Multi-Scale Equilibrium under Variable Indicator Dimensionality: Faithful Reduction of Dynamic Attractors in Urban Mobility Systems

Resumo Técnico: Equilíbrio Multiescala sob Dimensionalidade Variável de Indicadores

Definição do Problema
Os sistemas de mobilidade urbana são cada vez mais modelados como atratores dinâmicos de alta dimensão definidos por um vetor de indicadores (ex: vazão, redundância, equidade, estresse). No entanto, a disponibilidade de dados varia significativamente entre cidades e durante interrupções, o que significa que o vetor completo de indicadores é frequentemente inobservável. O problema matemático central abordado é a bem-postura de um atrator dinâmico de alta dimensão quando apenas um subconjunto, projeção ou agregação de seus indicadores está disponível.

A literatura existente oferece resultados maduros sobre redução de dimensão local (ex: teoria da variedade central), agregação de redes multicamadas e sensibilidade de indicadores compostos. Contudo, nenhum desses frameworks aborda diretamente o desafio específico onde um atrator de equilíbrio deve satisfazer simultaneamente três requisitos concorrentes:

1. Estabilidade Assintótica: O sistema projetado deve preservar a classe de estabilidade da camada de desempenho.
2. Interpretação de Ponto Fixo: As camadas de desempenho e estratégica reduzidas devem reter a mesma estrutura hierárquica de ponto fixo (acoplamento de atribuição de tráfego, divisão modal e aprendizado de capacidade).
3. Poder de Decisão Estatística: O conjunto reduzido de indicadores deve reter informação suficiente para distinguir entre recuperação, resiliência e antifragilidade via uma regra de decisão estatística.

Métodos de projeção padrão focam frequentemente na reconstrução de trajetórias ou preservação espectral, mas falham em garantir a preservação de regras de decisão externas ou da estrutura hierárquica específica de pontos fixos acoplados.

Metodologia
O artigo propõe um framework formal para reducibilidade de equilíbrio multiescala sob dimensionalidade variável de indicadores. A metodologia procede em quatro estágios:

1. Formulação do Modelo: Os autores definem um atrator de equilíbrio dinâmico multicamada para mobilidade urbana interrompida.

   • Camada de Desempenho: Uma variável de estado de relaxação rápida $E(t)$ evolui em direção a uma função alvo $\bar{E}(x)$ definida sobre um vetor de indicadores normalizados de 12 dimensões $x$.
   • Camada Estratégica: Um ponto fixo hierárquico de escala de tempo lenta combinando atribuição de tráfego de equilíbrio de usuário (programa de Beckmann), divisão modal (logit multinomial) e aprendizado de capacidade.
   • Regra de Antifragilidade: Uma regra de decisão estatística comparando a razão de desempenho pós-evento com um limiar dependente da linha de base para classificar o comportamento do sistema.

2. Teoria de Redução: O artigo define fidelidade (faithfulness) relativa ao atrator, em vez de apenas reconstrução de trajetória. Introduz quatro resultados teóricos:

   • Preservação da Estabilidade: Condições necessárias e suficientes para preservar a estabilidade assintótica local sob projeção linear de indicadores, formuladas via a projetabilidade do campo vetorial e a propriedade de Hurwitz do Jacobiano reduzido. Isso se estende à projetabilidade aproximada, limitando os erros de trajetória usando o defeito de projetabilidade ($\varepsilon_\Pi$) e a taxa de contração ($\alpha$), incluindo uma correção para amplificação transiente não-normal.
   • Preservação do Ponto Fixo: Um teorema provando que um ponto fixo de duas camadas acopladas é preservado se as reduções comutam com o operador de ponto fixo e a matriz de acoplamento reduzida permanece uma contração ($\rho(K_\Pi) < 1$). Estabelece um limite para o deslocamento do ponto fixo quando a comutação é apenas aproximada.
   • Preservação de Informação: Um modelo de medição ligando variáveis de estado a Indicadores Chave de Desempenho (KPIs) observáveis via uma equação de observação linear-gaussiana. Os autores derivam a informação de Fisher retida em forma fechada e provam que o poder de detecção é mônotono em suportes de indicadores aninhados. Mostram que a seleção gulosa de indicadores é exatamente ótima para canais independentes.
   • Viés de Tempo de Restauração: Uma prova de que o tempo de restauração estimado a partir de um conjunto de indicadores reduzido é enviesado unilateralmente: ele nunca excede, e genericamente subestima, o tempo de restauração do sistema completo.

