Modelo inteligente de controle adaptativo de tráfego urbano

Abstract

Muitas cidades brasileiras com congestionamentos urbanos ainda usam abordagens de controle de tráfego clássicas, que apresentam bons resultados em ambientes cujos fluxos variam de forma bem definida ao longo do dia, mas esse não é mais caso na maioria dos centros urbanos. Essas abordagens são inflexíveis porque não conseguem lidar com o dinamismo do fluxo de tráfego edeterminar quais planos semafóricos são mais apropriados para cada instante do dia, o que é uma tarefa complexa com contagens e estudos dos fluxos de tráfego em diferentes pontos da rede, modelos de tráfego e uma equipe grande de profissionais.Outras abordagens surgiram. Entre elas, ainda dependentes de modelos de tráfego, os sistemas comerciais de controle adaptativo de tráfego mais conhecidos, a partir dos anos 1980, podem reduzir os tempos de viagens em 29% ou acrescê-los até 10% e reduzir os atrasos entre 3% e 38%. Porém, os custos iniciais de implantação desses sistemas variam entre US$ 6.000 e US$ 60.000 por interseção, o que pode ser inviável para muitas cidades brasileiras.Portanto, considerando que muitas cidades brasileiras têm ou terão a necessidade de um sistema moderno de controle adaptativo de tráfego que se ajuste facilmente às características de suas redes de trânsito e, preferencialmente, aproveite a malha de equipamentos eletrônicos de fiscalização veicular já instalados, conciliando necessidades operacionais e condições financeiras, têm-se a oportunidade de desenvolver um sistema adaptativo e interativo como descrito para gerar decisões de controle ótimas empregando tecnologias disponíveis e atuais.Nesse sentido, o presente trabalho propõe um modelo inteligente de controle adaptativo de tráfego urbano capaz de realizar previsões de tráfego de curta duração e otimizar planos semafóricos em tempo real, aplicando técnicas de inteligência artificial para controlar uma rede de tráfego. O modelo proposto acopla Reinforcement Learning para prever os fluxos de veículos e Deep Reinforcement Learning para otimizar os planos semafóricos. Os resultados alcançados são bastante promissores. Na primeira etapa do modelo, o comportamento da rede de tráfego está muito bem representado em todos os dias e horários para todas as aproximações da rede, abrangendo um espectro bastante amplo e elástico desde as menores medidas de fluxo até as mais altas de forma aderente às sucessivas variações do tráfego. Os intervalos das previsões foram variados (1, 5 e 15 minutos) e os erros médios absoluto (MAE), relativo (MRE) e quadrático (RMSE) demonstram a consistência das respectivas previsões, afastando a possibilidade de underfitting e overfitting.Na segunda etapa do modelo, os resultados obtidos são muito bons também seja para a dimensão da rede, interseção ou aproximação. Todos os parâmetros da rede de trânsito sofreram reduções expressivas em relação à condição original dada pelos planos semafóricos do Departamento de Trânsito Local. Os resultados alcançados foram compatíveis com os sistemas de controles adaptativos de tráfego comerciais, superando inclusive alguns resultados da literatura. Por exemplo, os atrasos reduziram entre 19% e 37%. As decisões tomadas para privilegiar sentidos mais demandados não prejudicaram os demais sentidos e garantiram um aumento do desempenho das aproximações, isoladamente ou não, demonstrando a capacidade do modelo de perceber e decidir em níveis de fluxos de tráfego elevados ou baixos.Este trabalho utiliza dados brutos para gerir o estado do tráfego em tempo real, sem um modelo de tráfego e integra duas interseções em rede de forma centralizada. Contudo, se reduz os congestionamentos e maximiza o uso da infraestrutura atual postergandonovas intervenções, as principais contribuições deste trabalho são a redução de impedâncias na movimentação de pessoas e cargas em centros urbanos e a flexibilização de investimentos e cronogramas de obras para adequação de capacidade das vias urbanas, além da simplicidade de operacionalizar o método que propõe a partir de tecnologias já disponíveis ou daquelas que estarão no ambiente viário inteligente das cidades do futuro.