MODELOS DE SIMULAÇÃO E DE PREVISÃO DE TRÁFEGO · Parâmetro Volume.....17 Parâmetro Velocidade ... Para um melhor conhecimento do universo dos modelos de simulação de tráfego,

MODELOS DE SIMULAÇÃO E DE PREVISÃO DE TRÁFEGO

José Pedro Tavares João Pereira

ABRIL 2015

MODELOS DE SIMULAÇÃO DE TRÁFEGO

i

ÍNDICE 1 INTRODUÇÃO ...................................................................................................... 1

2 MODELOS DE SIMULAÇÃO DE TRÁFEGO ...................................................................... 3

2.1. MODELOS ....................................................................................................... 3

2.2. MODELOS NA SIMULAÇÃO DE TRÁFEGO .................................................................. 4

2.3. CARACTERIZAÇÃO DOS MODELOS DE SIMULAÇÃO ..................................................... 5

2.4. MICROSIMULAÇÃO ............................................................................................ 7

2.5. PROJETO SMARTEST .......................................................................................... 8

2.5.1. MODELOS URBANOS ......................................................................................... 9

2.5.2. MODELOS INTERURBANOS ................................................................................. 10

2.5.3. MODELOS MISTOS .......................................................................................... 11

3 CALIBRAÇÃO E VALIDAÇÃO DE MODELOS ................................................................. 14

3.1. PREÂMBULO .................................................................................................. 14

3.2. CALIBRAÇÃO/VALIDAÇÃO ................................................................................ 15

3.2.1. VARIÁVEIS ................................................................................................... 15

Variáveis Globais ..................................................................................... 16

Variáveis da Secção Local ......................................................................... 16

Variáveis Particulares do Veículo ................................................................ 16

3.2.2. PROCEDIMENTOS ............................................................................................ 17

Parâmetro Volume ................................................................................... 17

Parâmetro Velocidade .............................................................................. 17

3.2.3. METODOLOGIA .............................................................................................. 18

Parâmetros e Representações Gráficas ....................................................... 18

Testes Estatísticos ................................................................................... 21

Síntese .................................................................................................. 24

4 MODELOS DE PREVISÃO DE TRÁFEGO ...................................................................... 26

4.1. INTRODUÇÃO ................................................................................................ 26

4.2. TIPOS DE MODELOS DE PREVISÃO ...................................................................... 27

4.2.1. MODELOS DE PREVISÃO BASEADOS EM MODELAÇÃO E SIMULAÇÃO .................................. 27

4.2.2. MODELOS DE PREVISÃO DE TRÁFEGO EM TEMPO REAL ................................................ 28

Método de Previsão de Séries Temporais .................................................... 28

Método de Previsão baseados em Redes Neuronais Artificiais (ANN) ............... 29

5 CONCLUSÕES ..................................................................................................... 32

REFERÊNCIAS BIBLIOGRÁFICAS ................................................................................ 34


1

1 INTRODUÇÃO

A tomada de decisões no âmbito da circulação urbana, tanto em termos de estratégias como de políticas de transporte a implementar, tem atualmente, como principal suporte, critérios baseados em experiências profissionais.

Devido às suas características, o tráfego constitui um domínio em que a aplicação de modelos pode desempenhar um importante papel para o seu estudo, constituindo uma importante ferramenta de apoio, o que se deve basicamente a duas razões principais:

i) O custo e a dificuldade em realizar experiências à escala real, bem como possíveis implicações ao nível da segurança;

ii) A possibilidade que os modelos oferecem de poder prever, testar, avaliar e comparar diversas alternativas, antes de as mesmas serem (ou não) implementadas.

Assim, face à cada vez maior complexidade do planeamento urbano em que tanto as medidas estáticas (uso do solo, novas infraestruturas, etc.) como as medidas dinâmicas usualmente denominadas por Sistemas Inteligentes de Transporte (controlo de tráfego, direcionamento de condutores, portagens urbanas, etc.) devem ser devidamente ponderadas, pode dizer-se que o recurso a modelos se torna indispensável, uma vez que permite uma avaliação a priori.

Para um melhor conhecimento do universo dos modelos de simulação de tráfego, é neste relatório apresentada uma descrição como resultado da pesquisa bibliográfica realizada sobre os mesmos.

De um modo geral, os Modelos de Transporte tentam representar a localização e a distribuição geográfica das viagens, a seleção pelos diferentes modos alternativos de transporte e respetivos itinerários, de forma a caracterizar os volumes de tráfego em cada elemento de “infraestrutura” de transporte.

Este último resultado, no que se refere aos volumes de veículos nas vias rodoviárias, representa a afetação e simulação de tráfego que consiste basicamente na atribuição das viagens aos arcos que constituem uma rede viária, podendo de uma forma sucinta ser descrita por:

i) Determinação dos caminhos lógicos entre cada origem e cada destino;

ii) Atribuição e acumulação das viagens em cada arco;

iii) Cálculo de indicadores do nível de desempenho da rede.

O objetivo principal destes modelos é o de prever os efeitos das decisões dos utilizadores, face a uma dada procura, tentando reproduzir o nível de desempenho da rede, designadamente:


2

- Obter estimativas de volumes de tráfego, de velocidades e de atrasos;

- Obter estimativas de variáveis agregadas da rede (velocidade média de operação, atraso total, emissões de gases, consumos de combustível,...);

- Estimar tempos de viagens entre zonas;

- Identificar arcos congestionados;

- Identificar percursos entre pares de zonas;

- Analisar pares de zonas que utilizam um dado arco ou percurso.

Certamente que os resultados mais básicos da afetação e simulação de tráfego são os volumes juntamente com as velocidades ou tempos de percurso na rede. Estes resultados obtidos deverão, no entanto, ter um significado claro e apresentar uma adequada correspondência à realidade, pelo que as fases de desenvolvimento de um modelo que, após a formulação e antes da sua aplicação, englobam a construção, calibração e validação são extremamente importantes.

Figura 1 – Desenvolvimento de um modelo

Observe-se que o objetivo primordial de um modelo é o de simular as condições reais de uma rede, dentro de limites que fixam o erro admissível, de modo a o mesmo ser passível de aplicação para a realização de previsões/avaliações de uma rede. Neste sentido, a convergência do modelo para a “realidade” constitui o objetivo da fase de calibração sendo então a sua aderência verificada na fase de validação, podendo-se então definir estas duas fases como (HMSO 1991):

i) Calibração: processo de correção dos valores das variáveis do modelo responsáveis pela representação das condições de operação de uma rede com o objetivo de as estimativas das medidas de desempenho calculadas pelo modelo refletirem os valores reais;

ii) Validação: processo de verificação das estimativas do modelo calibrado com o objetivo de aferir as suas capacidades de previsão, em situações distintas das utilizadas na fase de calibração, garantindo deste modo que as conclusões obtidas pelo modelo são aplicáveis ao sistema em estudo.

Usualmente estas fases concentram-se nos resultados finais do modelo tais como volumes de tráfego, velocidades, filas de espera, tendo a primeira destas variáveis uma grande importância.


3

2 MODELOS DE SIMULAÇÃO DE TRÁFEGO

2.1. MODELOS

Desde sempre, devido à complexidade de todos os acontecimentos e fenómenos terrenos, houve uma necessidade intrínseca ao ser humano de conceber modelos de para simplificar um processo de tomada de decisão ou para focar nos elementos e relações-chave de forma a chegar a um melhor entendimento da sua aplicação prática. Para simplificar os processos, a melhor solução passa por fazer análises faseadas, ou seja, analisar caso a caso segmentado. Assim surge a necessidade de recurso a modelos.

Os modelos podem ser encontrados em qualquer área científica, mas é na Engenharia que a sua importância se destaca (podem até ser considerados como uma das fases de conceção de um projeto). Em pesquisa bibliográfica ao dicionário da Língua Portuguesa encontra-se a seguinte definição: "imagem, desenho ou objeto que serve para ser imitado". Fazendo então uma análise à sua própria definição, pode-se concluir que os objetivos de um modelo são:

- Transformar um modelo mental num sistema físico;

- Representar de diversas maneiras um projeto;

- Analisar e corrigir determinados detalhes;

- Descrever um fenómeno.

