Inferência da qualidade do tráfego em vias urbanas e rodovias: modelos de fluxo, sensores e aprendizado de máquina

Tema: Engenharia de Tráfego

A conta invisível do congestionamento: como sensores e inteligência artificial traduzem o tráfego em qualidade

A Califórnia opera quase 40 mil detectores em freeways e mantém mais de dez anos de dados arquivados no sistema PeMS [1]. São Paulo registra um índice de lentidão a cada 30 minutos, de segunda a sexta [2], e desde 2023 estende a medição a todos os seus 20 mil km de vias [3]. Entre o sensor no asfalto e o número que o gestor vê na tela existem três camadas — a norma que define o que é "bom", o sensor que mede e o modelo que infere —, e é nelas que se decide se um diagnóstico de congestionamento é confiável ou apenas um número plausível. Com benchmarks de grande escala e modelos que combinam a física do fluxo com aprendizado profundo, essa conta está sendo refeita agora [4][5].

O que é "qualidade" do tráfego: a norma chega antes do dado

Antes de qualquer sensor, existe uma definição normativa. O conceito de Nível de Serviço (LOS, na sigla em inglês) foi introduzido na edição de 1965 do Highway Capacity Manual (HCM) e se apoia em uma medida de desempenho selecionada, como velocidade ou densidade [6]. A sexta edição do manual, lançada em 2016, fornece métodos para avaliar a operação multimodal de freeways, rodovias e vias arteriais urbanas [7].

Em freeways, o LOS é definido pela densidade média da instalação, expressa em carros de passeio equivalentes por milha por faixa, com limiares distintos para áreas urbanas e rurais [8]. Em interseções e arteriais urbanos, o HCM traz metodologia própria de cálculo do nível de serviço [9], e há literatura recente revisando esses critérios — por exemplo, para o tráfego heterogêneo de arteriais de Karachi, no Paquistão [10]. A sétima edição do HCM, de 2022, reformulou o método de rodovias de pista simples: adotou a follower density (densidade de veículos em pelotão) como medida de serviço e passou a usar a porcentagem de veículos pesados como entrada direta das medidas de desempenho, em vez de convertê-los em carros equivalentes [11]. A mesma edição ganhou um capítulo novo (38) com metodologias para corredores que envolvem freeways e vias urbanas [12]. A FHWA, por sua vez, desenvolveu metodologia simplificada para gerar tabelas generalizadas de consulta de LOS [13].

A implicação prática é que "qualidade do tráfego" não é um fato bruto da natureza: é um constructo normativo. Um mesmo fluxo de 2.000 veículos por hora a 80 km/h resulta em cerca de 8,3 veículos/km/faixa numa via de três faixas (LOS B) e 12,5 numa de duas (LOS C); se a velocidade cair para 40 km/h na via de duas faixas, a densidade sobe para 25 e o serviço passa a LOS E (supondo só automóveis e os limiares mostrados mais adiante). Por isso, qualquer inferência por sensor ou inteligência artificial só faz sentido se estiver ancorada em uma medida de desempenho declarada.

As fórmulas por trás da qualidade do tráfego

Toda a analítica de tráfego — de uma planilha municipal a um modelo de aprendizado profundo — deriva de um punhado de equações da teoria do fluxo de tráfego, que remonta ao trabalho de Greenshields, de 1935 [14], e das definições do HCM.

A relação fundamental liga três variáveis centrais do tráfego [14]:

$$q = k \cdot v$$

Onde $q$ é o fluxo (veículos por hora), $k$ é a densidade (veículos por quilômetro) e $v$ é a velocidade média de espaço (km/h). Exemplo numérico: se a densidade é de 24 veículos/km e a velocidade média de espaço é 48 km/h, o fluxo é 24 × 48 = 1.152 veículos/hora.

Aqui há uma sutileza que derruba muitas contas: existem duas "velocidades médias" [14]. A velocidade média de tempo, $v_t$, é a média aritmética das velocidades $v_1, \dots, v_n$ dos $n$ veículos que passam por um ponto:

$$v_t = \frac{1}{n}\left(v_1 + v_2 + \cdots + v_n\right)$$

A velocidade média de espaço, $v_e$, é a média harmônica dessas velocidades, e é ela que entra na relação fundamental:

$$v_e = \frac{n}{\frac{1}{v_1} + \frac{1}{v_2} + \cdots + \frac{1}{v_n}}$$

Exemplo: em um trecho de 1 km, um veículo a 60 km/h leva 1 minuto; outro, a 40 km/h, leva 1,5 minuto. O tempo médio é 1,25 minuto, o que dá $v_e = 1 / (1{,}25/60) = 48$ km/h. A média aritmética seria 50 km/h — cerca de 4% acima do valor correto. Como $q = k \cdot v_e$, usar a média errada superestima o fluxo.

