🤖 AI

Hybrid Congestion Classification Framework Using Flow-Guided Attention and Empirical Mode Decomposition

Este artigo propõe o FLO-EMD, um framework híbrido que integra atenção guiada por movimento com Decomposição Empírica de Modos para capturar conjuntamente o contexto espacial e as dinâmicas temporais não estacionárias, alcançando 97,5% de precisão na classificação dos níveis de congestionamento de tráfego em diversos ambientes de vigilância.

Autores originais: Eugene Kofi Okrah Denteh, Blessing Agyei Kyem, Joshua Kofi Asamoah, Armstrong Aboah

Publicado 2026-05-07

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Eugene Kofi Okrah Denteh, Blessing Agyei Kyem, Joshua Kofi Asamoah, Armstrong Aboah

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 que você está tentando descobrir o quão ruim está o tráfego apenas observando um feed de vídeo de uma câmera em uma rodovia. Você tem duas maneiras principais de fazer isso, mas ambas têm uma falha:

A Abordagem "Foto Estática": Você olha para a imagem e conta os carros. O problema? Uma foto de um estacionamento lotado parece a mesma coisa que uma foto de um engarrafamento, mesmo que um esteja parado e o outro movendo-se lentamente. Você pode ser enganado pela paisagem estática (como a pintura da estrada ou os guard-rails) em vez dos carros reais.
A Abordagem "Onda Sonora": Você ouve o tráfego como um engenheiro de som, analisando o ritmo dos carros passando por um ponto específico. O problema? Você não consegue ver onde o engarrafamento está ocorrendo na tela. Você sabe que há um problema, mas não sabe se está na faixa da esquerda ou na faixa da direita.

Este artigo apresenta um novo sistema chamado FLO-EMD que atua como um detetive de tráfego superinteligente, combinando o melhor dos dois mundos. Veja como funciona, usando analogias simples:

1. O "Detetive de Movimento" (Fluxo Óptico)

Em vez de apenas olhar para as cores dos carros (RGB), o sistema primeiro observa como as coisas se movem. Ele cria um "mapa de vento" invisível (chamado fluxo óptico) que mostra a direção e a velocidade de cada pixel no vídeo.

A Analogia: Imagine observar um rio. Uma câmera normal vê as pedras e a cor da água. O "Detetive de Movimento" ignora as pedras e olha apenas para as correntes em turbilhão. Isso ajuda o sistema a ignorar coisas estáticas, como placas de trânsito ou sombras que não se movem, focando apenas nos carros que realmente importam.

2. O "Filtro de Foco" (Atenção Guiada por Fluxo)

Uma vez que o sistema sabe onde está o movimento, ele usa essa informação para dizer aos seus "olhos" onde olhar.

A Analogia: Pense em um holofote em um palco. Normalmente, um holofote pode brilhar na parte mais colorida do cenário (como uma cortina vermelha brilhante). Mas este sistema usa o "Detetive de Movimento" para mover o holofote. Se os carros estão se movendo na faixa da esquerda, o holofote vai para lá. Se a faixa da direita está vazia, o holofote diminui a intensidade. Isso impede que o sistema se distraia com ruído de fundo estático.

3. O "Analisador de Ritmo" (Decomposição Modal Empírica)

O tráfego não é constante; ele para, começa e oscila. Computadores padrão muitas vezes tentam encaixar o tráfego em uma caixa rígida e previsível (como um metrônomo). Este sistema usa uma técnica chamada Decomposição Modal Empírica (EMD) para decompor o ritmo do tráfego em suas partes naturais e bagunçadas.

A Analogia: Imagine um músico tocando um solo de jazz complexo. Um gravador padrão pode tentar forçar esse solo em uma batida simples de 4/4. A EMD é como um produtor musical genial que ouve o solo e o divide em suas camadas únicas: os batimentos rápidos da bateria, a linha lenta do baixo e as pausas repentinas. Isso permite que o sistema entenda a natureza real do fluxo de tráfego, mesmo que seja caótico ou mude repentinamente.

4. O "Veredito Final"

O sistema pega o "Filtro de Foco" (o que ele vê) e o "Analisador de Ritmo" (como o tráfego se move ao longo do tempo) e os combina.

O Resultado: Ele consegue distinguir entre Leve (carros circulando livremente), Médio (carros diminuindo a velocidade, mas em movimento) e Pesado (carros parados ou arrastando-se) com 97,5% de precisão.