Regressando à questão da importância de modelos na Engenharia, nos mais variados projetos da área, o recurso a modelos para a concretização dos mesmos apresenta vantagens que os tornam imprescindíveis e prática comum. A complexidade presente na maior parte dos projetos de Engenharia leva a que seja impossível a sua concretização sem que exista um protótipo do mesmo à escala, reduzida ou aumentada. De forma a melhor conhecer os passos na construção de um bom modelo, são apresentadas as suas principais fases (Legrazie 2012):

- Conceção: fase de amadurecimento da ideia;

- Elaboração: consiste na definição de requisitos, arquitetura e prioridades;

- Construção: consiste nas várias interações das quais resultam versões diferentes que satisfazem subconjuntos de requisitos;

- Transição: por último são feitos testes e ajustes de desempenho.

O processo e encadeamento lógico de construção de modelos apresentado pode ser transposto de igual maneira para todos os tipos de modelos, que de uma forma genérica consistem na aproximação e representação das diferentes componentes de um sistema real, tornando deste modo possível a experimentação e a análise, sem


4

correr os riscos inerentes às experiências realizadas num ambiente real. Segundo a definição do Standard Computer Dictionary (IEEE 1991)

“ Modelo - aproximação, representação ou idealização dos elementos

selecionados da estrutura, do comportamento e da operação, ou

outras características, de um processo, conceito ou sistema real.”

No caso específico dos transportes, um modelo consiste na representação das diversas componentes da infraestrutura de transporte (rede viária, linhas de transporte público, gestão e controlo de tráfego) e dos fluxos de tráfego (utilizadores e veículos) de forma a reproduzir as condições operacionais do sistema viário. Deste modo, estes modelos tornam principalmente possível a previsão dos fluxos de tráfego numa rede de transportes como uma função do sistema que a contém e das suas características.

2.2. MODELOS NA SIMULAÇÃO DE TRÁFEGO

Partindo do pressuposto que os modelos de simulação de tráfego existem com o principal objetivo de testar soluções e impactos antes de serem colocadas na prática, a sua existência tem como objetivo reproduzir com maior ou menor detalhe a interação entre os três intervenientes do sistema rodoviário: veículo, operador e infraestrutura. O carácter dinâmico de variação destas condições que é possível obter a partir da sua utilização é refletido através da divisão de tempo em pequenos intervalos, onde é possível avaliar o desenvolvimento, dissipação e duração dos volumes de tráfego estudados. Assim, quando comparados com sistemas convencionais, a simulação de tráfego por modelos avalia as interferências ocorridas no local e os impactos que serão causados na capacidade de outros. (Transportation 2004) Atualmente os modelos de simulação apresentam características que lhes conferem um papel importante no sector dos transportes. Seguidamente apresentam-se exemplos do seu campo de aplicação (Ferreira 2008):

- Análise do funcionamento de um sistema existente;

- Determinação de deficiências de um sistema existente;

- Desenvolvimento e teste de sistemas alternativos;

- Estabelecimento de prioridades no desenvolvimento de sistemas alternativos;

- Estudo do efeito de novos polos geradores de tráfego;

- Informação para projeto, análises ambientais, energéticas e económicas.

Como a aplicação de modelos de simulação de tráfego a projetos rodoviários exige recursos, existem etapas a completar antes de analisar e apresentar as devidas conclusões. São elas (Ferreira 2008):

- Identificação, objetivo e aproximação do projeto proposto;


5

- Recolha de dados;

- Codificação;

- Análise de erros;

- Calibração;

- Validação;

- Definição e testes de cenários alternativos;

- Apresentação de resultados e conclusões.

Das anteriores etapas referidas, existem três consideradas como base à aplicação de modelos na simulação de tráfego. Uma primeira etapa que está relacionada com a codificação do sistema viário, que terá que ser alvo de análise de erros e sua correção; após esta etapa estar concluída, procede-se à calibração onde se procura ajustar com o maior detalhe o modelo à situação real; por último, é feita a validação do modelo em que será possível avançar para as conclusões finais.

2.3. CARACTERIZAÇÃO DOS MODELOS DE SIMULAÇÃO

Segundo um estudo (Hoogendoorn and Bovy 2001) os modelos de tráfego podem ser classificados de acordo com:

- Escala de variáveis independentes (contínuas, discretas ou semi-discretas);

- Escala de aplicação (redes, arcos ou nós);

- Representação de processos (estocásticos ou determinísticos);

- Funcionamento (analíticos ou simulação);

- Nível de detalhe (macroscópicos, mesoscópicos ou micro/sub-microscópicos).

Na primeira categoria, escala de variáveis independentes, consideram-se os modelos estáticos e dinâmicos. Nos modelos estáticos assume-se que as variáveis são constantes ao longo do período temporal em análise enquanto os modelos dinâmicos permitem a sua variação. Estes últimos ainda se podem classificar como contínuos, nos quais o estado do tráfego muda continuamente ao longo do tempo, ou como discretos, em que as mudanças de estado do sistema ocorrem de uma forma descontínua a intervalos de tempo discretos

Relativamente à escala de aplicação a dimensão prende-se ao estudo de redes (urbanas ou interurbanas), de troços de via ou de intersecções isoladas.

Na representação de processos, existem duas classificações. Modelos estocásticos, que refletem a natureza aleatória e probabilística das variáveis intervenientes, e modelos determinísticos, em que se considera comportamento igual para todos os


6

intervenientes, sendo portanto um processo que descreve as variáveis de uma forma analítica não tendo em atenção a aleatoriedade.

Quanto ao processo de funcionamento os modelos podem ser definidos como analíticos, em que todas as relações entre as variáveis do sistema são obtidas por equações matemáticas, ou de simulação, quando as variáveis são obtidas com recurso à simulação.

Em último lugar da classificação dos modelos de simulação está a categoria nível de detalhe (Figura 2). Esta categoria, normalmente, é considerada a classificação objetiva dos modelos e, tendo em conta as entidades consideradas e o seu nível de descrição, dividem-se da seguinte forma:

Macroscópicos - tentam reproduzir correntes de tráfego ininterruptas, tratando do tráfego como um todo, não fazendo distinção entre as partes que o constituem;

Mesoscópicos - esta é uma abordagem um pouco mais "precisa" que a anterior não distinguindo nem descrevendo o comportamento do veículo e do condutor individualmente, considerando sempre grupos de veículos;

Microscópicos - esta abordagem considera o veículo individualmente, ou seja, cada veículo como uma entidade de estudo. Por exemplo, neste tipo de modelos é possível observar a interação de um veículo com o veículo que imediatamente o segue, ou seja, distingue e descreve o movimento das viaturas individualmente e dos seus condutores.

Figura 2 – Nível de detalhe dos modelos (Vilarinho 2008)

A decisão de seleção do modelo, para além da disponibilidade do modelo bem como de recursos, também depende do tipo de rede, da procura e dos objetivos.

No quadro seguinte apresenta-se uma breve comparação entre modelos macroscópicos e modelos microscópicos de acordo com certos aspetos fundamentais para a modelação. (Wolfgang Scherr 2003)


7

Modelo Macroscópico Microscópico

Global

• Os veículos e as viagens são modelados em grupos;

• Os volumes de tráfego são reproduzidos em modelos estáticos, sendo o resultado representado por um valor médio;

• Tempos de simulação curtos;

• Os veículos e as viagens são modelados individualmente;

• Simulação dinâmica em tempo real;

• Usualmente, tempos de simulação longos;

Velocidade Capacidade

• Todas as viagens partilham a mesma velocidade em determinado elemento da rede;

• A capacidade do modelo é um dado de entrada;

• O congestionamento é inexplicável, a velocidade é uma função estritamente dependente do volume;

• Cada viagem/veículo possui uma velocidade em reação aos veículos e aos sinais de controlo;

• Capacidade não é um dado de entrada mas o resultado da geometria e do comportamento do condutor;

• Pode reproduzir pontos de congestionamento e a geração de filas de espera;

Nível de Detalhe

• Simplificadamente modela a intersecção como um ponto sem geometria.

• Cada intersecção é representada ao detalhe por vários elementos.