O modelo de Greenshields supõe relação linear entre velocidade e densidade [14]:

$$v = v_f\left(1 - \frac{k}{k_j}\right)$$

Onde $v_f$ é a velocidade de fluxo livre e $k_j$ é a densidade de congestionamento total (veículos/km). Substituindo na relação fundamental, o fluxo se torna uma parábola:

$$q = v_f\left(k - \frac{k^2}{k_j}\right)$$

A capacidade — o fluxo máximo $q_{max}$ — ocorre na densidade crítica $k_c$:

$$q_{max} = \frac{v_f \cdot k_j}{4}$$
$$k_c = \frac{k_j}{2}$$

Exemplo: com $v_f = 100$ km/h e $k_j = 120$ veículos/km, a capacidade é $100 \times 120 / 4 = 3.000$ veículos/hora, atingida na densidade crítica de 60 veículos/km e à velocidade de 50 km/h — metade da velocidade de fluxo livre.

O modelo LWR (Lighthill–Whitham–Richards) trata o tráfego como um fluido compressível e expressa a conservação de veículos como equação diferencial parcial [15]:

$$\frac{\partial k}{\partial t} + \frac{\partial q}{\partial x} = 0$$

Onde $t$ é o tempo, $x$ a posição ao longo da via, $\partial k/\partial t$ a variação da densidade no tempo e $\partial q/\partial x$ o gradiente espacial do fluxo. Com $q = Q(k)$, ela se reescreve como:

$$\frac{\partial k}{\partial t} + Q'(k)\,\frac{\partial k}{\partial x} = 0$$

O termo $Q'(k)$ é a velocidade da onda cinemática que propaga perturbações — é o que explica por que um congestionamento "anda para trás" mesmo com os carros indo para a frente. O Cell Transmission Model (CTM) é a discretização numérica do LWR em células, com equação de balanço e funções de envio e recepção [15]:

$$n_i(t+1) = n_i(t) + y_i(t) - y_{i+1}(t)$$
$$y_i(t) = \min\left\{S_{i-1}(t),\ R_i(t)\right\}$$
$$S_i(t) = \min\left\{v_f \cdot k_i(t),\ q_{max}\right\}$$
$$R_i(t) = \min\left\{q_{max},\ w\left(k_j - k_i(t)\right)\right\}$$

Onde $n_i$ é o número de veículos na célula $i$, $k_i$ a densidade nela, $y_i$ o fluxo que atravessa a fronteira de entrada da célula, $S$ o que a célula a montante consegue enviar e $R$ o que a célula a jusante consegue receber; $w$ é a velocidade da onda de choque. Exemplo: uma célula com $k = 20$ veíc/km, $v_f = 100$ km/h e $q_{max} = 3.000$ envia $S = \min\{2.000,\ 3.000\} = 2.000$ veíc/h; a célula seguinte, com $k = 100$ veíc/km, $k_j = 120$ e $w = 25$ km/h, só recebe $R = \min\{3.000,\ 25 \times 20\} = 500$ veíc/h — logo, passam 500 veículos/hora e a fila cresce a montante. É sobre essa física que a literatura de physics-informed deep learning (PIDL) constrói modelos híbridos, como demonstram Huang e Agarwal com LWR e CTM [15], Shi, Mo e Di com um modelo de segunda ordem [16] e as revisões de Di, Shi, Mo e Fu [5] e de Zhang, Yang e Yang [17].

O Nível de Serviço do HCM em freeways sai diretamente da densidade, calculada como fluxo dividido por velocidade e número de faixas:

$$D = \frac{q}{v \cdot N}$$

Onde $D$ é a densidade por faixa, $q$ o fluxo em veíc/h, $v$ a velocidade em km/h e $N$ o número de faixas. Os limiares do HCM para segmentos básicos de freeway, em carros equivalentes por milha por faixa, são: LOS A até 11; B de 11 a 18; C de 18 a 26; D de 26 a 35; E de 35 a 45; F acima de 45 ou quando a demanda excede a capacidade [8] — o que equivale, aproximadamente, a 7, 11, 16, 22 e 28 por quilômetro por faixa. Exemplo: 2.000 veíc/h a 80 km/h em três faixas dão 8,3 veíc/km/faixa — LOS B.

Para medir congestionamento como experiência do usuário, o índice mais difundido compara o tempo real de viagem, $T_{real}$, com o tempo em fluxo livre, $T_{livre}$:

$$IC = \frac{T_{real}}{T_{livre}} - 1$$

É a lógica do congestion level do TomTom Traffic Index: um nível de 40 significa tempos de viagem 40% maiores que em fluxo livre [18]. Exemplo: 21 minutos contra 15 minutos de fluxo livre dão (21/15) − 1 = 0,40, ou 40%.