Por que isso é importante?

Funciona na chuva e neblina: Como se concentra em padrões de movimento em vez de apenas imagens claras, não se confunde tão facilmente quando o tempo está ruim.
Usa câmeras existentes: Você não precisa instalar novos sensores na estrada. Pode usar as câmeras de CCTV que as cidades já possuem.
É honesto sobre o que vê: O sistema pode mostrar a você um "mapa de calor" de exatamente qual parte da estrada está observando, provando que não está apenas chutando com base no fundo.

A Conclusão

Os autores testaram isso em mais de 1.000 clipes de vídeo de rodovias nos EUA, cobrindo dias ensolarados, noites chuvosas e condições de neve. Ele superou todos os outros métodos existentes (como modelos padrão de vídeo com IA) porque não apenas "olhou" para o tráfego; ele "sentiu" o movimento e entendeu o ritmo do engarrafamento.

O que NÃO é:
O artigo não afirma que este sistema pode prever futuros engarrafamentos antes que aconteçam, nem afirma que conserta o tráfego. É estritamente uma ferramenta para classificar (rotular) o que está acontecendo agora no feed de vídeo. Também observa que, embora funcione muito bem em rodovias, ainda não foi totalmente testado em cruzamentos urbanos complexos com carros virando em todas as direções.

Resumo Técnico: Framework Híbrido de Classificação de Congestionamento FLO-EMD

Declaração do Problema
A classificação precisa de congestionamento de tráfego requer modelos que capturem simultaneamente o contexto da cena viária e o movimento não estacionário do tráfego. As abordagens existentes geralmente tratam esses requisitos de forma isolada. Métodos baseados em visão frequentemente dependem de pistas de aparência e agrupamento temporal padrão, o que pode enviesar as previsões em direção à infraestrutura estática em vez de estados dinâmicos do tráfego. Por outro lado, abordagens baseadas em sinais (por exemplo, usando detectores de laço) caracterizam bem as dinâmicas temporais, mas carecem do contexto espacial necessário para a localização ao nível da cena. Além disso, modelos baseados em visão frequentemente sofrem de mecanismos de atenção que se desviam para elementos estáticos de alto contraste (por exemplo, marcações de faixa, sombras) em vez de regiões relevantes para o movimento, e muitas vezes falham em decompor explicitamente padrões de movimento não estacionário, como oscilações de parar-e-andar.

Metodologia: O Framework FLO-EMD
O artigo propõe o FLO-EMD, um framework híbrido que acopla atenção guiada por movimento com decomposição temporal empírica e orientada por dados. A arquitetura processa clipes de vídeo de tráfego através de backbones paralelos de RGB e fluxo óptico denso, integrando-os por meio de um design de dupla corrente.

Extração de Fluxo Óptico e Caracterização de Movimento:
- O fluxo óptico denso é estimado entre quadros consecutivos usando o algoritmo de Farneback.
- Em vez de alimentar campos de fluxo brutos diretamente em uma rede profunda para modelagem temporal, o sistema agrega estatísticas de fluxo em descritores de movimento compactos ao nível do quadro. Estes incluem a média espacial e o desvio padrão da magnitude do fluxo ( $\mu_M, \sigma_M$ ) e da direção do fluxo ( $\mu_D, \sigma_D$ ).
- Esses descritores formam "trilhas de movimento" de séries temporais que representam as dinâmicas de congestionamento ao nível da cena.
Backbone de Dupla Corrente e Atenção Guiada por Fluxo:
- O framework emprega dois codificadores convolucionais paralelos: um para quadros RGB e outro para campos de fluxo óptico. Ambos produzem mapas de características alinhados espacialmente e por canal.
- Um Mecanismo de Atenção Guiada por Fluxo (um bloco CBAM aprimorado) usa as características do fluxo óptico para refinar as características RGB.
  - Atenção de Canal: Calculada a partir de descritores agrupados de ambas as características RGB e de fluxo para enfatizar canais de características relevantes para o movimento.
  - Atenção Espacial: Incorpora um mapa de magnitude de fluxo redimensionado juntamente com estatísticas RGB para reponderar regiões espaciais, garantindo que o modelo se concentre em áreas ativas de tráfego em vez de infraestrutura estática.
Decomposição Modal Empírica (EMD) para Análise Temporal:
- As trilhas de movimento compactas (os quatro descritores estatísticos ao longo do tempo) são decompostas usando Decomposição Modal Empírica (EMD).
- A EMD decomõe adaptativamente a série temporal não estacionária em Funções Modais Intrínsecas (IMFs) sem suposições de frequência fixa.
- O artigo retém $N=4$ IMFs por descritor. Cada IMF é resumida por sua média temporal e desvio padrão, criando um embedding de dimensão fixa (32 características escalares por clipe) que captura dinâmicas temporais multi-escala.
Fusão de Características e Classificação:
- As representações espaço-temporais aprendidas (das correntes RGB e de fluxo processadas por BiLSTMs e agrupamento baseado em atenção) são fundidas com o embedding de movimento derivado da EMD.
- Um Perceptron Multicamadas (MLP) final classifica o vetor fundido em três estados de congestionamento: Leve, Médio e Pesado.
- O treinamento utiliza perda de entropia cruzada com suavização de rótulos para melhorar a generalização.