Quadro 1 - Comparação entre modelos macroscópicos e microscópicos (Vilarinho

2008)

2.4. MICROSIMULAÇÃO

Os modelos microscópicos de simulação de tráfego surgiram devido à necessidade de analisar sistemas de transportes complexos e testar Sistemas Inteligentes de Transporte (ITS - Intelligent Transport System)., uma vez que este tipo de modelos permitem reproduzir a dinâmica individual de cada veículo. No entanto, à parte do objetivo para o qual foram concebidos e devido aos avanços tecnológicos observados nas últimas décadas, os modelos microscópicos tornaram-se também importantes para a análise e compreensão das correntes de tráfego.

Os modelos de simulação microscópicos pretendem reproduzir a dinâmica individual de cada veículo na rede, tendo em conta quer as características do veículo quer as do condutor. A teoria de base deste modelo é designada por interação entre veículos, que considera que o condutor reage de forma concordante com o veículo que segue à sua frente. Existem três submodelos que derivam desta teoria, o modelo da distância segura, o modelo de estímulo-resposta e o modelo do espaço.


8

Atualmente existe uma grande variedade de programas de microsimulação tais como, por exemplo, o modelo PARAMICS (Grã-Bretanha), o modelo AIMSUN (Espanha), o modelo CORSIM (Estados Unidos da América) e o modelo VISSIM (Alemanha).

2.5. PROJETO SMARTEST

Com o objetivo de rever os modelos de microsimulação existentes para que fosse realizada a identificação dos principais problemas e necessidades existentes, foi publicado em 1999 um importante estudo financiado pela Comissão Europeia, o projeto SMARTEST – Simulation Modelling Applied to Road Transport European Scheme Tests.

Como resultado deste projeto foi detetada a existência de 57 modelos microscópicos de simulação (Quadro 2), classificados, numa primeira fase, segundo o tipo de utilização, nomeadamente: modelos Urbanos, modelos Interurbanos, modelos Mistos e uma última classificação como Outros. Dentro dos 57 modelos identificados, existem 8 que são amplamente utilizados: o NTESIM, o INTEGRATION, o NEMIS, o CORSIM, o HUTSIM, o VTI, o TRARR e o AIMSUN.

Urbano Inter-

Urbano Misto Outro ARTWORK AUTOBAHN AIMSUN2 ANATOLL

CASIM CARSIM CORSIM MIMIC CASIMIR FOSIM FLEXSYT II PARKSIM DRACULA FREEVU INTEGRATION PHAROS HUTSIM FRESIM MELROSE SHIVA

MICSTRAM INTRAS MICRO SIMDAC MISSION MIXIC MICROSIM SMART-AHS MITRAM PELOPS MITSIM SMARTPATH MULTSIM SIMCO2 Paramics SPEACS NETSIM SISTIM PLANSIM-T TRARR NEMIS WEAVSIM TRANSIMS TRGMSM PADSIM

VISSIM VTI

SCATSIM SIGSIM SIMNET SITRA-B+ SITRAS STEER STEP


9

THOREAU tiss-NET TRAFFICQ

Quadro 2 - Tipos de modelos de microsimulação (Jaime Barceló 1999)

Os modelos urbanos, interurbanos ou mistos dizem respeito ao tipo de estrada que constitui a rede, influenciando assim o tipo de objetivos do modelo. Os modelos do tipo “Outros” foram concebidos para objetivos muito específicos, tais como a modelação do nível tático da condução e a análise de algoritmos (a fim de ajudar a escrever programas de condução de veículos no tráfego), para prestar a informação detalhada de um ambiente simulado num robô de condução automóvel, para avaliar as condições de segurança e conforto de uma linha de carros em uma única faixa ou para simular estratégias e para prever filas nas portagens.

2.5.1. MODELOS URBANOS

Geralmente os modelos de microsimulação são desenvolvidos com o objetivo de analisar redes urbanas, tendo a maior parte destes modelos a capacidade de modelar as funções básicas de ITS. No Quadro 3 encontram-se as funcionalidades de cada modelo microscópico para simulação em meio urbano

CA

SIM

IR

DR

AC

ULA

HU

TS

IM

MIC

ST

RA

N

NE

MIS

NE

TS

IM

PA

DS

IM

SIG

SIM

SIM

NE

T

SIT

RA

-B+

SIT

RA

S

TH

OR

EA

U

Funções modeladas ITS

Coordenação de semáforos ü ü ü ü ü ü ü ü ü ü ü

Sinais luminosos atuados ü ü ü ü ü ü ü ü ü ü ü ü

Prioridade ao transporte público ü ü ü ü ü

ü ü ü

Rampas de ligação ü ü

ü ü

ü

Controlo de volumes de alta velocidade ü

Gestão de incidentes ü ü ü ü ü ü

Zonas de acesso controlado ü ü ü

Painéis de mensagem variável ü ü ü ü

Informação de tráfego regional

Gestor de rotas estáticas ü ü ü ü ü ü ü

Gestor de rotas dinâmicas ü ü ü ü ü ü ü

Gestão de parques de estacionamento ü

ü ü

Informação transporte público

ü

Portagens de débito automático ü

Custos ü

Controlo de velocidade adaptável ü ü ü

ü ü ü

Sistema automático de controlo


10

Veículos autónomos ü ü

Peões e ciclistas ü

Veículo teste ü

ü

ü

ü

ü

Detetores veículos ü ü ü ü ü ü ü ü ü ü ü ü

Objetos e fenómenos modelados

Condições atmosféricas ü

ü

ü

Procura de lugar estacionamento ü

ü

Veículos estacionados no parque ü

ü ü ü ü ü

ü

Modelo de motor elaborado ü ü

Veículos comerciais ü ü ü ü ü ü ü

2 Rodas ü ü

Peões ü ü ü ü

Incidentes ü ü ü ü ü ü ü ü ü

Veículos de transporte público ü ü ü ü ü ü ü ü

Medidas de acalmia de tráfego ü

ü

ü

ü

Estudo de filas de espera ü ü ü ü ü ü ü ü ü ü ü

Entrecruzamento ü ü ü

ü

ü

ü ü ü

Rotundas ü ü

ü ü ü

ü ü

ü

Quadro 3 - Funcionalidades de modelos urbanos (Jaime Barceló 1999)

2.5.2. MODELOS INTERURBANOS

Os modelos interurbanos caracterizam-se por concentrar a sua utilização em vias de maior velocidade, com o desempenho da rede a depender de arcos e não de nós como no caso dos modelos urbanos. No seguinte quadro apresentam-se as funcionalidades deste tipo de modelos microscópicos.

AUTOBAHN FREEVU FRESIM MIXIC SISTM


Coordenação de semáforos ü

Sinais luminosos atuados ü

Prioridade ao transporte público

Rampas de ligação ü ü ü

Controlo de volumes de alta velocidade ü ü ü ü

Gestão de incidentes ü ü

Zonas de acesso controlado ü

Painéis de mensagem variável ü ü

Informação de tráfego regional ü

Gestor de rotas estáticas ü ü

Gestor de rotas dinâmicas ü


Informação transporte público ü

Portagens de débito automático ü

Custos ü


11

Controlo de velocidade adaptável ü ü

Sistema automático de controlo ü ü

Veículos autónomos ü ü

Peões e ciclistas

Veículo teste ü ü

Detetores veículos ü ü ü ü


Condições atmosféricas ü ü ü

Procura de lugar estacionamento

Veículos estacionados no parque

Modelo de motor elaborado ü ü ü

Veículos comerciais ü ü ü

2 Rodas

Peões

Incidentes ü ü ü

Veículos de transporte público ü

Medidas de acalmia de tráfego ü ü

Estudo de filas de espera ü ü ü ü

Entrecruzamento ü ü ü ü ü

Rotundas ü

Quadro 4 - Funcionalidades de modelos interurbanos (Jaime Barceló 1999)

2.5.3. MODELOS MISTOS

Devido à semelhança de algumas características entre os modelos urbanos e interurbanos, foi criada uma nova categoria de modelos microscópicos: os modelos mistos. Surgiu a necessidade de aglomerar alguns modelos com características semelhantes porque, devido à existência em alguns casos de vias rápidas dentro das cidades, seria necessário modelar os dois tipos de rede no mesmo modelo. No quadro seguinte apresentam-se as funcionalidades desta tipologia de modelos.