A confiabilidade entra com o Buffer Time Index, recomendado pela FHWA junto com o percentil 90 ou 95 do tempo de viagem e o Planning Time Index [19][20]:

$$BTI = \frac{T_{95} - \bar{T}}{\bar{T}}$$

Onde $T_{95}$ é o 95º percentil dos tempos de viagem e $\bar{T}$ é a média [21]. Exemplo: média de 20 minutos e $T_{95}$ de 27 minutos dão $BTI = 7/20 = 0{,}35$ — o viajante precisa reservar 35% mais tempo que a média [22]. O Planning Time Index complementa [19]:

$$PTI = \frac{T_{95}}{T_{livre}}$$

Com $T_{95} = 27$ minutos e fluxo livre de 15 minutos, $PTI = 1{,}80$: é preciso orçar 80% mais tempo que o ideal para chegar no prazo em 95% dos casos [23].

Sensores: quatro famílias e um arquivo de dez anos

A camada de sensoriamento se organiza em quatro famílias. A primeira são os detectores fixos, cujo arquétipo é o PeMS, da Caltrans: quase 40 mil detectores, operação como Archived Data User Service e mais de dez anos de histórico, integrando incidentes, interdições de faixa, toll tags, contagens censitárias, classificação veicular e pesagem em movimento [1]. O sistema calcula velocidade, vehicle-hours of delay (VHD), vehicle-miles traveled (VMT) e estatísticas de tempo de viagem [24]; recortes de pesquisa usam, por exemplo, o Distrito 4, na Baía de São Francisco, em intervalos de 5 minutos [25]. Há até pacotes de código aberto para extração programática dos dados [26]. Um alerta metodológico importante: na versão PeMS 14 o histórico foi reprocessado, e as séries de VHD35 e VHD60 mudaram bastante em relação ao PeMS 12 em alguns distritos — quem treina modelos em séries longas precisa saber disso [1].

A segunda família é o floating car data (FCD), baseado em GPS. Trata-se de uma técnica de amostragem: em avaliação por microssimulação da rede central de Lausanne, Torday e Dumont mostraram que a acurácia da estimativa de tempo de viagem depende criticamente do período de agregação e da definição do link, especialmente em redes urbanas [27]. A consequência é que estimativas derivadas de FCD exigem controle das propriedades estatísticas dos tempos de viagem por link, não apenas da média de velocidade [27].

A terceira é a sinalização de redes celulares. Janecek e colaboradores estimaram tempos de viagem e detectaram congestionamentos em rodovia usando apenas dados anônimos de sinalização de uma rede móvel em operação, incluindo aparelhos ociosos, e validaram o método com sensores, dados de pedágio e de táxis [28]; Steenbruggen e colegas revisaram o uso de dados de redes GSM para estimar condições de tráfego e padrões espaciais urbanos, com um sistema de teste em Amsterdã [29]. Demissie e colaboradores usaram contagens de handover de 39 antenas em Lisboa para classificar o tráfego em três níveis, com acerto de 78,1% usando rede neural [30]; Pattara-Atikom e Peachavanish mostraram que o cell dwell time (tempo de permanência na célula) permite estimar o grau de congestionamento em vias de Bangkok [31]; e Habtie e colegas propuseram um framework de estimação do estado do tráfego urbano com rede neural a partir de dados celulares [32].

A quarta família é a visão computacional. Chakraborty e colaboradores usaram redes convolucionais profundas para detectar congestionamento em imagens de câmeras [33]; Barthélemy e colegas apresentaram um sensor visual com edge computing, que roda visão computacional e redes neurais no próprio dispositivo e permite aproveitar redes de CCTV existentes [34]; Umair e colaboradores estimaram o comprimento de fila em interseções urbanas a partir de vídeo de baixa resolução, com 88% de acurácia usando YOLOv4 [35]. Lam e colegas usaram o detector genérico YOLOv3 para inferir o estado do tráfego a partir de imagens online de Macau [36]; Fedorov e colegas combinaram detecção e rastreamento para contar veículos e classificar sua direção num cruzamento de Chelyabinsk, na Rússia [37]; Azfar

e colaboradores revisaram métodos de visão computacional com aprendizado profundo, discutindo a implantação na borda e a comunicação com a nuvem [38]; e Battal e colegas classificaram estados de fila em tempo real com imagens de câmeras de tráfego padrão [39].

Quando o dado vem de fora: Waze, TomTom e o limite da validação

Dados comerciais ampliam cobertura, mas exigem validação — e a literatura é explícita sobre onde ela falha. Amin-Naseri e colaboradores avaliaram confiabilidade, cobertura e valor agregado dos reportes de incidentes do Waze e concluíram que eles contribuem de forma significativa para a detecção de incidentes e podem complementar a cobertura do sistema de gestão de tráfego [40].

