⚡ electrical engineering

Bulk Service Queueing for Transit Resilience under Short Random Service Suspensions

Este artigo desenvolve um arcabouço analítico combinando um processo de movimento de veículos de dois estados com um modelo de fila de serviço em lote para quantificar a resiliência de linhas de trânsito contra suspensões de serviço aleatórias e curtas, revelando que tais incidentes impactam desproporcionalmente estações congestionadas e que a duração do incidente e o intervalo programado frequentemente superam a capacidade do veículo na determinação do desempenho do sistema.

Autores originais: Baichuan Mo, Li Jin, Zhengzhong Ricky You, Haris N. Koutsopoulos, Zuo-Jun Max Shen, Jinhua Zhao

Publicado 2026-07-22

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Baichuan Mo, Li Jin, Zhengzhong Ricky You, Haris N. Koutsopoulos, Zuo-Jun Max Shen, Jinhua Zhao

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine o sistema de transporte público de uma cidade como um gigante rio vivo de pessoas fluindo através de tubos. No mundo ideal, este rio move-se em pulsos rítmicos perfeitos: um autocarro ou comboio chega, todos embarcam e ele parte exatamente a horas, pronto para o próximo grupo. Mas, no mundo real, o rio torna-se agitado. Às vezes, um autocarro fica preso num semáforo vermelho que dura demasiado tempo, ou a porta de um comboio encrava por alguns minutos. Estas são as "suspensões de serviço" — pausas curtas e aleatórias que desequilibram todo o cronograma. Quando um veículo é atrasado, o que vem atrás dele alcança-o, criando um "agrupamento" de veículos que chegam juntos, deixando um longo intervalo antes do próximo vir. Isto é uma má notícia para os passageiros, que acabam por esperar mais tempo e a permanecer em filas mais longas.

Para entender como resolver isto, os cientistas utilizam um ramo da matemática chamado "teoria das filas". Pense nisto como o estudo das filas. Se alguma vez esperou numa fila num café, sabe que se os clientes chegarem mais depressa do que o barista consegue servir, a fila cresce infinitamente. Se chegarem mais devagar, a fila permanece curta. A parte complicada é quando o barista subitamente para de trabalhar por um tempo aleatório. A fila cresce até fora de controlo ou acaba por se estabilizar? Este artigo aborda precisamente essa questão para o transporte público, mas com um toque: foca-se em paragens muito curtas e aleatórias (como um atraso de 2 minutos) em vez de um autocarro avariar durante horas. O objetivo é descobrir exatamente como estes pequenos soluços frequentes afetam o comprimento da fila e o tempo que as pessoas passam à espera, e prever quando uma estação poderá ficar tão congestionada que o sistema entra em colapso.

O Artigo: "Bulk Service Queueing for Transit Resilience under Short Random Service Suspensions"

Este artigo é como um livro de detetive sobre o porquê de as paragens de autocarro ficarem congestionadas, mas, em vez de procurar um culpado, os autores procuram uma fórmula matemática que preveja o caos. Os autores, uma equipa de investigadores de universidades da China, dos EUA e do Reino Unido, construíram um novo "microscópio matemático" para ampliar o que acontece quando uma linha de transporte é atingida por uma saraivada de atrasos curtos e aleatórios.

A Configuração: O Autocarro, Os Passageiros e a Falha
Imagine uma rota de autocarro como uma longa correia transportadora. Os passageiros chegam às estações como gotas de chuva a bater num passeio. Normalmente, um autocarro chega, recolhe tantas pessoas quanto conseguir acomodar (até à sua capacidade) e parte. Isto é chamado de fila de "serviço em massa" (bulk service) porque o autocarro serve um "volume" de pessoas de uma só vez, não apenas uma a uma.

Agora, imagine que cada vez que um autocarro viaja entre estações, tem uma chance de sofrer uma "falha" — uma suspensão curta onde deixa de se mover. Talvez um passageiro tropece, um sinal falhe ou o trânsito fique estranho. Os autores modelam estas falhas como um jogo de "parar e andar". O autocarro viaja a uma velocidade normal, depois atinge subitamente um "estado de interrupção" onde para completamente durante um tempo aleatório (como um pneu furado que se resolve em 30 segundos).