AIM

SU

N2

CO

RS

IM

FLE

XS

YT

-II

INT

EG

RA

TIO

N

ME

LRO

SE

MIC

RO

SIM

MIT

SIM

Par

amic

s

PLA

NS

IM-T

TR

AN

SIM

VIS

SIM


Coordenação de semáforos ü ü ü ü ü ü ü ü ü

Sinais luminosos atuados ü ü ü ü ü ü ü ü ü ü

Prioridade ao transporte público ü ü ü ü ü

Rampas de ligação ü ü ü ü ü ü ü ü ü ü

Controlo de volumes de alta velocidade ü ü ü ü ü ü ü

Gestão de incidentes ü ü ü ü ü ü

Zonas de acesso controlado ü ü ü ü ü

Painéis de mensagem variável ü ü ü ü ü

Informação de tráfego regional ü ü


12

AIM

SU

N2

CO

RS

IM

FLE

XS

YT

-II

INT

EG

RA

TIO

N

ME

LRO

SE

MIC

RO

SIM

MIT

SIM

Par

amic

s

PLA

NS

IM-T

TR

AN

SIM

VIS

SIM

Gestor de rotas estáticas ü ü ü ü ü ü ü

Gestor de rotas dinâmicas ü ü ü ü ü ü ü


Informação transporte público ü ü

Portagens de débito automático ü ü ü ü ü ü

Custos ü ü ü ü

Controlo de velocidade adaptável ü

Sistema automático de controlo ü ü ü

Veículos autónomos ü

Peões e ciclistas ü ü

Veículo teste ü ü ü ü ü ü

Detetores veículos ü ü ü ü ü ü ü


Condições atmosféricas ü ü

Procura de lugar estacionamento ü ü ü

Veículos estacionados no parque ü ü ü ü

Modelo de motor elaborado ü

Veículos comerciais ü ü ü ü ü ü ü ü ü

2 Rodas ü

Peões ü ü ü ü

Incidentes ü ü ü ü ü ü ü

Quadro 5 - Funcionalidades de modelos mistos (Jaime Barceló 1999)


13

AIM

SU

N2

CO

RS

IM

FLE

XS

YT

-II

INT

EG

RA

TIO

N

ME

LRO

SE

MIC

RO

SIM

MIT

SIM

Par

amic

s

PLA

NS

IM-T

TR

AN

SIM

VIS

SIM

Veículos de transporte público ü ü ü ü ü ü ü ü

Medidas de acalmia de tráfego ü ü ü ü ü

Estudo de filas de espera ü ü ü ü ü ü ü ü ü ü

Entrecruzamento ü ü ü ü ü ü ü ü ü

Rotundas ü ü ü ü ü ü ü ü

Quadro 5 (cont.) - Funcionalidades de modelos mistos (Jaime Barceló 1999)


14

3 CALIBRAÇÃO E VALIDAÇÃO DE MODELOS

3.1. PREÂMBULO

Durante o desenvolvimento de um modelo deverão ser realizadas verificações específicas para assegurar que o modelo está a caracterizar o funcionamento real da rede, designadamente que não só os cálculos das velocidades, dos volumes e dos atrasos estejam dentro dos valores observados, como também que os percursos selecionados entre pares de zonas.

Este é o objetivo da fase de calibração do modelo, sujeita a posterior validação que, de uma forma sucinta, consiste em aproximar o modelo à realidade e verificar essa aproximação, conforme já referido, através da avaliação das medidas de desempenho resultantes do modelo com as do sistema real de modo a verificar a fiabilidade do mesmo. Observe-se que a calibração e posterior validação de um modelo é um processo iterativo com reanálises sucessivas desde o início da sua construção até à validação final.

A avaliação do desempenho dos modelos é usualmente realizada através do cálculo de parâmetros, definidos como uma medida de diferença entre os valores reais (obtidos a partir de amostras da população) e os valores resultantes da aplicação do modelo de certas variáveis que caracterizam as condições operacionais de uma rede. A estes parâmetros de aferição encontram-se associados critérios, definidos como os valores limites que os parâmetros devem cumprir para que se considere o modelo calibrado ou validado.

Os testes usualmente efetuados nestas fases de calibração e validação dos modelos consistem assim na comparação dos resultados produzidos pelo modelo com os observados no sistema real, tentando-se atingir os valores dos critérios associados aos parâmetros de aferição do desempenho do modelo. Realce-se que os testes a efetuar requerem que a calibração se realize com um conjunto de dados distintos e independentes dos utilizados no processo de validação (Figura 3).

Figura 3 - Calibração e validação de um modelo (Tavares 2003)


15

Como anteriormente referido, o processo em que se determina quando é que um modelo representa com precisão a realidade designa-se por validação. Este processo iterativo (Figura 4) que envolve a calibração de parâmetros e comparação do modelo com o comportamento do sistema real, pode ser dividido segundo dois níveis, nomeadamente conceptual e operacional. No primeiro caso, na validação conceptual, como a própria designação indica, os resultados obtidos por via de modelos de simulação são comparados com fundamentos teóricos. Já no segundo caso, na validação operacional, a comparação desses mesmos resultados obtidos faz-se com os valores reais obtidos por observação do sistema rodoviário. De destacar que a existência destes dois níveis de validação não remetem para uma única utilização, visto que por vezes a validação conceptual é utilizada para explicar possíveis discrepâncias encontradas aquando da validação operacional.

Figura 4- Diagrama do processo de validação (Jaime Barceló 2004)

O processo de calibração e posterior validação é constituído por duas fases: a escolha das variáveis a validar e os testes a realizar às variáveis escolhidas. Facilmente depreende-se que a segunda fase depende da primeira. A segunda fase pode ser realizada a partir de análises de sensibilidade, análises de variância, testes estatísticos, análises de regressão, técnicas de série de tempos standard, entre outros. A escolha do teste é extremamente importante e também de difícil decisão, dependendo não só do modelo de simulação utilizado como do objetivo para o qual foi desenvolvido. (Lei Rao 1998)

3.2. CALIBRAÇÃO/VALIDAÇÃO

3.2.1. VARIÁVEIS

As variáveis podem ser divididas segundo as categorias explicadas seguidamente, de acordo com a influência que possuem sobre os elementos da rede, representado entre parêntesis as variáveis dependentes (AIMSUM 2005) e (Vilarinho 2008).


16

Variáveis Globais

Este tipo de variáveis influencia todos os veículos que circulam na rede independentemente do tipo:

- Tempo de reação (capacidade da secção);

- Tempo de reação parado (capacidade da secção);

- Velocidade de saída de fila de espera (comportamento nas yellow box);

- Parâmetros do modelo de mudança de via: “lane changing”, %overtake-percentagem de velocidade que o veículo decide ultrapassar e %recover-percentagem de velocidade que o veículo decide reduzir;

- Parâmetros do modelo “Two lane Car-Following”: número de veículos, distância e máxima diferença de velocidades.

Variáveis da Secção Local

As variáveis da secção local influenciam todos os veículos independentemente do tipo, enquanto circulam numa secção da rede de determinada categoria:

- Velocidade máxima (tempo de viagem, velocidade média);

- Velocidade de viragem (capacidade de viragem, tempo de viragem, velocidade média);

- Distância de visibilidade (comportamento dos sinais verticais de controlo);

- Distância das zonas de mudança de via (proporções de viragem).

Variáveis Particulares do Veículo

Esta categoria de variáveis influencia todos os veículos de determinado tipo quando conduzidos em qualquer parte da rede:

- Velocidade máxima;

- Aceleração máxima;

- Desaceleração normal e máxima;

- Aceitação da velocidade;

- Comprimento do veículo (comprimento das filas de espera);

- Distância entre veículos (capacidade);

- Intervalo crítico.


17

3.2.2. PROCEDIMENTOS

O processo de calibração de um modelo pode por vezes ser muito complexo, estando a sua complexidade intimamente ligada ao número de variáveis a calibrar. Se existir um grande número de variáveis a calibrar é expectável que se faça uma divisão das variáveis em dois grupos, para facilitar o processo. Num primeiro grupo aglomera-se um conjunto de variáveis em que exista a “certeza” dos seus valores e que não serão alvo de ajuste e, num segundo grupo, as variáveis em que não existe a “certeza” da validade dos seus valores. Este último grupo deve ser o mais pequeno possível para minimizar os esforços necessários na calibração.