3. Protocolo de Simulação: Os resultados teóricos são ilustrados via um estudo de simulação em três configurações de cidades estilizadas (Bratislava, Larissa, Thessaloniki) representando suportes de indicadores totais, padrão e mínimos. Cinco experimentos verificam os limites teóricos sobre erro de projeção, estrutura espectral, unicidade do ponto fixo, poder de decisão e suporte mínimo admissível.

Principais Contribuições
O artigo apresenta cinco distinções teóricas:

1. Um Formalismo de Atrator Autossuficiente: Um modelo unificado para mobilidade urbana interrompida integrando uma lei de relaxação ao alvo de desempenho, um ponto fixo estratégico hierárquico e uma regra de antifragilidade estatisticamente testável.
2. Condições de Estabilidade e Fidelidade: Uma condição necessária e suficiente para preservar a estabilidade assintótica sob projeção linear, acompanhada de uma classificação de "fidelidade prática" que quantifica os limites de erro quando a projetabilidade é imperfeita.
3. Teorema do Ponto Fixo Acoplado: Uma prova estabelecendo a preservação do ponto fixo conjunto desempenho-estratégico, identificando a fronteira de contração onde a unicidade é perdida, e limitando o deslocamento do ponto fixo sob comutação aproximada.
4. Medição e Teoria da Informação: Uma derivação em forma fechada da informação de Fisher retida para qualquer suporte de indicador sob ruído Gaussiano, provando a monotonicidade do poder de detecção e a otimalidade exata da seleção gulosa para canais independentes.
5. Viés de Restauração Unilateral: Uma prova de que o monitoramento reduzido inevitavelmente leva a um viés otimista nos tempos de restauração relatados, pois os modos lentos no núcleo da projeção são ocultados.

Resultos
O estudo de simulação verifica as afirmações teóricas:

• Fidelidade Prática: Os erros de projeção observados permanecem dentro dos limites analíticos derivados do defeito de projetabilidade e da taxa de contração. O nível "mínimo" (3 indicadores) cruza o limiar de tolerância em forças de acoplamento menores do que o nível "padrão" (6 indicadores).
• Tempo de Restauração: Sistemas reduzidos consistentemente reportam tempos de restação mais precoces do que o sistema completo, e a lacuna aumenta conforme o deslocamento inicial excita modos no núcleo da projeção.
• Convergência do Ponto Fixo: À medida que a matriz de acoplamento reduzida se aproxima da fronteira de contração ($\rho(K_\Pi) \to 1$), o número de iterações necessárias para a convergência cresce hiperbolicamente, e a dispersão dos pontos limite aumenta, sinalizando a perda de unicidade.
• Poder de Decisão: O conjunto de indicadores mínimo falha em atingir o poder estatístico alvo (0.80) para a classificação de antifragilidade, enquanto os conjuntos padrão e total têm sucesso. Isso confirma que a perda de informação afeta desproporcionalmente a classificação do comportamento pós-interrupção.
• Seleção Gulosa: A adição gulosa de indicadores baseada no ganho de inovação produz o suporte mínimo admissível para a regra de decisão, confirmando a otimalidade teórica para canais independentes.

Significância e Alegações
O artigo afirma fornecer uma base principiológica para que autoridades municipais decidam quais indicadores devem ser mantidos para suportar reivindicações de equilíbrio específicas. Argumenta-se que a "redução fiel" é uma condição mais forte do que a simples aproximação; um modelo reduzido pode ser numericamente conveniente, mas matematicamente infiel se falhar em preservar a estabilidade, a estrutura do ponto fixo ou o poder de decisão.

O framework desloca a definição de infraestrutura mínima de dados da conveniência administrativa para a necessidade matemática. Ele afirma que:

• Uma cidade não precisa de cobertura total de indicadores para todas as questões de triagem, mas precisa de cobertura suficiente para preservar a propriedade específica que está sendo afirmada (ex: estabilidade vs. classificação de antifragilidade).
• O monitoramento reduzido pode apenas subestimar a duração da recuperação, nunca superestimá-la, implicando que as melhorias relatadas no tempo de restação sob monitoramento mínimo devem ser tratadas como limites superiores otimistas.
• A perda de um indicador tem um papel duplo: pode deslocar o valor alvo da camada de desempenho e, simultaneamente, reduzir o poder estatístico da regra de decisão.

Os autores declaram explicitamente que o artigo é teórico e não pretende realizar validação empírica do framework em dados do mundo real, nem depende de modelagem de agentes generativos. A significância reside em estabelecer as condições formais sob as quais a cobertura parcial de indicadores é admissível para a análise de equilíbrio, distinguindo reduções que são meramente aproximadas daquelas que são estruturalmente fiéis ao atrator.