O Grande Desafio: O Efeito Dominó
O problema real não é apenas um autocarro parar; é o que acontece a seguir. Se o Autocarro A parar por um minuto, o Autocarro B (que deveria estar atrás dele) alcança-o. Quando o Autocarro A finalmente se move, o Autocarro B está mesmo colado à sua traseira. Isto cria um "agrupamento" de autocarros. Mas aqui está o detalhe: se o Autocarro A estiver cheio de pessoas, o Autocarro B pode chegar a uma estação com muito poucos lugares vazios, ou talvez mesmo zero. Os passageiros que queriam embarcar no Autocarro B são deixados para trás e têm de esperar pelo próximo. Isto cria um efeito de cascata onde um atraso minúsculo de 1 minuto pode transformar-se numa espera de 10 minutos para alguém na próxima paragem.

A Solução: Uma Nova Forma de Contar
Os autores desenvolveram uma nova forma inteligente de calcular isto. Em vez de tentarem rastrear cada autocarro e cada passageiro numa simulação gigante e desordenada (o que é difícil de fazer rapidamente), criaram uma "estrutura analítica". Pense nisto como uma fórmula de atalho.

Eles fizeram algumas suposições inteligentes para fazer a matemática funcionar:

A Suposição de "Independência": Eles assumiram que o tempo entre autocarros (o "headway") funciona como um novo lançamento de dados para cada par de autocarros, ignorando o facto de que, na vida real, um atraso no Autocarro A costuma afetar o Autocarro B. Esta é uma simplificação, mas torna a matemática resolúvel.
A Aproximação "Normal": Eles perceberam que o tempo total perdido devido a muitas pequenas falhas acumula-se de uma forma que se assemelha muito a uma "curva de sino" (distribuição normal). Isto permitiu-lhes usar ferramentas matemáticas padrão para prever o caos.

O Que Eles Descobriram
Usando as suas novas fórmulas, os autores descobriram coisas surpreendentes sobre como os sistemas de transporte lidam com o stress:

O "Ponto de Rutura": Descobriram uma regra específica para quando uma estação se torna instável. Se o número de pessoas que chegam a uma estação for demasiado elevado em relação à capacidade de assentos dos autocarros, a fila crescerá para sempre. A matemática deles mostra exatamente como fatores como a frequência das falhas, a duração destas e o número de autocarros determinam se se atinge este ponto de rutura.
Falhas Curtas Prejudicam Mais os Locais Lotados: O estudo mostra que atrasos curtos e aleatórios não afetam todos da mesma forma. Eles atingem com mais força as estações que já estão congestionadas. Se uma estação já está movimentada, um atraso minúsculo de 1 minuto pode causar um pico massivo nos tempos de espera.
Capacidade vs. Frequência: Os autores realizaram simulações para ver o que resolve melhor o problema. Descobriram que simplesmente adicionar mais autocarros (aumentar a capacidade) nem sempre é a solução mais eficaz. Às vezes, alterar o horário para ter autocarros a passar com mais frequência (headways mais curtos) ou reduzir o tempo que os autores passam parados (duração do incidente) tem um impacto muito maior na redução dos tempos de espera. De facto, em alguns cenários, alterar o horário foi mais poderoso do que adicionar mais assentos ao autocarro.

O Quão Certos Eles Estão?
Os autores não apenas adivinharam; eles testaram a sua matemática. Compararam as suas novas fórmulas com uma simulação computacional massiva que acompanhava cada autocarro e cada passageiro num mundo "First-In, First-Out" (FIFO), onde os atrasos realmente se propagam pelo sistema.

Os resultados foram impressionantes. Para a maioria dos cenários, as suas fórmulas foram muito próximas dos resultados da simulação, com erros geralmente abaixo de 5%. No entanto, encontraram um limite. Quando os atrasos eram muito longos (como 2 minutos em média) ou o sistema estava extremamente congestionado, o seu atalho de "independência" começou a desviar-se da realidade. Nesses casos extremos, o erro na previsão do comprimento da fila subiu para cerca de 16%. Isto indica que o seu método é excelente para suspensões aleatórias "curtas", mas pode precisar de um ajuste para atrasos mais longos e caóticos.