A velocidade é o ponto forte. Hoseinzadeh e colegas avaliaram a velocidade do Waze em vias arteriais de Sevierville (Tennessee), usando Bluetooth como referência, e concluíram que é uma fonte promissora, mais precisa nos horários de pico [41]; Zhang, Han e Liu compararam a velocidade do Waze com sensores de micro-ondas na I-40 e observaram que ela é mais confiável em cenários congestionados [42]; e Gu e colaboradores, em relatório para o departamento de transportes do Tennessee, concluíram que o Waze é fonte adequada para a gestão de incidentes, com velocidades levemente acima das dos detectores em fluxo livre [43].

O incidente é o ponto fraco. Goodall e Lee compararam registros de colisão e de veículo enguiçado do Waze com imagens de câmeras: das 40 colisões reportadas, só 13 foram confirmadas como reportes primários, e nem o reliability score nem a duração do incidente se correlacionaram com a precisão do reporte [44]. Li e colaboradores, analisando um corredor da I-35 no Texas, concluíram que a análise de segurança viária deve considerar tanto os registros oficiais de acidentes quanto os incidentes informados pelo Waze [45]. O programa Waze for Cities fornece às agências dados e ferramentas para interdições em tempo real e planejadas e alertas de trânsito [46][47].

Do lado dos índices, o TomTom Traffic Index compara o tempo de viagem real com o de fluxo livre e já está em sua 15ª edição [18]. No Brasil, a CET-SP mantém um índice de lentidão registrado a cada 30 minutos, de segunda a sexta, das 7h às 20h [2], com medição estendida em 2023 a todos os 20 mil km de vias [3]. A métrica já foi questionada: em 2011, reportagem apontou que outro sistema de medição registrava lentidão até quatro vezes superior à indicada pelo órgão [48].

De 1965 ao grafo neural: seis décadas em uma linha do tempo

A trajetória tem três marcos. O primeiro é normativo: o LOS nasce em 1965, com o HCM, para transformar medições de velocidade e densidade em uma escala A–F [6]. O segundo é instrumental: a consolidação de arquivos de sensores em escala regional, com o PeMS reunindo dezenas de milhares de detectores e mais de uma década de histórico [1][24], criou o insumo que faltava para modelos estatísticos. O terceiro é computacional: a partir de 2017, modelos de aprendizado profundo em grafos passaram a prever o tráfego usando a topologia da malha viária, com o DCRNN reportando ganhos de 12% a 15% sobre o estado da arte em dois datasets de larga escala [49]. Em 2023, o benchmark LargeST levou a escala a 8.600 sensores e cinco anos de dados [4]. A linha do tempo sugere que o gargalo deixou de ser medir e passou a ser generalizar.

A inteligência artificial que aprende com a física

A camada de modelagem mudou de patamar com modelos espaço-temporais em grafos. O DCRNN, de Li, Yu, Shahabi e Liu, modela o fluxo como processo de difusão em grafo direcionado, com random walks bidirecionais para a dependência espacial e encoder-decoder com scheduled sampling para a temporal [49]. O STGCN, de Yu, Yin e Zhu, formulou o problema com estruturas totalmente convolucionais, o que permite treinamento muito mais rápido com menos parâmetros [50]. O Graph WaveNet, de Wu, Pan, Long, Jiang e Zhang, introduziu uma matriz de dependência adaptativa aprendida por node embedding e convoluções dilatadas para sequências longas [51]. O MegaCRN, de Jiang e colaboradores, propôs aprendizado de meta-grafo com um Meta-Node Bank e obteve resultados de ponta em METR-LA, PEMS-BAY e em um novo dataset de Tóquio com 1.843 links de vias expressas [52].

Outras frentes atacam problemas específicos. O GT-CausIn introduz variáveis causais de tráfego para descobrir relações causais dentro da rede [53]; o FTWGNN aplica wavelets em grafo para ganhar eficiência de tempo e memória [54]; e o TESTAM+ integra a topologia física da via e a similaridade entre sensores, obtendo MAE de 3,10 contra 3,14 no METR-LA (−1,3%) e 1,65 contra 1,72 no PEMS-BAY (−4,1%) [55].

Há duas frentes de engenharia que importam mais para a operação do que ganhos marginais de MAE. A primeira é escalabilidade: o DCRNN com particionamento de grafo decompõe grandes redes em sub-redes treinadas independentemente [56], e o transfer learning permite usar um modelo treinado em regiões ricas em dados para prever regiões não vistas [57]. A segunda é incerteza: deep ensembles com otimização bayesiana de hiperparâmetros quantificam a incerteza das previsões do DCRNN, ponto crítico para uso em tempo real [58]. Modelos com atenção multicanal incorporam obras e interdições para manutenção à previsão de velocidade, informação que modelos puramente baseados em velocidade ignoram [59][60]; e abordagens híbridas decompõem a série em sub-bandas de frequência com wavelets, prevendo as baixas frequências com uma rede convolucional recorrente em grafo e as altas com ARMA [61].