O processo de calibração assenta sobre dois resultados finais: o volume de tráfego e a velocidade, em que a calibração do volume deve executar-se em primeiro lugar – a dificuldade associada a este resultado é menor – e só depois a velocidade – normalmente muito mais sensível às alterações das condições de tráfego (R. Dowling 2004).

Parâmetro Volume

Relativamente ao parâmetro Volume, o objetivo prende-se com a aproximação dos volumes estimados pelo modelo com os volumes reais. As variáveis a modificar nesta fase estão diretamente ligadas com as características próprias do veículo, tais como: velocidade, desaceleração, aceleração e outras que definem a interação entre os veículos, tal como o intervalo crítico.

Primeiramente, deve-se proceder a uma simulação inicial onde se adotam os valores por defeito. Muitas vezes, as diferenças entre resultados não se devem a valores estimados nos modelos mas sim a erros na recolha ou na introdução de valores da procura no modelo. Depois de feita esta correção e excluída esta hipótese deve-se certificar se a procura gerada está de acordo com a real.

Os parâmetros devem ser calculados nos detetores junto à entrada na rede, O objetivo é gradualmente ir ajustando os parâmetros e refinando o modelo até todas as secções estarem aceitáveis. Assim que os volumes simulados das primeiras secções estejam próximos dos observados, os parâmetros globais passam a ter pouco relevância e o modelador deve-se focar nos parâmetros locais. (Vilarinho 2008)

Parâmetro Velocidade

Nesta segunda fase da calibração, relacionada com o parâmetro Velocidade, o objetivo prende-se com a aproximação da velocidade simulada com a velocidade observada – desejável tanto mais próxima quanto possível. As variáveis a calibrar neste ponto relacionam-se com as características dos veículos, tais como a velocidade máxima, a aceleração e a desaceleração.


18

De forma a ser possível comparar a velocidade simulada com a velocidade observada recorre-se normalmente à representação gráfica, que permite encontrar de um modo fácil a localização dos pontos de bloqueio (bottlenecks). Para identificar um falso “bottleneck”, provocado por falta de calibração, as velocidades limite devem ser aumentadas na zona que se segue ao mesmo para que os veículos abandonem o local rapidamente. Contrariamente, para criar um “bottleneck”, a velocidade da zona anterior ao elemento deve ser reduzida. Outro modo de resolver ou criar “bottlenecks” é através da alteração de uma secção. (Vilarinho 2008)

3.2.3. METODOLOGIA

As metodologias para avaliar os resultados do modelo podem ser dos seguintes tipos: cálculo de parâmetros, representação gráfica ou a realização de análises estatísticas com os valores dos calculados com as variáveis simuladas e observadas nos diferentes locais para os quais se dispõe de dados.

Parâmetros e Representações Gráficas

A associação que existe entre os parâmetros e as representações gráficas leva a que ambos sejam apresentados na mesma secção. Estes são dois métodos de avaliação dos resultados da calibração/validação.

Erro Quadrático Médio, RMSE (Root Mean Squared Error)

Segundo referências bibliográficas (Jaime Barceló 2004) este é o método mais utilizado na estimação do erro em simulação de tráfego. De referir que quanto menor for o valor do RMSE, melhor é o modelo.

𝑅𝑀𝑆𝐸 =1𝑚

(𝑤*+ − 𝑣*+)/0

+12

Em que:

wij – volume do tráfego simulado, no detetor j e no intervalo de tempo i;

vij – volume de tráfego observado, no detetor j e no intervalo de tempo i.

Percentagem do Erro Quadrático Médio, RMSP (Root Mean Squared Percent Error)

Trata-se de um método comum para medição do erro que permite obter uma boa estimativa inicial entre os valores simulados e os observados, devendo-se obter valores inferiores a 15%. A percentagem total do erro obtém-se da seguinte forma:


19

𝑅𝑀𝑆𝑃 =1𝑛

(𝑥* − 𝑦*𝑦*

)/7

+12

Em que:

𝑥* – volume médio simulado para o tempo i;

𝑦* – volume de tráfego observado para o tempo i;

n – número total de observações.

Estes dois parâmetros, RMSE e RMSP, são considerados uma boa maneira de medir o desempenho e eficiência do modelo, sendo o primeiro calculado em termos absolutos e o segundo em termos relativos. Ambos são calculados em termos médios e para isso são executadas uma série de reproduções do modelo de simulação – normalmente consideram-se 10 como número aceitável de repetições. No entanto, o número de repetições para determinar o valor do erro quadrático médio para cada conjunto de veículos deve ser determinado através da estimativa da variância do erro quadrático e compará-lo com a diferença das médias dos erros quadráticos para os dois conjuntos de valores de parâmetros do modelo. (Vilarinho 2008)

Coeficiente de correlação amostral, r

Utilizado para medir a relação entre os valores das condições de tráfego simulados e observados, definido por (J. Hourdakis 2003):

𝑟 =1

𝑛 − 1(𝑥* − 𝑥)(𝑦* − 𝑦)

𝜎:𝜎;

7

*12

Em que:

x – Média dos volumes simulados;

y – Média dos volumes observados;

σ? – Desvio padrão dos volumes simulados;

σ@ – Desvio padrão dos volumes observados;

n – número de secções estudadas.

O valor calculado para este coeficiente deverá ser superior a 0,80.

Gráfico de dispersão

Muitas vezes, de modo a possibilitar uma melhor interpretação dos resultados dos cálculos associa-se um gráfico onde se representa graficamente os valores das variáveis observadas e simuladas, com objetivo facilitar a deteção visual das divergências entre estes valores. À representação é associada uma reta de regressão e um intervalo de confiança de 95% (Figura 5), observando-se que quanto menor for


20

o valor de r2 associado e quanto menos forem os pontos fora do intervalo de confiança melhor é o resultado.

Figura 5- Gráfico de dispersão (Jaime Barceló 2004)

Uma outra forma de analisar os valores modelados versus os observados é através de uma representação gráfica, que consiste em introduzir uma reta de regressão linear, com equação y = x, ou seja, com declive igual a 1 (Figura 6). Quanto mais próximos os pontos estiverem dessa reta, ou seja, quanto maior o coeficiente de r2, melhor é a qualidade da simulação.

Figura 6- Gráfico de dispersão (Haas 2001)

Índice GEH

Parâmetro baseado no teste estatístico do chi-quadrado que consiste na comparação dos volumes modelados e observados. (Tavares 2003) Esta “estatística” pode ser calculada individualmente para cada secção ou então para toda a rede.

𝐺𝐸𝐻 =2(𝑥* − 𝑦*)/

𝑥* + 𝑦*


21

ou

𝐺𝐸𝐻 =1𝑛

2(𝑥* − 𝑦*)/

𝑥* + 𝑦*

7

*12

Com:

xi – valor simulado para a secção i;

yi – valor observado na secção i;

n – número total de observações.

Um valor de GEH menor que 5 para 85% dos casos de uma secção isolada é um valor aceitável sendo que para o conjunto de todas as secções o valor do GEH deverá ser inferior a 4.

Testes Estatísticos

Na análise comparativa entre dois conjuntos de valores – simulados e observados – existem dois testes estatísticos possíveis de se realizar: Teste Students-T e Teste Theil’s (ou U-Statistic).

Teste Students-T

É um teste estatístico que consiste em comparar séries de valores observados e simulados e determinar se estas são suficientemente parecidas, para todos os detetores selecionados. Para o detetor i a comparação entre os valores é dada pela equação seguinte (quanto menor o valor de DFG melhor) (Jaime Barceló 2004):

𝐷*+ = 𝑤*+ − 𝑣*+

Em que:

wFG – Volume de tráfego simulado, no detector i no intervalo de tempo j;

vFG – Volume observado, no detetor i no intervalo de tempo j;

i – Índice de identificação do detetor (i=1,2,…,n);

j – Índice de identificação do intervalo de simulação (j=1,2,…,m).

