Modelagem STARIMA e LSTM na previsão do tráfego urbano veicular: uma análise comparada

• Ano de defesa: 2025
• Autor(a) principal: Martel Júnior, José de Jesus Braga
• Orientador(a): Abrão, Taufik
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Cidades inteligentes; Modelos de tráfego urbano veicular; Controle de tráfego e congestionamento; Sustentabilidade; STARIMA; LSTM; Modelagem preditiva; Tráfego urbano; Mobilidade urbana; Redes neurais recorrentes
• Área do conhecimento CNPq: Engenharias - Engenharia Elétrica
• Link de acesso: https://repositorio.uel.br/handle/123456789/19045

O crescimento das cidades e da frota de veículos tem tornado o tráfego urbano um desafio complexo para a gestão e o planejamento, exigindo soluções inovadoras para otimizar o fluxo veicular e promover a sustentabilidade. A modelagem preditiva emerge como uma ferramenta importante, utilizando dados históricos (como velocidade, fluxo e densidade) e variáveis contextuais (como eventos, condições climáticas e obras em andamento) para prever o comportamento futuro do tráfego. Essa abordagem facilita ajustes em tempo real, otimiza os tempos de semáforos e rotas de transporte público, e possibilita alertar motoristas sobre possíveis atrasos, permitindo o uso de rotas alternativas. No planejamento de longo prazo, auxilia na previsão da demanda por diferentes modais de transporte e na identificação de áreas que necessitam de melhorias na infraestrutura, promovendo soluções como a ampliação do transporte público e a criação de ciclovias. A relevância dessa proatividade é evidente, especialmente para o desenvolvimento sustentável, adaptando-se ao crescimento populacional e às mudanças nos padrões de mobilidade. A análise preditiva transforma dados em informações acionáveis, tornando os espaços urbanos mais produtivos e otimizados, beneficiando tanto a gestão reativa quanto o planejamento estratégico. Diante deste tema, esta dissertação propõe explorar e implementar técnicas de modelagem preditiva, com foco em dois modelos centrais: o modelo espaço-tempo autorregressivo integrado à média móvel STARIMA (Space-Time Autoregressive Integrated Moving Average) e o modelo baseado em redes neurais recorrentes LSTM (Long Short-Term Memory). O STARIMA se destaca por sua capacidade de capturar dependências espaço-temporais presentes no tráfego, sendo particularmente eficaz em previsões de curto prazo, considerando variações de velocidade e topologia da rede viária. Por sua vez, o modelo LSTM oferece uma abordagem não linear, com maior capacidade de generalização e aprendizado de padrões complexos e de longo prazo, especialmente útil em contextos com maior variabilidade e dinâmica temporal. Ambos os modelos são avaliados sob a perspectiva do monitoramento, predição e controle de tráfego urbano (TMPC – traffic monitoring, prediction and control) em ambientes de cidades inteligentes. Nesta dissertação será realizada uma comparação dos modelos STARIMA e LSTM para a predição do tráfego urbano veicular para curto e longo prazo usando conjuntos de dados reais do trânsito de São Paulo e Distrito Federal