Machine learning no Aimsun para previsão de tráfego

A disponibilidade de dados de tráfego em larga escala — incluindo históricos operacionais, sensores em tempo real e rastros de GPS — ampliou significativamente o potencial da previsão de tráfego com machine learning. O desafio técnico, porém, não está apenas em treinar modelos precisos em bases históricas: está em manter a qualidade da previsão quando o comportamento da rede muda.

No Innovation Blog da Aimsun, Ferran Torrent-Fontbona, Núria Toribio, Jordi Casas e Matthew Juckes apresentam uma abordagem que combina diferentes técnicas de machine learning com online learning, permitindo que submodelos sejam atualizados continuamente conforme novos dados são coletados.

Previsão de tráfego adaptativa com aprendizado online

A proposta aborda um ponto crítico em aplicações reais: o data drift, ou degradação do desempenho do modelo quando a distribuição dos dados muda. Em redes viárias, essas mudanças podem ocorrer por alterações de demanda, eventos, feriados, novos padrões de viagem ou situações excepcionais.

Em vez de depender apenas de um retreinamento completo, a arquitetura apresentada monitora continuamente a acurácia das previsões e atualiza componentes específicos do modelo quando novos padrões são detectados. Isso torna o processo mais eficiente e mais adequado a ambientes operacionais dinâmicos.

Arquitetura baseada em dependências espaciais e temporais

A abordagem combina modelos para capturar dependências espaciais, temporais de curto prazo, temporais de longo prazo e fatores exógenos. A representação dos dados considera séries temporais localizadas em um grafo, em que os nós representam seções da rede e as arestas representam movimentos permitidos.

Componentes técnicos principais

• Dados de tráfego como séries temporais em grafo: cada seção da rede é representada como parte de uma estrutura conectada.
• Dependências espaciais: modeladas com agrupamento em grafo e regressão linear.
• Dependências temporais de curto prazo: modeladas com regressão linear ou RNN, conforme a natureza dos dados.
• Dependências temporais de longo prazo: identificadas por padrões de dias, com probabilidades estimadas por random forests.
• Fatores exógenos: considerados quando variáveis como dia da semana, feriados ou eventos afetam a demanda.

Segundo a publicação, os modelos espaciais e temporais de longo prazo capturam grande parte das não linearidades do sistema. A previsão final da série temporal desejada é realizada por um modelo temporal de curto prazo, normalmente regressão linear. Quando existem variáveis exógenas dependentes do tempo, como eventos que impactam a demanda, modelos mais complexos, como multilayer perceptron ou RNN, podem ser utilizados.

Tratamento de data drift em operação contínua

O mecanismo de online learning identifica a perda de aderência das previsões e permite a atualização seletiva de submodelos. Quando novos padrões de dia são detectados, eles podem ser incorporados à base de padrões, com atualização automática do random forest responsável por ajustar as probabilidades. Padrões obsoletos também podem ser removidos para reduzir sobreajuste e manter a eficiência do sistema.

A modularidade da abordagem permite que cada componente seja atualizado de forma especializada. A publicação informa que, em condições de drift, o sistema consegue se adaptar com requisitos reduzidos de dados, em geral a partir de cerca de duas semanas de dados posteriores à mudança.

Avaliação com bases de tráfego e mudanças severas de comportamento

A avaliação apresentada usa o Traffic Forecasting Challenge com dados TRBAI da região metropolitana de Seattle, no período de 1º de janeiro a 16 de junho de 2020, incluindo o início do primeiro lockdown de COVID-19. Os modelos foram treinados com dados de 1º de janeiro a 31 de maio e testados nos primeiros quinze dias de julho, com previsão de uma hora diferente por dia entre 5h e 19h.

Na comparação com LSTM encoder-decoder e Transformer, a abordagem apresentada obteve os seguintes resultados:

• MAPE: 3,937 para a abordagem proposta, 4,031 para LSTM e 3,131 para Transformer.
• RMSE: 0,050 para a abordagem proposta, 0,062 para LSTM e 0,055 para Transformer.

Embora o Transformer tenha apresentado o melhor MAPE, a publicação destaca que ele falhou na previsão do período de congestionamento recorrente observado, enquanto a abordagem proposta apresentou melhor desempenho nessa condição específica. O estudo também mostra resultados em Perth e Oxfordshire, em cenários severos de mudança de dados, comparando previsões com e sem online learning por meio do indicador %GEH<5.

Aplicação no Future Road Lab da C-32

A abordagem foi implementada e implantada no Monitoring and Forecasting Module (M&FM) do Future Road Lab (FRL) da Abertis. O FRL é um ambiente de testes de novas ferramentas e tecnologias para gestão de tráfego mais segura e sustentável, estabelecido em um trecho de aproximadamente 50 km da rodovia C-32, ao sul de Barcelona, na Espanha.

O M&FM entrega previsão de tráfego em tempo real e detecção de incidentes ao módulo de gestão, a partir do qual o operador dissemina alertas e aciona medidas de mitigação.

Aimsun Predict em previsão operacional de tráfego

A publicação também apresenta a integração do modelo ao Future Road Lab da C-32, com uma captura do Aimsun Predict em operação na rodovia C-32 em Barcelona. A solução fornece previsão de fluxo de tráfego, alertas de congestionamento, detecção de anomalias e recomendações de velocidade para apoiar operadores de tráfego.

Para instituições responsáveis pela operação e gestão viária, esse tipo de abordagem reforça a importância de combinar modelagem, dados em tempo real e atualização contínua dos modelos. Em projetos que utilizam soluções Aimsun no Brasil, a discussão é especialmente relevante para aplicações que exigem previsão operacional, consciência situacional e suporte à decisão em redes urbanas e rodoviárias.

Continuidade técnica para usuários Aimsun

A evolução de métodos de previsão baseados em machine learning fortalece o uso de modelos como ferramenta operacional, não apenas como instrumento de planejamento. A integração entre previsão, detecção de incidentes, alertas e recomendações permite transformar dados de tráfego em ações coordenadas de gestão.

Equipes brasileiras que trabalham com modelagem, simulação e operação de tráfego podem acompanhar outras atualizações técnicas em Notas Técnicas Aimsun e conhecer mais sobre a atuação da plataforma em Aimsun Brasil. Para discutir aplicações em projetos de transporte, Fale com a Fratar.