Usando a estatística T:

𝑡0L2 =𝑑* − 𝛿*𝑠P

𝑚

Em que:

dF – Valor médio de DFG;


22

δF – Valor espectável para dF;

𝑠P – Desvio padrão de 𝑑*;

i) Se 𝛿*=1, o valor 𝑡0L2 calculado através do teste Students-T pode-se concluir que o modelo não está a reproduzir o comportamento do sistema, sendo necessário rejeitar o modelo;

ii) Se 𝛿*=0, o valor 𝑡0L2 não é significativo e é possível assim concluir que o sistema simulado e o real apresentam um comprotamento muito similar. O modelo é aceite.

Este processo é repetido para cada um dos n detetores, sendo que o modelo será aceite quando todos os detetores selecionados para o estudo passarem o teste, ou seja, apresentem um valor de δF aproximadamente igual a zero. É importante realçar que este parâmetro nunca será igual a zero uma vez que se trata de modelação, uma aproximação da realidade. (Vilarinho 2008)

Teste Theil’s U-Statistic

Este teste estatístico é um método mais sensível que os descritos anteriormente – RMSE, RMSP e o r. O resultado do teste pode ser dividido por três coeficientes métricos que possibilitam informações específicas sobre a natureza do erro e a semelhança entre as duas séries de dados, a observada Xj e a simulada Yj. (Jaime Barceló 2004)

FRC (forecasted relative change), variação de valores previstas

𝐹𝑅𝐶+U2 =𝑌+U2 − 𝑋+

𝑋+

ARC (actual relative change), variação de valores observados

𝐴𝑅𝐶+U2 =𝑋+U2 − 𝑋+

𝑋+

O teste Theil’s U-Statistic é definido por:

𝑈 =(𝐹𝑅𝐶+U2 − 𝐴𝑅𝐶+U2)/0L2

+12 (𝑚 − 1)(𝐴𝑅𝐶+U2)/0L2

+12 (𝑚 − 1)=

(𝑌+U2 − 𝑋+

𝑋+)/

(𝑋+U2 − 𝑋+

𝑋+)/

A interpretação mais directa que se pode fazer dos resultados deste teste é a seguinte:

i) Se U=0, significa que FRCGU2=ARCGU2 e a simulação é perfeita;

ii) Se U=1, significa que FRCGU2=0 e a simulação executada é a pior possível;


23

No primeiro caso a variação de valores da simulação é igual à observada. No último caso a previsão da simulação é igual à que obtida se não houvesse qualquer alteração aos valores observados. Quando as previsões de YGU2 são na direcção oposta de XGU2, o coeficiente U-Statistic será superior à unidade. Se tal acontecer o modelo de simulação deverá ser rejeitado. Quanto mais próximo U estiver do valor nulo melhor serão os valores simulados, isto é, melhor será o modelo de simulação. (Vilarinho 2008)

Erro Quadrático Médio de Previsão:

Este erro resulta da decomposição de:

𝐷0/ =1𝑚

(𝑌+ − 𝑋+)/0

+12

em três componentes:

𝐷0/ =1𝑚

(𝑌+ − 𝑋+)/ =0

+12

(𝑌 − 𝑋)/ + (𝑆; − 𝑆:)/ + 2(1 − 𝑟)𝑆;𝑆:

Onde:

X - valores médios observados;

Y - valores médios simulados;

Sx, Sy - desvio padrão das séries X e Y respetivamente;

r – coeficiente de correlação entre as duas séries.

O coeficiente U pode ser dividido em três componentes, nomeadamente em UM, US e UC, cada um destes três elementos permite medir diferentes aspetos dos erros entre os valores simulados e modelados das condições de tráfego. Estas componentes são:

𝑈` =𝑌 − 𝑋 /

𝐷0/

𝑈b =𝑆; − 𝑆:

/

𝐷0/⟹ 𝑈` + 𝑈b + 𝑈d = 1

𝑈d =2(1 − 𝑟)𝑆;𝑆:

𝐷0/

Onde:

UM é o índice da “Proporção do Desvio”, que pode ser interpretado como a ferramenta que permite medir o erro sistemático, que permite determinar excessos ou deficiências nas contagens de veículos.

US é a componente designada por “Proporção da Variância”, que pode ser usada para medir a capacidade do modelo de simulação em reproduzir o grau de variação/flutuação dos valores originais observados.


24

UC é o elemento designado por “Proporção da Covariância”, que permite medir o erro pouco sistemático.

O modelo de simulação microscópica para que seja considerado representativo da realidade, o coeficiente U deve adotar um valor inferior a 0.3, UM e US têm de assumir valores que não difiram significativamente de zero para UC é esperado um valor maior, próximo da unidade. Para UM e US valores superiores a 0,1 são considerados insatisfatórios. Para o coeficiente UC valores inferiores a 0,9 são resultados insatisfatórios.

Síntese

Face aos parâmetros de aferição descritos nos pontos anteriores, constata-se que a característica mais comum a que recorrem é a da utilização no seu cálculo dos volumes de tráfego como a variável fundamental. Este facto é perfeitamente justificável pela simples razão de ser a variável de mais fácil observação e que a envolve menores recursos para a sua recolha.

A principal crítica feita a muitos destes testes é, como foi visto, a de se associar o mesmo peso aos eventuais erros inerentes às diferenças entre observado e estimado ou estas diferenças se anularem, podendo ainda acrescentar-se a desvantagem de nada se poder concluir se os volumes estão sobre ou subestimados.

Relativamente às análises estatísticas deve-se ter especial cuidado: “de um ponto de vista puramente estatístico todos os modelos estão errados no sentido de falharem no que se refere a reproduzir observações reais mas, no entanto, deve-se atender a que o modelo, embora não completamente exato, é adequado para o objetivo em que é aplicado”. (Tavares 2003)

No entanto, o recurso aos volumes de tráfego não é suficiente para a avaliação do desempenho de modelos pelo que o recurso à caracterização das variáveis de tráfego tempos de percurso/velocidades também é focado, embora de forma mais ligeira, pelas diversas metodologias.

Observe-se que os erros são inerentes ao desenvolvimento de um modelo, particularmente os erros de simplificação, de previsão e de transferência, pelo que os critérios fixados devem subentender este facto, sendo então indispensável avaliar qual o impacto no desempenho de um modelo das diversas fontes de erro.

Por outro lado, estes critérios também devem ter subjacente às flutuações temporais da procura, com a consequente implicação nas variáveis de tráfego utilizadas para a avaliação dos modelos. Esta questão é abordada nomeadamente para a determinação dos intervalos de confiança das variáveis de tráfego, embora nada seja adiantado quanto à fixação dos valores dos critérios de modo a ter em atenção este facto.


25

Por último, é de realçar também a escassez de referências relativamente à fixação das amostras, não só quanto à sua dimensão como também da sua caracterização (tipo de vias, comprimento de percursos, ...) indispensável tanto para o processo de calibração como para a posterior validação. Assim, verifica-se que a subjetividade (espírito critico/experiência) associada aos recursos disponíveis estão sempre fortemente associados a esta tarefa da definição das amostras.


26

4 MODELOS DE PREVISÃO DE TRÁFEGO

4.1. INTRODUÇÃO

Os modelos de previsão de tráfego existem com o intuito de antecipar as condições da rede e a ocorrência de congestionamento (recorrente ou não-recorrente) com vista a apoiar a manutenção e os planos de controlo de modo a otimizar as condições de circulação. A previsão de tráfego e o conhecimento das condições de circulação revelam-se de extrema importância para os agentes envolvidos no contexto das infraestruturas rodoviárias. São importantes para os:

- gestores de infraestruturas, na medida em que auxiliam na gestão ativa das operações;

- condutores em rota ou em preparação, com vista à otimização dos tempos de viagem e na escolha de percursos alternativos;

- agentes terceiros, envolvidos ou não na gestão e planeamento de sistemas de transporte.

Toda a informação consequente das análises realizadas de previsão de tráfego têm também importância em cenários regulares, recorrentes de padrões de tráfego, como sejam os dias de trabalho, fins-de-semana e/ou ciclos mais alargados como as vésperas de Natal e Páscoa ou início e fim do mês de Agosto – tradicionalmente associados a movimentações anormais devido a períodos de férias – e a cenários inesperados, como acidentes, obstruções de via, condições meteorológicas adversas ou trabalhos na rede viária. A previsão do congestionamento, intrinsecamente ligada à previsão de tráfego, assume também uma grande importância na medida em que tem associada a si grandes impactos sociais e económicos.