Por Que Isto Importa
Este artigo oferece aos planeadores de transportes uma nova ferramenta. Em vez de apenas adivinharem quantos autocarros precisam ou com que frequência devem circular, podem usar estas fórmulas para prever exatamente quão resiliente é o seu sistema. Eles podem perguntar: "Se tivermos 10% mais falhas no próximo ano, o nosso sistema irá colapsar?" ou "É melhor comprar autocarros maiores ou fazê-los circular com mais frequência?".

Os autores sugerem que esta estrutura pode ajudar as cidades a desenhar sistemas de transporte que não apenas sobrevivem a pequenos atrasos irritantes, mas que conseguem manter o movimento fluido mesmo quando as coisas correm mal. Transforma a confusão caótica de um autocarro atrasado num padrão previsível, ajudando os planeadores a construir sistemas mais robustos e fiáveis para todos.

Resumo Técnico: Filas de Serviço em Lote para Resiliência de Trânsito sob Suspensões de Serviço Aleatórias Curtas

Definição do Problema
Sistemas de transporte público (PTS) frequentemente experimentam suspensões de serviço curtas e não planejadas (ex.: falhas de sinalização, comportamento de passageiros, problemas de infraestrutura) que são difíceis de quantificar operacionalmente. Embora a literatura existente aborde filas de serviço em lote sob operações normais ou modele falhas de servidor com tamanhos de lote fixos, há uma carência de estruturas analíticas que vinculem suspensões de serviço aleatórias a intervalos de tempo (headways) estocásticos, capacidades variáveis de veículos e acúmulo de passageiros ao longo de uma rota de trânsito. Especificamente, os modelos atuais têm dificuldade em capturar como as interrupções curtas corroem a resiliência através do crescimento das filas e da variabilidade do tempo de espera quando a capacidade de embarque disponível em uma estação depende da carga a bordo propagada de estações anteriores.

Metodologia
Os autores desenvolvem uma estrutura de fila de serviço em lote analítica para uma rota de PTS única sob suspensões de serviço aleatórias curtas. A metodologia prossegue através de quatro componentes principais:

Modelagem de Movimento de Veículo e Suspensão: O movimento do veículo é modelado como um processo de Markov de dois estados (Normal e Disrupção). No estado Normal, os veículos viajam a uma velocidade constante; no estado de Disrupção, eles param imediatamente. As durações dos incidentes seguem uma distribuição exponencial. Isso cria um "raw headway" (intervalo bruto) definido pela diferença entre os headways programados ajustados por incidentes e a duração cumulativa dos incidentes de veículos consecutivos.
Aproximação de Renovação Independente: Para garantir a tratabilidade analítica, os autores propõem uma aproximação de renovação independente para os headways. Em vez de propagar atrasos recursivamente (o que cria dependência serial), o modelo assume que os headways são independentes e identicamente distribuídos (i.i.d.). A distribuição marginal comum é construída tomando a parte positiva de um raw headway. O raw headway é aproximado por uma distribuição normal derivada da diferença de duas variáveis de Poisson composto exponenciais independentes (representando as durações dos incidentes). Uma aproximação normal censurada com uma massa de ponto em zero é usada para lidar com a restrição de não-negatividade, permitindo a derivação de uma função geradora de momentos (MGF) e uma função geradora de probabilidade (PGF) de cadeia para passageiros dentro de um headway.
Propagação de Probabilidade ao Nível da Rota: O modelo vincula as estações sequencialmente. Ele propaga recursivamente a distribuição dos espaços disponíveis no veículo (após o desembarque) e as filas de passageiros. Uma suposição de "desacoplamento marginal de rota" é empregada, postulando que a carga restante a bordo e a fila local de passageiros são independentes em cada estação. Isso permite que o cálculo dos indicadores de resiliência (média e variância do comprimento da fila e do tempo de espera) seja computado sequencialmente do hub até a estação final.
Implementação Numérica: Para resolver o modelo de fila de serviço em lote baseado em transformadas, os autores desenvolvem um algoritmo de busca de raízes baseado em interpolação. Este algoritmo utiliza uma busca baseada em interpolação com inicialização estruturada e certificação de multiplicidade para encontrar todas as raízes complexas da equação característica necessária para os cálculos de probabilidade da fila, abordando gargalos numéricos em solucionadores padrão.

