C-EQ-ALINEA: Distributed, Coordinated, and Equitable Ramp Metering Strategy for Sustainable Freeway Operations

Título: C-EQ-ALINEA – Estratégia de Medição de Rampas Distribuída, Coordenada e Equitativa para Operações Sustentáveis de Rodovias

1. Problema e Motivação

O gerenciamento de tráfego em rodovias depende fortemente do medidor de rampas (ramp metering) para estabilizar o fluxo, melhorar a segurança e reduzir congestionamentos sem expansão física. O controlador clássico ALINEA é amplamente utilizado devido à sua robustez e simplicidade (controle de feedback local).

No entanto, o artigo identifica um problema crítico de sustentabilidade social e operacional:

• Desigualdade de Atrasos: Abordagens convencionais como o ALINEA tratam cada rampa isoladamente, resultando em distribuições de tempo de espera extremamente desiguais. Usuários em certas rampas enfrentam atrasos persistentes e excessivos.
• Consequências: Essa percepção de injustiça leva à baixa adesão dos usuários (violação de sinais, contornar filas), oposição pública e até intervenções políticas para desativar os sistemas, minando sua eficácia a longo prazo.
• Limitações das Soluções Atuais: Métodos existentes que visam a equidade (como METALINE, otimização baseada em aprendizado de máquina ou controle preditivo) geralmente exigem otimização centralizada, modelos de tráfego detalhados ou grandes volumes de dados. Isso limita sua aplicabilidade no mundo real, especialmente em redes que já operam com sistemas legados baseados em ALINEA.

2. Metodologia: C-EQ-ALINEA

O artigo propõe o C-EQ-ALINEA, uma extensão descentralizada, coordenada e consciente da equidade do controlador ALINEA clássico.

• Conceito Central: O método mantém a estrutura de feedback local do ALINEA, mas introduz uma troca de informações leve entre rampas vizinhas para permitir coordenação local sem controle centralizado.
• Equação de Controle: O controlador adiciona um termo de coordenação ($q_{coord}$) à lei de controle P original do ALINEA:
  $$q_n[k] = q_n[k-1] + K \times (\hat{o} - o_n[k]) + q_{coord}^n[k]$$
  Onde:
  • O primeiro termo é o histórico de fluxo.
  • O segundo termo é o feedback clássico ALINEA (baseado na ocupação desejada vs. atual).
  • O terceiro termo ($q_{coord}$) ajusta a taxa de medidor com base na diferença entre o fluxo local e uma média ponderada dos fluxos das rampas vizinhas.
• Mecanismo de Coordenação:
  • As rampas trocam dados de fluxo com seus vizinhos (definição de vizinhança $N[n]$).
  • São utilizadas pesos baseados na distância entre as rampas (normalização global ou local) para calcular a influência dos vizinhos.
  • O ganho de coordenação ($K_c$) determina a intensidade da interação.
• Abordagens de Equidade: O método é projetado para atender a múltiplas noções filosóficas de justiça:
  • Harsanyian: Maximização do bem-estar médio (redução do atraso médio).
  • Egalitarian: Redução da dispersão (desigualdade) dos atrasos (coeficiente de Gini).
  • Rawlsian: Melhoria da situação do pior caso (redução do atraso máximo).
  • Aristotelian: Proporcionalidade entre a demanda da rampa e o atraso experimentado.

3. Contribuições Principais

1. Descentralização Eficiente: Elimina a necessidade de um controlador central ou infraestrutura complexa, permitindo coordenação apenas através de comunicação ponto-a-ponto entre rampas vizinhas.
2. Compatibilidade com Legado: Pode ser implementado como uma atualização de software/firmware em sistemas ALINEA existentes, sem necessidade de novos sensores pesados ou hardware central.
3. Equidade Multidimensional: Aborda explicitamente diferentes definições de justiça, indo além da simples eficiência do sistema.
4. Simplicidade e Robustez: Preserva a simplicidade computacional do ALINEA, tornando-o viável para operação em tempo real.

4. Resultados Experimentais

O método foi avaliado em uma microsimulação de 24 horas da rodovia anel A10 em Amsterdã (Países Baixos) utilizando o simulador SUMO, com demanda calibrada a partir de dados reais.

• Eficiência:

  • O C-EQ-ALINEA superou consistentemente o ALINEA padrão e, em várias configurações (especialmente com normalização de distância global e tamanho de vizinhança $m=3$), superou o METALINE (um método coordenado estabelecido).
  • Redução de atraso total de 58,8% em relação ao cenário sem controle (comparado a 37,9% do ALINEA padrão).
  • Aumento da velocidade média para 66,7 km/h e redução do atraso médio por veículo para 2,1 min/veículo.
  • O volume de veículos que completaram a viagem foi mantido, indicando que a melhoria não veio da supressão de demanda, mas de uma melhor utilização da capacidade.

• Equidade:

  • Distribuição de Atrasos: O C-EQ-ALINEA reduziu significativamente a disparidade nos atrasos entre diferentes rampas.
  • Métricas de Justiça:
    • Melhorou o coeficiente de Gini em 28,2% (mais equitativo que o cenário sem controle).
    • Reduziu o atraso máximo (Rawlsiano) em 52,99%.
    • Alinhou melhor os atrasos com a demanda de cada rampa (Perspectiva Aristotélica).
  • A configuração com normalização global e 3 vizinhos ($m=3$) mostrou o melhor equilíbrio entre eficiência e equidade.

5. Significado e Implicações

• Sustentabilidade Operacional: Ao reduzir atrasos extremos e desiguais, o método mitiga a motivação para violação de sinais e contornar filas, aumentando a aceitação do usuário e a viabilidade política dos sistemas de medidor de rampas.
• Viabilidade de Implementação: Demonstra que ganhos significativos em equidade e eficiência podem ser alcançados com extensões algorítmicas mínimas a controladores amplamente implantados. Não requer infraestrutura centralizada cara.
• Caminho Prático: Oferece uma solução escalável para agências de transporte que desejam modernizar sistemas legados para serem mais justos e socialmente aceitáveis, sem a complexidade de otimização centralizada ou aprendizado de máquina intensivo em dados.

Limitações e Trabalhos Futuros

O estudo reconhece limitações, como a dependência de cobertura de detectores, a falta de medição direta da "percepção de justiça" pelos usuários e a não consideração de restrições físicas de armazenamento de filas nas rampas. Trabalhos futuros sugerem a inclusão de previsão de tráfego, aprendizado online e testes de campo controlados.

Repositório: O código-fonte aberto está disponível no GitHub para reprodução e implementação.