Análise automatizada da presença de congestionamentos com base em dados de postos de monitoramento de tráfego

Abstract

Os meios de transporte surgiram como uma forma de atender a demanda de locomoção. É comum buscar a solução mais eficiente de transporte, sendo que a eficiência está relacionada com o tempo gasto para se locomover. As rodovias são projetadas para atender um valor determinado de demanda crescente, estimado através de projeções de tráfego. Quando a demanda observada supera estimativa prevista na fase de projetos, surgem os congestionamentos. Os congestionamentos, além de afetar diretamente na rotina dos usuários, tem um impacto enorme na economia de uma região. Em 2019, conforme consta em Schrank e Lomax (2021), os congestionamentos custaram cerca de U$190 bilhões aos cofres americanos. Um dos métodos que permite identificar congestionamentos, através de dados de postos de monitoramento de tráfego, é o modelo de Greenshields. Utilizando as relações entre fluxo, densidade e velocidade é possível, através dos gráficos entre as relações, identificar cenários congestionados. Entretanto, projetos de engenharia de tráfego podem facilmente abranger uma quantidade tal de dados, que torna impraticável a análise visual, além de que sua determinação pode ser difícil nos casos limites entre cenários congestionados e não congestionados. Este Trabalho de Conclusão de Curso visa desenvolver um método para que, com auxílio de ferramentas computacionais, seja possível automatizar o processo de identificação de congestionamentos, evitando assim, classificações erradas nos cenários limites. A ferramenta utiliza um fator de diferença percentual δ entre a média das N% maiores velocidades de cada conjunto de dados e a média de todos os registros de velocidade como limite de decisão para classificação em cenários congestionados e não congestionados. Os conjuntos de dados com uma diferença percentual δ superior a diferença percentual limite α apresentaram congestionamento, enquanto os conjuntos em que α > δ, foram classificados como não congestionados. A ferramenta passou por um processo de calibração, conforme descrito em Ortuzar e Willumsen (2011), analisando 315 combinações de α e N, obtendo uma taxa de acerto µ de 98%, em uma comparação com a classificação obtida com o uso do modelo de Greenshields. A combinação de parâmetros correspondentes a este valor de µ (α = 1,55% e N = 93%) foram validados, conforme proposto em Ortuzar e Willumsen (2011), resultando em um µ = 97,4%. Conclui-se que o método desenvolvido é capaz de identificar congestionados em dados de contagem de tráfego, em comparação com as classificações visual utilizando o modelo de Greenshields.

The means of transport emerged as a way to attend to the demand for locomotion. It is common to look for the most efficient transport solution, with efficiency being related to the locomotion time. Highways are usually designed to meet a certain value of demand that increases with time, estimated through traffic projections. When the observed demand exceeds the foreseen estimative in the design phase, congestion is observed. Traffic congestion, besides directly affecting the routine of its users, has a huge impact on the economy of a region. In 2019, as reported in Schrank e Lomax (2021), traffic jams cost the United States around U$190 billion. One of the methods that allow congestion identification is the Greenshields' model. Using the relationships between flow, velocity, and density, it is possible, through graphical analysis, to identify congested scenarios. However, tra c engineering projects can easily have such an amount of data that makes its visual analysis impracticable, besides that its determination can be difficult in the borderline between congested and non-congested scenarios. This work aims to develop a method that, with the aid of computational tools, makes it possible to automate the traffic identification process, thus avoiding wrong classifications in borderline scenarios. This method utilizes a percentage difference factor δ between the average of the highest N% speeds of each dataset and the average of all speed records as a decision threshold for classification in congested and non-congested scenarios. Datasets with a percentual difference δ greater than the threshold percentage difference α showed congestion, while datasets where α > δ, were classified as non-congested. The method underwent a calibration process, as described in Ortuzar e Willumsen (2011), analyzing 315 different combinations of α and N, obtaining a hit rate µ of 98%, when comparing the method's classification with the one obtained with the Greenshield's visual classification. The combination of parameters corresponding to this value of µ (α = 1.55% and N = 93%) were validated, as proposed in Ortuzar e Willumsen (2011), resulting in a µ = 97.4%. It is concluded that the developed method can identify congested traffic count data, in comparison to the visual classification using the Greenshields model.