Resumo Técnico: Estimativa de Fluxos de Tráfego sem Simulação a partir de Dados de Contagem Esparsos

Declaração do Problema

O desafio central abordado é a estimativa de padrões de fluxo de tráfego variantes no tempo e trajetórias ao nível de aresta a partir de contagens de veículos agregadas e esparsas coletadas por sensores fixos (ex: laços de indução, câmeras). Este problema é intrinsecamente subdeterminado, pois múltiplas configurações de trajetória podem reproduzir as mesmas contagens agregadas.

As abordagens existentes enfrentam trade-offs significativos:

• Métodos baseados em simulação alcançam alta precisão ao ajustar iterativamente parâmetros de demanda até que as contagens simuladas correspondam às observações. No entanto, eles exigem a execução de simulações de tráfego completas em cada iteração, levando a custos computacionais proibitivos que dificultam a escalabilidade para redes de nível de cidade.
• Métodos offline/analíticos são mais rápidos, mas frequentemente dependem de suposições fortes (ex: condições de fluxo livre, modelos de escolha de rota predefinidos), requerem matrizes Origem-Destino (OD) prévias ou dependem de cobertura densa de sensores e dados de trajetória (ex: sondas GPS) para restringir o espaço de solução.

O artigo questiona se fluxos de tráfego variantes no tempo podem ser estimados com precisão apenas a partir de contagens de sensores esparsas, sem feedback de simulação ou matrizes OD prévias, com um custo computacional escalável para redes de nível de cidade.

Metodologia

O método proposto é uma estrutura hierárquica sem simulação que reconstrói fluxos de tráfego em duas etapas distintas: Atribuição ao Nível de Região e Atribções ao Nível de Aresta.

1. Atribuição ao Nível de Região (Otimização Global)

A área de estudo é particionada em regiões espaciais ($R$). Em vez de otimizar imediatamente ao nível de aresta, o método resolve um problema de otimização global para atribuir fluxos de veículos a rotas de região-para-região ($\Phi$) viáveis.

• Matriz de Contribuição ($C$): Uma matriz de contribuição ponderada codifica a cobertura dos sensores. Cada entrada $C(\phi, \rho)$ representa a proporção ponderada de sensores na região $\rho$ atravessados pela rota regional $\phi$. Esta ponderação direciona o otimizador para configurações de fluxo diretamente observáveis pelos sensores.
• Objetivo de Otimização: O método resolve um problema de mínimos quadrados ponderados para encontrar fluxos de rota não negativos ($x_t$) que minimizem a discrepância entre as contagens regionais previstas ($\hat{y}_t = C^\top x_t$) e as contagens observadas ($y_t$). A função objetivo $L(x_t)$ combina dois termos:
  • Perda Regional Ponderada ($L_{reg}$): Penaliza discrepâncias por região, ponderadas inversamente pelas contagens observadas para evitar que regiões de alto volume dominem o gradiente.
  • Perda Agregada ($L_{aggr}$): Penaliza o desvio relativo entre o volume de tráfego total previsto e o total observado para garantir consistência global.
• Solver: O problema é resolvido usando o otimizador de gradiente Adam com clipping de gradiente. As restrições de não negatividade são impostas via uma transformação softplus.

2. Atribuição ao Nível de Aresta (Refinamento de Trajetória)

Uma vez determinadas as rotas regionais, o método refina cada rota regional em trajetórias concretas ao nível de aresta.

• Geração de Rotas: Para uma rota regional, "arestas de passagem" representativas são selecionadas dentro de cada região. Caminhos mais curtos são computados entre as arestas de passagem consecutivas para formar rotas candidatas ao nível de aresta.
• Pontuação e Seleção: As rotas candidatas são pontuadas com base em dois critérios:
  1. Cobertura de Volume: A fração do tráfego regional capturada por sensores ao longo da rota da aresta.
  2. Similaridade de Forma Temporal: A similaridade entre o perfil de demanda temporal da rota e o perfil agregado da rota regional pai (medida via produto interno normalizado em $L_1$).
• Amostragem: As rotas são classificadas por uma pontuação combinada e convertidas em uma distribuição de probabilidade via softmax. Os veículos atribuídos à rota regional são então distribuídos entre as rotas de aresta candidatas através de amostragem desta distribuição.