Principais Contribuições

Estrutura Analítica: Desenvolvimento de uma estrutura de fila de serviço em lote que modela explicitamente suspensões de serviço aleatórias via um processo de velocidade de veículo, fornecendo uma interpretação operacional direta de falhas de servidor em trânsito.
Aproximação de Renovação para Headways: Derivação de uma aproximação de renovação analiticamente tratável para headways sob suspensões. Isso inclui a construção da distribuição marginal a partir da parte positiva de um raw headway (formado por cronogramas ajustados por incidentes e variáveis de Poisson composto) e a obtenção de momentos em forma fechada para chegadas de passageiros.
Modelo de Propagação ao Nível da Rota: Criação de um modelo de propagação de probabilidade que vincula recursivamente o desembarque de passageiros, a capacidade disponível, as filas da estação e as cargas de partida, permitindo o cálculo de indicadores de resiliência ao longo de toda a rota.
Algoritmo Numérico: Implementação de um algoritmo de resolução de raízes baseado em interpolação que certifica a existência e a multiplicidade de raízes para o modelo baseado em transformadas, tornando a análise computacionalmente viável para capacidades de veículos realistas.

Resultados
Experimentos numéricos em uma rota de ônibus de dez estações demonstram a utilidade da estrutura:

Análise de Sensibilidade: Suspensões curtas afetam desproporcionalmente as estações congestionadas. Aumentos na frequência de incidentes ( $\gamma$ ) e na duração ( $1/\theta$ ) aumentam significativamente tanto a média quanto a variância dos comprimentos das filas e dos tempos de espera, particularmente em estações com alta demanda.
Impacto Comparativo: Mudanças na duração do incidente e no headway programado podem dominar mudanças comparáveis na capacidade do veículo no que diz respeito ao seu impacto nos comprimentos das filas.
Estabilidade: A condição de estabilidade derivada ( $\rho < 1$ ) identifica como a frequência do incidente, a duração, a demanda, o headway programado e a capacidade do veículo determinam conjuntamente se a fila de uma estação permanece limitada.
Validação: Comparações com uma simulação recursiva FIFO (First-In-First-Out) mostram que as aproximações analíticas são precisas dentro do intervalo testado. Os erros relativos $L_1$ para o comprimento médio da fila e o tempo de espera são geralmente baixos (ex.: <6% para a configuração de referência), embora os erros aumentem quando as durações dos incidentes tornam-se longas em relação ao headway, tensionando a premissa de "suspensão curta".

Significância e Alegações
O artigo afirma fornecer uma "maneira tratável" de avaliar decisões de capacidade, headway programado e mitigação de incidentes para melhorar a resiliência do trânsito. Ao derivar expressões de forma fechada para a média e variância do comprimento da fila e do tempo de espera, a estrutura permite que os planejadores:

Avaliem a estabilidade de linhas de trânsito sob incidentes frequentes e curtos.
Quantifiquem a perda de capacidade induzida por incidentes.
Informem decisões de projeto e planejamento, como determinar a capacidade ideal do veículo ou configurações de headway para manter os tempos de espera abaixo de limiares específicos.
Identifiquem estações críticas que são mais vulneráveis a suspensões de serviço.

Os autores enfatizam que o modelo é um primeiro passo para uma representação geral de incidentes, especificamente adaptada para suspensões curtas onde o abandono de passageiros é negligenciável. Eles reconhecem limitações, observando que a aproximação de renovação independente omite a dependência serial e a propagação de atrasos, que podem se tornar significativas sob interrupções longas ou saturação persistente.

Mais como este