Nas últimas décadas têm sido desenvolvidos diferentes estudos relacionados com a previsão de tráfego com recurso às áreas da matemática, estatística, física e computação, embora o número de aplicações tenha sido consideravelmente baixo. Os resultados têm sido apresentados como efetivos ou promissores mas na realidade ou não são aplicados ou são aplicados a áreas de estudo muito limitadas.

A utilização mais efetiva deste tipo de modelos surge em 1992. (Ben-Akiva, Cantarella et al. 1992) onde se apresentou uma solução integrada para a previsão dinâmica de condições de tráfego para a rede de autoestradas da Holanda com um sistema de previsão baseado em modelos de simulação e estatística. Os dados históricos observados em tempo-real eram usados como dados de entrada num modelo estatístico para previsões de muito curto prazo (até 15 minutos) enquanto o modelo de simulação era utilizado para horizontes de previsão mais alargados. Apesar dos resultados satisfatórios apresentados, o sistema foi descontinuado devido aos custos operacionais dos requisitos computacionais e do processo de recolha de informação em tempo-real.


27

Geralmente, os modelos de previsão de tráfego são diferenciados segundo duas categorias: os modelos baseados na simulação e modelação de tráfego – a categoria mais condizente com a matéria deste trabalho – e os modelos baseados em métodos de inferência ou de análise de dados. (Lopes 2012)

4.2. TIPOS DE MODELOS DE PREVISÃO

Os modelos de previsão de tráfego têm como objetivo último antecipar as condições da rede para as rotas desejadas. Na secção anterior foram apresentadas as duas categorias de previsão de tráfego: as baseadas em simulação e modelação e as baseadas na inferência ou na análise de dados. Para metodologias de previsão baseadas em inferência ou análise de dados, as técnicas paramétricas ou não-paramétricas são distinguidas.

Neste ponto apresentam-se três alternativas para cada aproximação com vista à conceção e desenvolvimento de conjuntos de soluções técnicas na criação de previsões de tráfego de curto prazo, num sentido não descritivo

4.2.1. MODELOS DE PREVISÃO BASEADOS EM MODELAÇÃO E SIMULAÇÃO

Relativamente aos modelos de previsão baseados em modelação e simulação, o método mais comum é a atribuição de tráfego dinâmica, sendo a aplicação mais comum o DynaMIT. O sistema DynaMIT é um software que resulta de anos de pesquisa e desenvolvimento pelo Massachusetts Institute of Technology Intelligent Transportation Systems Program. Funcionalmente, o princípio do DynaMIT é a representação detalhada da rede, em conjunto com modelos de comportamento dos condutores. Através duma efetiva integração do histórico da base de dados com entradas em tempo real a partir de instalações de campo, o DynaMIT permite:

- estimar as condições da rede;

- prever as condições da rede como resposta a várias medidas de controlo de tráfego e estratégias de divulgação de informações;

- gerar informação aos condutores para orientação na escolha de decisões ótimas.

O DynaMIT é conhecido pela consistência e imparcialidade nas suas operações principais. A garantia que as informações fornecidas aos condutores são imparciais são baseadas no melhor conhecimento disponível das condições da rede, atuais e antecipadas. A consistência é garantida pelas previsões esperadas do DynaMIT corresponderem às que os condutores experimentam na rede. As características mais importantes deste modelo incluem (MIT 2015):

- a estimativa dinâmica baseada em simulações do estado da rede;


28

- utilização de previsões para gerar informações e orientações que representem a evolução das condições da rede ao longo do tempo;

- microsimulação detalhada de condutores, facilitando distinções entre tipos de veículos e comportamentos dos condutores;

- distinção entre condutores informados e condutores não informados;

- simulação de cada viagem individualmente, para gerar trajetórias detalhadas de veículos;

- iterações entre estado da rede previsto, resposta do condutor à informação e estado da rede resultante, para gerar uma estratégia de informação consistente;

- uma variedade de cenários em tempo real, tais como incidentes, eventos especiais, condições meteorológicas, construção de novas estradas, flutuações na procura, etc.;

- registo da informação valiosa obtida a partir de estimativas anteriores de matrizes O/D para atualização das bases de dados existentes de O/D.

4.2.2. MODELOS DE PREVISÃO DE TRÁFEGO EM TEMPO REAL

Método de Previsão de Séries Temporais

O método de Previsão de Séries Temporais (Time Series Forecasting – TSF) baseia-se no cálculo de regressão linear, utilizando o método dos Mínimos Quadrados. O princípio básico da análise deste indicador é assumir que os padrões do passado irão ocorrer de novo no futuro e compreende métodos de análise de dados de séries temporais com a finalidade de identificar a natureza do fenómeno representado pela sequência de observações anteriores e prever valores futuros da variável de séries temporais.

De uma forma geral, o termo série temporal refere-se a qualquer sequência de dados, com os dados dependentes ou não de determinado evento. A função objetivo para previsão de tráfego a curto e médio prazo pode ser considerada como uma questão de previsão de séries temporais, onde se observa e modela séries de dados existentes para permitir obter futuros valores desconhecidos com precisão.

O processo baseado em séries temporais assenta em três algoritmos principais, que são executados nas diferentes fases do processo: algoritmo de treino, algoritmo de teste e algoritmo de previsão. O algoritmo de treino e aprendizagem é executado para identificar padrões de tráfego na dimensão 𝑝 que são modelados numa função matemática quadrática (Bento 2013):

f vg, v2, v/, … , vjL2 = ax/ + bx + c


29

Método de Previsão baseados em Redes Neuronais Artificiais (ANN)

Durante anos, as técnicas de Inteligência Artificial (IA) têm desempenhado um papel importante na conceção de sofisticados sistemas de gestão, podendo-se dizer que o desenvolvimento de sistemas de IA tiverem início a partir do momento em que se tentou simular as atividades do cérebro humano através de máquinas. O cérebro humano processa informações através da ativação de uma série de neurónios biológicos, sendo que os neurónios, por sua vez, interagem numa rede biológica por força da intercomunicação.

As Redes Neuronais não são mais que modelos simplificados inspirados no funcionamento das células neuronais humanas, ou seja, uma Rede Neuronal é um processador paralelo que é composto por unidades de processamento (neurónios ou nós). O conhecimento destas redes é adquirido a partir de um ambiente (dados) ou através de um processo de aprendizagem (algoritmo de treino).

Para um melhor entendimento deste assunto, importa fazer uma analogia entre o neurónio humano e o neurónio artificial. Um neurónio humano é formado por um corpo celular, que contém o núcleo da célula, diversos dendrites, através dos quais impulsos elétricos são recebidos, e um axónio, através do qual impulsos elétricos são enviados. As interligações entre neurónios são efetuadas através de sinapses, que são os pontos de contacto entre dendrites e axónios controlados por impulsos elétricos.

A estrutura do neurónio artificial é baseada no neurónio humano, sendo que a maior limitação é a sua natureza binária – se a soma ponderada dos sinais de entrada de um neurónio ultrapassar um determinado limite, a saída toma o valor de 1, caso contrário, se não ultrapassar, toma o valor de 0.

Os neurónios estão organizados graficamente e ligados entre si com uma orientação, cuja estrutura define a arquitetura adotada. Existem vários tipos de arquiteturas para Redes Neuronais Artificiais, no entanto, as mais utilizadas são as seguintes:

- Redes totalmente conectadas (Figura 7) - cada neurónio da rede é ligado a todos os outros neurónios da rede.

Figura 7- - Redes totalmente conectadas


30

- Redes de camada única (Figura 8) - estas redes possuem duas camadas, a camada de entrada e a camada de saída, sendo os neurónios independentes uns dos outros podendo ser treinados separadamente.

Figura 8- - Redes de camada única

- Redes multicamada (Figura 9) - este tipo de rede é constituída por diferentes camadas dispostas paralelamente, sendo que:

i) A primeira camada é a camada de entrada;

ii) As camadas intermédias são as camadas escondidas;

iii) A última camada é a camada de saída.