Escala, benchmark e a métrica que o contrato ainda não usa

Os benchmarks clássicos têm um problema de representatividade. O METR-LA reúne 207 sensores, com dados a cada 5 minutos de março a junho de 2012 [4][62]; o PEMS-BAY tem 325 sensores na Baía de São Francisco, de janeiro a maio de 2017 [62]. Os datasets PeMS03, 04, 07 e 08, usados à exaustão, têm apenas centenas de nós e arestas — muito menos que redes reais: segundo os autores do LargeST, só a Califórnia tem quase 20 mil sensores em operação [4] (o número de detectores individuais do PeMS é maior [1]). O LargeST, de Liu e colaboradores, corrige parte disso com 8.600 sensores, cinco anos de dados e metadados por sensor [4]. Já o benchmark STG4Traffic reimplementou 16 modelos sob o mesmo protocolo, motivado pela constatação de que os resultados reportados nos artigos originais divergem dos obtidos em benchmarks [62]. Zhang e colaboradores validaram seu modelo de aprendizado de estrutura em seis datasets, incluindo PeMS-S, PEMS-BAY e METR-LA [63]. Uma observação metodológica recorrente: a construção do grafo usa kernel gaussiano com limiar sobre a distância de rede entre sensores, escolha que afeta o resultado [4].

Enquanto isso, a métrica que mede o que o usuário sente — confiabilidade — segue pouco usada em contratos. A FHWA recomenda quatro medidas: percentil 90 ou 95 do tempo de viagem, Buffer Index, Planning Time Index e a frequência com que o congestionamento excede um limiar [19]; confiabilidade é definida como a consistência dos tempos de viagem dia a dia e ao longo do dia [20]. Um Buffer Index de 40% significa reservar 8 minutos extras para uma viagem média de 20 minutos [22]. Na prática, porém, painéis de gestão costumam exibir velocidade média e índice de lentidão, que não capturam a variabilidade — exatamente o atributo que o viajante percebe como pior.

O Brasil entre a contagem do DNIT e o Waze for Cities

A produção brasileira é sólida em aplicação de LOS e HCM, mas concentrada em rodovias. Bessa Junior e Setti avaliaram medidas de desempenho para rodovias de pista simples obtidas de relações fluxo-velocidade, usando dados sintéticos de um simulador calibrado para o Brasil e comparando-os com o HCM2010 e com dados de campo [64]. Carneiro e Setti coletaram volume e velocidade em oito acessos de entrada e saída de rodovias paulistas e mostraram que o método do HCM-6 errou a densidade em até 30,2%, com diferenças de até dois níveis de serviço — evidência da necessidade de recalibrar o manual para o país [65]. Silva, em dissertação na UFMG, concluiu que aplicar o método do HCM-7 à configuração 2+1 em pista simples sem calibração tende a gerar resultados incompatíveis com os dados de campo [66].

O que falta é dado em tempo real. As bases oficiais são de contagem: o DNIT divulga o volume médio diário mensal e o volume total diário por UF, rodovia, posto e ano no Plano Nacional de Contagem de Tráfego [67], mantém dataset aberto do Programa Nacional de Controle de Velocidade [68] e combina contagens contínuas, com equipamentos fixos 24 horas por dia nos 365 dias do ano, com contagens de cobertura de 7 dias ininterruptos [69]. Do lado municipal, a CET-SP publica o índice de lentidão a cada 30 minutos [2]. A exceção colaborativa é o Waze, que desde 2013 fornece dados de trânsito ao Centro de Operações do Rio de Janeiro e é objeto de estudo de caso detalhado em Joinville (SC), publicado por Hiroki na revista urbe [70][46]. No campo da inteligência artificial, o capítulo de Capanema, Silva e Loureiro apresenta redes neurais de grafos no contexto das cidades inteligentes para a comunidade brasileira [71] — mas ainda não há, no país, um benchmark aberto de estado de tráfego comparável ao PeMS.

O que esperar a seguir

Três movimentos devem definir os próximos anos. O primeiro é a normalização da incerteza: prever velocidade sem intervalo de confiança é insuficiente para operação, e deep ensembles já oferecem caminho viável [58]. O segundo é a incorporação de perturbações — obras, interdições, incidentes — como canais de entrada, não como ruído [59][60]. O terceiro é a escala: com benchmarks como o LargeST expondo os limites dos datasets pequenos [4], a disputa deixa de ser por alguns décimos de MAE e passa a ser por arquiteturas que treinem em malhas inteiras.

Para gestores públicos, a consequência é prática. Antes de comprar um dashboard, vale perguntar qual medida de desempenho ele reporta — densidade, como manda o HCM para freeways [8], ou um índice de lentidão sem intervalo de confiança. Antes de treinar um modelo, vale verificar se a série histórica foi reprocessada, como aconteceu com o PeMS 14 [1]. E antes de assinar um contrato de concessão, vale incluir o Planning Time Index ao lado da velocidade média [23]. A fórmula é simples; o difícil é decidir qual número merece ir para o painel.

