Método de previsão de fluxo de tráfego em rodovias urbanas a partir de dados de velocidade de fontes online

• Ano de defesa: 2021
• Autor(a) principal: Stefani, Helena Stein
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Bayesian Inference; Crowdsourced Data; Fontes de dados online; Inferência bayesiana; Previsão de fluxo veicular; Traffic flow prediction
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/18/18144/tde-22082022-091919/

A previsão de fluxo veicular é uma ferramenta útil para avaliar as condições de tráfego em uma rodovia e pode ser utilizada para promover maior eficiência no planejamento de sistemas de transportes. A geração contínua de dados de tráfego por sistemas tradicionais de monitoramento no decorrer de longos períodos resultou em grandes volumes de dados históricos, o que fomentou o desenvolvimento de modelos de previsão de fluxo de tráfego. Atualmente, esses modelos buscam atingir altos níveis de precisão, e apesar de a acurácia ser um indicador difundido para aferir a qualidade das previsões, ela não considera a variabilidade desses valores. Nesse contexto, uma ferramenta que permite obter não apenas valores pontuais, mas também intervalos de credibilidade, é a estatística bayesiana. Em paralelo a isso, empresas especializadas em serviços de Internet passaram a fornecer informações de tráfego online em tempo real com base no deslocamento de seus usuários. Um desses serviços é a Google Distance Matrix API, que fornece tempos de viagem em tempo real. Essas fontes de dados têm o potencial de complementar as análises de tráfego, principalmente quando os sistemas tradicionais de coleta falham ou são inexistentes. Nesse sentido, o objetivo deste trabalho foi propor um método de previsão de fluxo de tráfego que fornecesse distribuições de probabilidade a partir de dados de velocidade obtidos de fontes online. Desse modo, o trabalho foi dividido em duas etapas. Primeiramente, estruturou-se um método obtenção de velocidades no espaço a partir de tempos de viagem online. A etapa seguinte consistiu em utilizar essas velocidades para condicionar a agregação de fluxos veiculares históricos representativos das condições segundo as quais foram gerados. Esses subconjuntos de fluxos foram inseridos em um modelo hierárquico bayesiano, a partir do qual foram geradas mais de 27000 previsões de fluxo veicular na forma de distribuições de probabilidade, considerando diferentes condições de ocorrência e horizontes de previsão para dez seções de rodovias. O modelo proposto se mostrou robusto o suficiente para gerar previsões que incorporassem a variabilidade e incerteza sem a necessidade de grandes quantidades de dados, e seu grande trunfo foi possibilitar, por meio da incorporação da informação a priori do método bayesiano, que as previsões pudessem ser realizadas apesar da restrição da quantidade de informações disponíveis. Adicionalmente, uma das consequências diretas desse trabalho foi a validação das fontes de dados online, que podem ser utilizadas de forma complementar em casos de falhas nos sistemas tradicionais de coletar, ou como fonte de dados principal em regiões onde não há infraestrutura de monitoramento disponível. Por fim, o modelo pode ser adotado tanto individualmente quanto como recurso adicional a outros métodos de previsão, a fim de garantir que valores previstos por outros métodos se encontrem num intervalo de valores provável.