Principais Contribuições

Aplicação de EMD a Fluxo Óptico: O estudo introduz a aplicação da Decomposição Modal Empírica a séries temporais de fluxo óptico. Isso permite a decomposição adaptativa do movimento de tráfego não estacionário em funções modais intrínsecas, caracterizando dinâmicas temporais multi-escala críticas para distinguir níveis de congestionamento, oferecendo uma alternativa robusta à análise temporal de janela fixa.
Framework Híbrido Sinal-Visão: O artigo apresenta uma arquitetura unificada que combina perfeitamente processamento de sinal clássico (EMD) com aprendizado profundo moderno (codificadores duplos e atenção). Essa integração une a análise espacial de vídeo e o reconhecimento de padrões temporais, abordando as limitações de abordagens puramente baseadas em visão ou puramente baseadas em sensores.

Resultados Experimentais
O framework foi avaliado em um conjunto de dados de 1.050 clipes de cinco segundos de quatro redes de vigilância (Seattle I-5, AI-City Challenge 2021, Tennessee TDOT e NYC 511NY), cobrindo condições diversas, incluindo cenários de céu limpo, chuvoso, nevado, nebuloso e noturno.

Desempenho: O FLO-EMD alcançou uma precisão geral de teste de 97,5% com uma pontuação F1 ponderada de 0,9742, superando bases estabelecidas, incluindo modelos baseados em Transformer (TimeSformer, Video Swin Transformer), modelos baseados em CNN (X3D, TANet) e pipelines híbridos (TSM, YOLO+LSTM).
Robustez: O modelo demonstrou desempenho consistente em condições ambientais, com a menor precisão observada em condições chuvosas (93,50%) e a maior em dia claro (98,50%).
Estudos de Ablação:
- A remoção da atenção guiada por fluxo resultou em uma queda significativa de desempenho e aumento do sobreajuste, confirmando a necessidade de refinamento de características condicionado ao movimento.
- A remoção do ramo EMD reduziu a precisão, validando o valor da decomposição temporal adaptativa.
- A análise de sensibilidade indicou que reter 4 IMFs forneceu o equilíbrio ideal entre capturar comportamentos temporais distintos e evitar o sobreajuste a flutuações de curta duração.
Interpretabilidade: Visualizações de atenção mostraram que o mecanismo guiado por fluxo focou com sucesso em regiões ativas de tráfego (por exemplo, filas de veículos) em vez de elementos de fundo estáticos, embora alguma atenção fosse ocasionalmente atribuída aos acostamentos devido a artefatos de fluxo.

Significado e Alegações
O artigo afirma que o FLO-EMD fornece uma solução unificada que vincula evidências de movimento à seleção de características espaciais, preservando ao mesmo tempo a caracterização temporal adaptativa aos dados. Ao aproveitar a infraestrutura existente de CCTV, o método permite que agências de transporte expandam a cobertura de monitoramento sem instalar sensores adicionais na beira da estrada. Os autores afirmam que a natureza explicitamente orientada por movimento do framework suporta operação confiável sob condições climáticas adversas e de baixa luminosidade, tornando-o bem adequado para monitoramento rotineiro de corredores e suporte a decisões operacionais em tempo real dentro de sistemas inteligentes de transporte. O estudo conclui que combinar análise espacial condicionada ao movimento com decomposição temporal adaptativa é uma direção eficaz para classificação confiável de congestionamento, embora reconheça limitações quanto à generalização para interseções urbanas complexas e o potencial de a atenção ser influenciada por artefatos de fronteira.