Referências

  1. [1] PeMS Data Source — Caltrans — https://dot.ca.gov/programs/traffic-operations/mpr/pems-source
  2. [2] Ajuda — MonitransMapa CET-SP (índice de lentidão) — http://cetsp1.cetsp.com.br/monitransmapa/agora/ajuda.htm
  3. [3] Companhia de Engenharia de Tráfego amplia medição do trânsito para todas as vias da cidade (Prefeitura de São Paulo, 2023) — https://prefeitura.sp.gov.br/w/noticia/companhia-de-engenharia-de-trafego-amplia-medicao-do-transito-para-todas-as-vias-da-cidade
  4. [4] LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting (Liu et al., 2023) — https://arxiv.org/html/2306.08259v1
  5. [5] Physics-Informed Deep Learning for Traffic State Estimation: A Survey and the Outlook (Di, Shi, Mo & Fu, 2023) — https://www.mdpi.com/1999-4893/16/6/305
  6. [6] The Highway Capacity Manual, 6th Edition: A Guide for Multimodal Mobility Analysis (Elefteriadou) — https://nap.nationalacademies.org/read/24798/
  7. [7] Highway Capacity Manual — 6th Edition Overview (Washburn & Washburn, CEDengineering) — https://www.cedengineering.com/userfiles/Highway%20Capacity%20Manual%20-%206th%20Edition%20Overview%20-%20R2.pdf
  8. [8] 9.3.4 Measures of Effectiveness (MOEs) — TxDOT Traffic and Safety Analysis Procedures Manual — https://www.txdot.gov/manuals/des/tsp/chapter-9-segment-analysis--freeways--multi-lane-h/9-3-hcm-based--mesoscopic--analysis/9-3-4-measures-of-effectiveness--moes-.html
  9. [9] K-LOS Interpretation (HCM 2000 Methodology) — https://content.civicplus.com/api/assets/65f9fe8e-c6fc-4774-9eb5-99d9bca60ad1
  10. [10] Level of Service Criteria for Urban Arterials with Heterogeneous and Undisciplined Traffic Streams (Ahmed et al., 2025) — https://www.mdpi.com/2071-1050/17/11/5126
  11. [11] What is New in the 7th Edition of Highway Capacity Manual (Aghdashi & Sasahara, McTrans/KSITE, 2022) — https://ksite.org/images/meeting/040722/what_is_new_in_the_7th_edition_of_hcm_04.07.2022.pdf
  12. [12] What is New in the 7th Edition of Highway Capacity Manual (TRB/NC-ITE, 2023) — https://nc-ite.org/images/downloads/SimCap_Presentations/2023_02_22_simcap_meeting_presentation.pdf
  13. [13] Simplified Highway Capacity Calculation Method — Chapter 3 (FHWA) — https://www.fhwa.dot.gov/policyinformation/pubs/pl18003/chap03.cfm
  14. [14] Macroscopic traffic models — Traffic Flow Theory (Cathy Wu, MIT 1.041/1.200, 2026) — https://web.mit.edu/1.041/www/lectures/L5-traffic-flow-theory-2026sp.pdf
  15. [15] Physics-Informed Deep Learning for Traffic State Estimation: Illustrations With LWR and CTM Models (Huang & Agarwal, 2022) — https://ieeexplore.ieee.org/abstract/document/9795676/
  16. [16] Physics-Informed Deep Learning for Traffic State Estimation: A Hybrid Paradigm Informed by Second-Order Traffic Models (Shi, Mo & Di, AAAI 2021) — https://ojs.aaai.org/index.php/AAAI/article/view/16132
  17. [17] A review of hybrid physics-based machine learning approaches in traffic state estimation (Zhang, Yang & Yang, 2023) — https://academic.oup.com/iti/article-abstract/doi/10.1093/iti/liad002/7153051
  18. [18] About — TomTom Traffic Index — https://www.tomtom.com/traffic-index/about/
  19. [19] Travel Time Reliability: Making It There On Time, All The Time — FHWA — https://ops.fhwa.dot.gov/publications/tt_reliability/ttr_report.htm
  20. [20] Travel Time Reliability Measures — FHWA Office of Operations — https://ops.fhwa.dot.gov/perf_measurement/reliability_measures/index.htm
  21. [21] Travel time reliability — Wikipedia — https://en.wikipedia.org/wiki/Travel_time_reliability
  22. [22] Monitoring Urban Freeways in 2003 — Summary (FHWA-HOP-05-018, Texas Transportation Institute) — https://mobility.tamu.edu/resources/fhwa-hop-05-018/summary/
  23. [23] Travel Time Reliability: The Science Behind "On-Time" Arrival (FDOT, 2024) — https://fdotwww.blob.core.windows.net/sitefinity/docs/default-source/planning/fto/reliability/reliability-101.pdf
  24. [24] Freeway Performance Measurement System (PeMS) (Chen, 2003) — https://ideas.repec.org/p/cdl/itsrrp/qt6j93p90t.html