Figura 9 - Redes multicamada

O processo de aprendizagem, a propriedade mais importante das Redes Neuronais, é definido pela capacidade de aprender com base no seu ambiente e com isso melhorar o seu desempenho. Este processo é realizado através de iterações de ajustes


31

aplicadas aos seus pesos, o treino. Existem os seguintes paradigmas de aprendizagem:

- Aprendizagem por reforço;

- Aprendizagem supervisionada;

- Aprendizagem não supervisionada.

Como uma das mais proeminentes aproximações e largamente utilizada na resolução de problemas complexos, as ANN têm vindo a ganhar popularidade na pesquisa de transportes e em particular em sistemas de previsão – em 1996 eram usados métodos baseados em ANN para modelar e controlar o fluxo de tráfego em ramos de acesso a autoestradas a partir de modelos de previsão.

Van Lint (van Lint, Netherlands Research School for Transport et al. 2004) apresentou um modelo de ANN para prever tráfego em tempo-real em estradas urbanas de utilização intensa na Holanda. Apesar de esta solução manter o foco da década anterior, quer ao nível dos dados de entrada, quer nos resultados que apresenta, a principal vantagem é a menor complexidade computacional e a flexibilidade em estender para novas áreas geográficas.

Sendo aplicadas na área de previsão, classificação, otimização, controlo, entre outros, as ANN são sistemas que consistem na conexão massiva de redes em computadores, organizada por layers (camadas).

Figura 10 – Arquitetura de Rede Neuronal Artificial (Bento 2013)

As ANN são definidas como um conjunto de inputs (entradas) e outputs (saídas), chamados de dados de experimentação. Um algoritmo teste pode então ser utilizado para ajustar os pesos na rede para aproximar praticamente uma função não linear com um grau de precisão, num tipo de teste vulgarmente denominado de aprendizagem supervisionada. Ao contrário de sistemas de cálculo clássicos, que requerem esquemas de processamento com ligações algorítmicas entre os valores dos inputs e outputs, as redes neuronais apenas requerem uma fase de teste, a fim de adquirir a experiência necessária para fornecer um correto output para um dado input.


32

5 CONCLUSÕES

Os modelos de simulação de tráfego são, atualmente, fundamentais no planeamento, projeto e gestão de redes rodoviárias, podendo se dizer que, cada vez mais, irão constituir uma ferramenta indispensável, face às suas capacidades de previsão.

A relevância destes modelos também pode ser reforçada pelo facto de constituírem uma importante ajuda no processo de tomada de decisão, na medida em que conseguem fornecer bastante informação de uma forma sistemática e reproduzível, o que permite a comparação a priori de diversos cenários alternativos sem ser necessário implementá-los.

Deste modo, a aplicação de modelos traz significantes vantagens como uma ferramenta de avaliação, embora não se possa esquecer algumas das suas desvantagens. Entre as principais vantagens destacam-se as seguintes:

- fornece um meio para a abordagem de problemas complexos decorrentes das muitas inter-relações existentes e da variabilidade de um sistema rodoviário;

- permite a análise de problemas específicos em condições de “experiência” controlada;

- promove a livre experimentação sem a necessidade de implementação;

- evita eventuais riscos inerentes a uma falha implícita a qualquer experiência real, incluindo em particular a geração de condições operacionais ineficientes e/ou inseguras;

- permite análises mais rápidas, mais flexíveis e de menor custo.

No que se refere às desvantagens, importa salientar os seguintes aspetos:

- qualquer que seja o modelo utilizado, por mais complexo que seja, o mesmo é, essencialmente, uma simplificação do sistema real;

- o desenvolvimento de um modelo (construção, calibração e validação) é um processo bastante complexo, necessitando, para além dos critérios objetivos, de alguma subjetividade com base no conhecimento local do funcionamento de uma rede;

- envolve um grande número de variáveis que é necessário estimar;

- a aplicação de modelos necessita de um envolvimento significativo de meios, materiais e humanos, designadamente de técnicos especializados para serem utilizados com rigor adequado

Assim, justifica-se que o processo de desenvolvimento de modelos necessita de um maior dispêndio de esforço, principalmente na fases de calibração, após a qual passa a ser possível definir de uma forma clara a aplicabilidade do modelo no que concerne à


33

sua capacidade em reproduzir a realidade, bem como a determinação das estimativas das variáveis de tráfego fornecidas pelo modelo para a definição de soluções no âmbito da Engenharia de Tráfego.

Por outro lado, face à complexidade das redes urbanas não só no que se refere à sua dimensão como à grande interação existente entre as muitas variáveis deste sistema, necessárias para o representar, seria importante ou mesmo fundamental a utilização de modelos de previsão de tráfego como uma forma de, por um lado, otimizar o processo de construção de modelos e, por outro, substituir, em certos casos, a utilização de modelos de simulação.


34

REFERÊNCIAS BIBLIOGRÁFICAS

AIMSUM (2005). AIMSUN Microssimulator 5.0 User´s Manual TSS - Transporting Simulation Systems.

Ben-Akiva, M., et al. (1992). Real-time Prediction Of Traffic Congestion. Vehicle Navigation and Information Systems, 1992. VNIS., The 3rd International Conference on.

Not Available

Bento, J. L. J. (2013). "Comparação de Métodos para Previsão de Tráfego em Tempo-Real." CESUR - Centro de Sistemas Urbanos e Regionais, Instituto Superior Técnico, Portugal.

Ferreira, J. P. C. B. e. P. (2008). Aplicação de Modelos de Tráfego (DRACULA) na Avaliação dos Impactos em Redes Rodoviárias Urbanas Resultantes das Alterações nas Infra-Estruturas.

Haas, C. (2001). "Assessing Developments Using AIMSUM." IPENZ Transporting Group, Auckland.

HMSO, H. M. s. S. O.-. (1991). Traffic Appraisal Manual, Design Manual for Roads and Bridges, Traffic Appraisal of Road Schemes

Hoogendoorn, S. P. and P. H. Bovy (2001). "State-of-the-art of vehicular traffic flow modelling." Proceedings of the Institution of Mechanical Engineers, Part I: Journal of Systems and Control Engineering 215(4): 283-303.

IEEE, I. o. E. a. E. E. I.-. (1991). "Standard Computer Dictionary ".

J. Hourdakis, P. M., J. Kottomannil (2003). "A Practical Procedure for Calibrating Microscopic Traffic Simulation Model." Transportation Research Board - Annual Meeting.

Jaime Barceló, E. B., Laurent Breheret, Gianni Canepari, Carlo Di Taranto, Jaime Ferrer, Ken Fox, Jean-françois Gabard, Ronghui Liu (1999). SMARTEST - Simulation Modelling Applied to Road Transport European Scheme Tests.

Jaime Barceló, J. C. (2004). Methodological notes on the calibration and validation of Microscopic Traffic Simulation Models, Transportation Research Board.

Legrazie, R. (2012). "Planejamento, Modelagem e Simulação na Engenharia."

Lei Rao, L. O., D. Goldsam (1998). "Development and Application of a Validation Framework for Traffic Simulation Models." Winter Simulation Conference.


35

Lopes, J. (2012). Traffic Prediction for Unplanned Events on Motorways, Technical University of Lisbon.

MIT (2015). "ITS LAB - Intelligent Transport Systems Lab."

R. Dowling, A. S., V. Alexiadis (2004). "Traffic Analysis Toolbox Volume III: Guidelines for Applying Traffic Microsimulation Modeling Software."

Tavares, J. P. M. P. (2003). Aplicabilidade e Robustez de Modelos de Afectação de Tráfego em Redes Urbanas. Dissertação de Doutoramento em Engenharia Civil, Faculdade de Engenharia da Universidade do Porto.

Transportation, U. S. D. o. (2004). "Traffic AnalysisToolbox Volume III: Guidelines for Applying Microsimulation Modeling Software."

van Lint, H., et al. (2004). Reliable travel time prediction for freeways, Netherlands TRAIL Research School.

Vilarinho, C. A. T. (2008). Calibração de Modelos Microscópicos de Simulação de Tráfego em Redes Urbanas.

Wolfgang Scherr, D. A. T. B. (2003). "An Integrated Model for Planning and Traffic Engineering." Transportation Research Board.

Documents

MODELOS DE SIMULAÇÃO E DE PREVISÃO DE TRÁFEGO · Parâmetro Volume.....17 Parâmetro Velocidade ... Para um melhor conhecimento do universo dos modelos de simulação de tráfego,