Principais Contribuições

1. Estrutura Sem Simulação: O método estima modelos de tráfego diretamente a partir de dados brutos de sensores sem exigir feedback de um simulador de tráfego, eliminando o gargalo computacional da iteração de simulação.
2. Sem Matriz OD Prévia: Ao contrário de muitos métodos de estado da arte, ele não requer uma matriz OD prévia ou dados de trajetória GPS; ele infere fluxos baseando-se em rotas plausíveis no grafo da rede rodoviária.
3. Decomposição Hierárquica: Ao abstrair o problema de calibração para agregados espaciais primeiro, o método garante a concordância regional por construção, simplificando simultaneamente o panorama de otimização.
4. Escalabilidade e Eficiência: A dimensionalidade do problema depende do número de rotas regionais, em vez de links da rede, e a objetiva totalmente diferenciável permite o uso de otimizadores de gradiente eficientes.

Resultados Experimentais

O método foi avaliado na rede rodoviária de Bruxelas utilizando dados reais de tráfego de 369 sensores (1 de março de 2024) e validado contra cenários sintéticos.

• Desempenho vs. Baselines:
  • Método Proposto: Alcançou um Erro Médio Absoluto (MAE) de 44,16 e RMSE de 51,80.
  • Baseline Baseado em Simulação: Alcançou MAE de 67,02 e RMSE de 80,18.
  • RouteSampler (ferramenta SUMO): Alcançou MAE de 192,45 e RMSE de 237,24.
• Custo Computacional:
  • O método proposto exigiu aproximadamente 23 segundos para avaliar a alocação regional ao longo de 24 horas.
  • O baseline baseado em simulação exigiu uma média de 69 minutos para convergir.
  • O método proposto é aproximadamente 180 vezes mais rápido que o baseline baseado em simulação.
• Reconstrução do Perfil de Tráfego: O método reproduziu com sucesso o perfil diário de tráfego (incluindo estruturas de pico) e a estrutura da matriz de transição global. Embora alguns erros ao nível de aresta tenham ocorrido em distritos centrais de alta densidade devido à natureza subdeterminada do problema, o ajuste ao nível regional foi robusto.
• Validação Sintética: Em cenários sintéticos com verdade fundamental conhecida, o método recuperou a estrutura de roteamento global e as probabilidades de transição com alta fidelidade, embora ocasionalmente tenha subdiversificado as saídas em regiões com cobertura de sensores esparsa.

Significância e Alegações

O artigo afirma que a abordagem proposta oferece uma solução prática para a calibração de tráfego urbano onde os recursos computacionais são limitados ou atualizações em tempo real são necessárias. Ao operar através de uma estrutura regional hierárquica, o método abstrai o problema de calibração para uma aproximação mais simples enquanto garante a concordância regional.

Os autores enfatizam que o método recupera um modelo de tráfego plausível e regionalmente consistente, em vez de um modelo "verdadeiro" único, reconhecendo a subdeterminação inerente do problema inverso. A significância reside em fornecer uma alternativa computacionalmente eficiente à calibração baseada em simulação que não depende de matrizes de demanda prévias ou dados de trajetória densos, tornando-a adequada para redes de nível de cidade com cobertura de sensores esparsa.

Limitações Reconhecidas

O artigo nota explicitamente três limitações:

1. Subdeterminação: Sem dados adicionais (ex: trajetórias de sondas), múltiplas configurações de fluxo podem ser consistentes com os dados; o método recupera uma solução plausível, não necessariamente a verdade fundamental.
2. Heurísticas de Escolha de Rota: O refinamento ao nível de aresta depende de heurísticas de rota mais curta, que podem não capturar escolhas de rota realistas sob congestionamento.
3. Sensibilidade a Iterações: Iterações excessivas de otimização podem levar ao overfitting, onde os fluxos se concentram em rotas cobertas por sensores, degradando a precisão em corredores não observados.