  25. [25] PeMS — IEEE DataPort (Li, 2025) — https://ieee-dataport.org/documents/pems-2
  26. [26] caltrans-pems: ferramentas para extração de dados do Caltrans PeMS — https://github.com/Seb-Good/caltrans-pems
  27. [27] Floating Car Data: Travel Time Estimation in Urban Networks (Torday & Dumont, 2004) — https://infoscience.epfl.ch/bitstreams/a4f6b887-e0c7-445f-b33b-558eec240f7a/download
  28. [28] The Cellular Network as a Sensor: From Mobile Phone Data to Real-Time Road Traffic Monitoring (Janecek et al., 2015) — https://ieeexplore.ieee.org/abstract/document/7079458/
  29. [29] Mobile phone data from GSM networks for traffic parameter and urban spatial pattern assessment (Steenbruggen et al., 2013) — https://link.springer.com/article/10.1007/s10708-011-9413-y
  30. [30] Intelligent road traffic status detection system through cellular networks handover information: An exploratory study (Demissie, Correia & Bento, 2013) — https://www.sciencedirect.com/science/article/pii/S0968090X13000739
  31. [31] Estimating Road Traffic Congestion from Cell Dwell Time using Neural Network (Pattara-Atikom & Peachavanish, 2007) — https://ieeexplore.ieee.org/abstract/document/4295824/
  32. [32] Cellular Network Based Real-Time Urban Road Traffic State Estimation Framework Using Neural Network Model Estimation (Habtie, Abraham & Midekso, 2015) — https://ieeexplore.ieee.org/abstract/document/7376589/
  33. [33] Traffic Congestion Detection from Camera Images using Deep Convolution Neural Networks (Chakraborty et al., 2018) — https://journals.sagepub.com/doi/abs/10.1177/0361198118777631
  34. [34] Edge-Computing Video Analytics for Real-Time Traffic Monitoring in a Smart City (Barthélemy et al., 2019) — https://www.mdpi.com/1424-8220/19/9/2048
  35. [35] Efficient Video-Based Vehicle Queue Length Estimation Using Computer Vision and Deep Learning for an Urban Traffic Scenario (Umair et al., 2021) — https://www.mdpi.com/2227-9717/9/10/1786
  36. [36] Real-Time Traffic Status Detection from On-Line Images Using Generic Object Detection System with Deep Learning (Lam, Ng & Chan, 2019) — https://ieeexplore.ieee.org/abstract/document/8947064/
  37. [37] Traffic flow estimation with data from a video surveillance camera (Fedorov et al., 2019) — https://link.springer.com/article/10.1186/s40537-019-0234-z
  38. [38] Deep Learning-Based Computer Vision Methods for Complex Traffic Environments Perception: A Review (Azfar et al., 2024) — https://link.springer.com/article/10.1007/s42421-023-00086-7
  39. [39] Real-Time Detection of Vehicle Queue States in Urban Traffic Using Deep Learning (Battal, Avcı & Tuncer, 2025) — https://dergipark.org.tr/en/pub/ecjse/issue/95086/1755333
  40. [40] Evaluating the Reliability, Coverage, and Added Value of Crowdsourced Traffic Incident Reports from Waze (Amin-Naseri et al., 2018) — https://journals.sagepub.com/doi/abs/10.1177/0361198118790619
  41. [41] Quality of location-based crowdsourced speed data on surface streets: Waze and Bluetooth speed data in Sevierville, TN (Hoseinzadeh et al., 2020) — https://www.sciencedirect.com/science/article/pii/S0198971520302519
  42. [42] Exploration and evaluation of crowdsourced probe-based Waze traffic speed (Zhang, Han & Liu) — https://www.tandfonline.com/doi/abs/10.1080/19427867.2021.1906477
  43. [43] WAZE Data Reporting (Gu, Zhang, Brakewood & Han, TDOT, 2022) — https://rosap.ntl.bts.gov/view/dot/66932
  44. [44] Comparison of Waze crash and disabled vehicle records with video ground truth (Goodall & Lee, 2019) — https://www.sciencedirect.com/science/article/pii/S2590198219300193
  45. [45] Rethinking Highway Safety Analysis by Leveraging Crowdsourced Waze Data (Li et al., 2020) — https://www.mdpi.com/2071-1050/12/23/10127
  46. [46] Waze for Cities — https://www.waze.com/partners/wazeforcities
  47. [47] Sobre o Programa Waze for Cities — Ajuda do Waze Parceiros — https://support.google.com/waze/partners/answer/10618477?hl=pt-BR
  48. [48] Sistema usado pela CET subestima lentidão do trânsito (Rede Nossa São Paulo / Metro, 2011) — https://nossasaopaulo.org.br/sistema-usado-pela-cet-subestima-lentidao-do-transito-metro/
