Previsão de tráfego urbano no Distrito Federal : aplicação de redes neurais de previsão de tráfego utilizando dados espaço-temporais

Abstract

Este estudo tem como objetivo principal o desenvolvimento e a caracterização de um modelo preditivo para o tráfego de curto prazo de um recorte da malha viária do Distrito Federal, parte da DF-025 e total da DF-035, baseado na variável de fluxo veicular. A abordagem adotada fundamenta-se na aquisição de dados por dispositivos de contagem de tráfego que são convertidos em séries temporais históricas, e na integração desses insumos a uma arquitetura baseada em Graph Convolutional Neural Networks (Graph-CNN) e Long Short-Term Memory (LSTM) de Bogaerts et al. (2020) para o processamento e previsão do volume de tráfego. O modelo preditivo foi avaliado utilizando métricas como Erro Médio Absoluto (MAE) e Raiz do Erro Quadrático Médio (RMSE), além disso, os dados foram submetidos à normalização utilizando a técnica MinMaxScaler. Os resultados indicam que os períodos de maior fluxo apresentam maior variabilidade nos erros de previsão, enquanto horários de menor movimento possibilitam previsões. A análise das correlações com até uma hora de duração entre trechos revelou previsões promissoras. O estudo contribui para o aprimoramento da gestão de mobilidade urbana, fornecendo um modelo preditivo que pode auxiliar na tomada de decisões estratégicas para otimizar o fluxo viário e reduzir congestionamentos.