Cities, Minnesota. Sobre esta base, se implementa el Algoritmo Genético de Clasificación No Dominada-II (NSGA-II) para encontrar equilibrios entre minimizar la frecuencia de pasar el semáforo en rojo y el retraso del tráfico. Un estudio de caso de una carretera arterial de 6 intersecciones revela que en flujos de insaturación, saturación y supersaturación, nuestro enfoque puede converger a un frente óptimo de Pareto en 30-50 iteraciones, lo que muestra que es posible reducir simultáneamente la frecuencia de pasar el semáforo en rojo y mejorar la eficiencia y seguridad del tráfico, lo cual es beneficioso para garantizar la seguridad de los participantes en el tráfico.