  49. [49] Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting (Li, Yu, Shahabi & Liu, 2017/2018) — https://arxiv.org/abs/1707.01926v3
  50. [50] Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting (Yu, Yin & Zhu, 2017) — https://arxiv.org/abs/1709.04875v4
  51. [51] Graph WaveNet for Deep Spatial-Temporal Graph Modeling (Wu et al., 2019) — https://arxiv.org/abs/1906.00121v1
  52. [52] Spatio-Temporal Meta-Graph Learning for Traffic Forecasting (Jiang et al., 2022) — https://arxiv.org/abs/2211.14701v4
  53. [53] GT-CausIn: a novel causal-based insight for traffic prediction (Gao, Marques & Yu, 2022) — https://arxiv.org/abs/2212.05782v2
  54. [54] Fast Temporal Wavelet Graph Neural Networks (Nguyen et al., 2023) — https://arxiv.org/abs/2302.08643v3
  55. [55] Less is More: Strategic Expert Selection Outperforms Ensemble Complexity in Traffic Forecasting (Guettala, Zhao & Gulyás, 2025) — https://arxiv.org/abs/2510.07426v1
  56. [56] Graph-Partitioning-Based Diffusion Convolutional Recurrent Neural Network for Large-Scale Traffic Forecasting (Mallick et al., 2019) — https://arxiv.org/abs/1909.11197v4
  57. [57] Transfer Learning with Graph Neural Networks for Short-Term Highway Traffic Forecasting (Mallick et al., 2020) — https://arxiv.org/abs/2004.08038v2
  58. [58] Deep-Ensemble-Based Uncertainty Quantification in Spatiotemporal Graph Neural Networks for Traffic Forecasting (Mallick, Balaprakash & Macfarlane, 2022) — https://arxiv.org/abs/2204.01618v2
  59. [59] Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel Attention-Based Spatio-Temporal Graph Convolutional Networks (Lu, Kamranfar, Lattanzi & Shehu, 2021) — https://arxiv.org/abs/2110.01535v1
  60. [60] Accounting for Work Zone Disruptions in Traffic Flow Forecasting (Lu, Shehu & Lattanzi, 2024) — https://arxiv.org/abs/2407.11407v1
  61. [61] A Hybrid Traffic Speed Forecasting Approach Integrating Wavelet Transform and Motif-based Graph Convolutional Recurrent Neural Network (Zhang et al., 2019) — https://arxiv.org/abs/1904.06656v1
  62. [62] STG4Traffic: A Benchmark Study of Using Spatial-Temporal Graph Neural Networks for Traffic Prediction (Luo et al., 2023) — https://github.com/trainingl/STG4Traffic
  63. [63] Spatio-Temporal Graph Structure Learning for Traffic Forecasting (Zhang et al., AAAI 2020) — https://ojs.aaai.org/index.php/AAAI/article/view/5470/5326
  64. [64] Avaliação de medidas de desempenho para rodovias de pista simples obtidas a partir de relações fluxo-velocidade (Bessa Junior & Setti, 2016) — https://transportes.anpet.org.br/anpet/article/view/1145
  65. [65] Nível de serviço em acessos de entrada e saída em rodovias paulistas (Carneiro & Setti, 35º Congresso da ANPET, 2021) — https://www.anpet.org.br/anais35/documentos/2021/Tr%C3%A1fego%20Urbano%20e%20Rodovi%C3%A1rio/Tr%C3%A1fego%20Rodovi%C3%A1rio/3_97_AC.pdf
  66. [66] Impacto da configuração 2+1 em rodovias de pista simples sob condições de tráfego brasileiras (Silva, UFMG, 2025) — https://repositorio.ufmg.br/items/574a8f6e-96f6-4ac8-81e6-d86bc55af506
  67. [67] DNIT divulga dados recentes da contagem de tráfego (DNIT, 2016) — https://www.gov.br/dnit/pt-br/assuntos/noticias/cgplan-publica-na-internet-dados-recentes-do-pnct
  68. [68] DNIT — Dados Abertos (Controle de Velocidade / PNCV) — https://servicos.dnit.gov.br/dadosabertos/dataset/?tags=infraestrutura-rodoviaria&tags=rodovias&organization=dnit
  69. [69] Plano Nacional de Contagem de Tráfego — Metodologia (DNIT) — http://servicos.dnit.gov.br/dadospnct/metodologia
  70. [70] Mobilidade, participação e dados: o caso da aplicação do Waze for Cities Data na cidade de Joinville (SC) (Hiroki, 2021) — https://www.scielo.br/j/urbe/a/tTYq87jS5DD5whtcybQvvBQ/?lang=pt
  71. [71] Redes Neurais de Grafos no Contexto das Cidades Inteligentes (Capanema, Silva & Loureiro, Minicursos SBRC 2022, SBC) — https://books-sol.sbc.org.br/index.php/sbc/catalog/book/108
Fale com a Eliza
E

Eliza

Agente assistente