System optimality versus self-organization in metro networks: An optimal transport analysis

Resumo Técnico: Otimalidade do Sistema versus Auto-organização em Redes de Metrô

Definição do Problema
O design de redes de transporte urbano é tradicionalmente abordado através de um planejamento top-down fundamentado em engenharia e economia, visando a otimalidade de todo o sistema (ex: minimizar o tempo de viagem ou maximizar a acessibilidade). No entanto, as cidades são sistemas complexos onde a infraestrutura e a demanda de mobilidade interagem por meio de ciclos de retroalimentação (feedback loops): a estrutura da rede molda os fluxos de origem-destino (OD), enquanto os fluxos OD se adaptam e influenciam o desenvolvimento da rede. Apesar dessa interdependência, há uma carência de ferramentas computacionais para comparar redes do mundo real com princípios generativos alternativos. Uma questão central permanece aberta: se as redes de metrô reais se assemelham estruturalmente àquelas implicadas pela otimalidade global do sistema ou àquelas que emergem de comportamentos de viagem auto-organizados e bottom-up.

Metodologia
Os autores introduzem um framework baseado em dados para comparar três estruturas distintas de redes de metrô utilizando comparações geométricas e a teoria do transporte ótimo (OT):

1. Rede Empírica: O sistema de Transporte Rápido de Massa (MRT) do mundo real.
2. Rede Auto-organizada (Caminho de Desejo/Desire-Path): Um modelo minimalista derivado de regras locais que refletem tendências de navegação humana. Assume uma preferência por tempos de viagem curtos e a emergência de corredores de alto uso compartilhados através do agrupamento de trajetórias (trajectory bundling).
3. Rede de Otimalidade do Sistema: Uma rede derivada de otimização global que minimiza o tempo de viagem agregado sujeito a uma restrição de custo de infraestrutura, tratando a largura da via (velocidade) como a variável de design.

Detalhes de Construção do Modelo:

• Fonte de Dados: O estudo utiliza dados de GPS de telefones celulares anonimizados (CityData.ai, 2019) para inferir padrões gerais de demanda OD urbana em todos os modos, e dados agregados de viagens de MRT (LTA, 2023) para a rede empírica.
• Modelo de Caminho de Desejo (Desire-Path): Os caminhos OD são inicialmente modelados como linhas retas euclidianas. Essas trajetórias são então particionadas e submetidas a um processo de advecção de pontos usando Estimativa de Densidade de Kernel (KDE) ponderada. Pontos intermediários são deslocados iterativamente em direção a regiões de maior densidade de trajetória até a convergência. Os nós da rede são extraídos como máximos locais do campo de densidade, e as arestas são formadas com base na frequência de transições entre os nós.
• Modelo de Otimalidade do Sistema: A área de estudo é discretizada em uma grade regular. O modelo resolve um problema de otimização não linear para atribuir velocidades de ligação (pesos) que minimizem o tempo total de viagem para todos os pares OD, condicionado a um orçamento de custo de infraestrutura total. Isso é resolvido usando simulated annealing acoplado a computações repetidas de caminho mais curto.
• Métricas de Comparação:
  • Distância de Hausdorff: Mede a similaridade geométrica entre os conjuntos espaciais de nós/arestas da rede.
  • Transporte Ótimo (OT): Quantifica a discrepância global entre as redes ao tratá-las como distribuições de "massa de rede" (derivada da força do nó/grau ponderado). A distância OT representa o custo mínimo para transformar a distribuição de uma rede na outra.

Aplicação de Estudo de Caso
O framework é aplicado ao sistema de MRT de Singapura.

• Resultados Geométricos: A rede de MRT empírica exibe uma distância de Hausdorff média de 5,49 km em relação ao benchmark de caminho de desejo, comparado a 6,97 km do benchmark de otimalidade do sistema.
• Resultados de Transporte Ótimo: O custo de OT para alinhar a rede empírica com o benchmark de caminho de desejo é de 1,39 km, enquanto o custo para alinhar com o benchmark de otimalidade do sistema é de 2,12 km.
• Observações Estruturais: A rede empírica é substancialmente mais próxima do benchmark de caminho de desejo. Desvios notáveis ocorrem na Reserva Natural de Central Catchment, onde restrições ambientais impedem o alinhamento direto do trilho. O benchmark de otimalidade do sistema sugere conexões diretas através desta reserva para reduzir o tempo de viagem agregado, enquanto o benchmark de caminho de desejo e a rede empírica roteiam ao redor dela, refletindo a concentração dos fluxos de viagem reais.

Principais Contribuições

1. Framework Computacional: O artigo fornece um novo framework para comparar redes de metrô empíricas contra princípios de auto-organização e otimalidade do sistema usando fluxos OD derivados de dados de telefones celulares.
2. Quantificação de Discrepâncias: Quantifica diferenças estruturais que não são capturadas apenas por indicadores de desempenho convencionais, revelando que o MRT de Singapura é estruturalmente mais próximo de uma configuração impulsionada pela demanda e auto-organizada do que de uma configuração de otimização global.
3. Generalização: O framework foi projetado para ser transferível entre regiões e aplicável a outras redes de infraestrutura, permitindo o diagnóstico de desalinhamentos entre design e uso.

Significância e Alegações
Os autores alegam que suas descobertas destacam que a otimalidade de todo o sistema, por si só, pode ser inadequada para guiar intervenções práticas. A proximidade da rede empírica com o benchmark de caminho de desejo sugere que sistemas do mundo real evoluem através de processos adaptativos impulsionados por necessidades de serviço locais e dinâmicas bottom-up, em vez de uma otimização puramente centralizada.

O artigo postula que as abordagens de planejamento devem incorporar explicitamente as necessidades de serviço locais. Enquanto o benchmark de otimalidade do sistema identifica potenciais ganhos de eficiência (ex: a Cross Island Line atravessando a reserva natural), a abordagem de caminho de desejo oferece uma estratégia de menor risco para extensões de rede, pois se alinha aos padrões de viagem existentes, reduzindo a probabilidade de mudanças na demanda pós-construção. O framework serve como uma ferramenta de diagnóstico para identificar lacunas de conectividade apoiadas por ambos os benchmarks (oportunidades de alto impacto) versus aquelas apoiadas por apenas um deles, auxiliando na priorização do planejamento de infraestrutura adaptativa.

Limitações e Trabalho Futuro
Os autores observam que o framework é descritivo em vez de causal; ambos os benchmarks são "engenheirados reversamente" a partir de padrões OD observados que, por sua vez, são moldados pela própria infraestrutura existente. Trabalhos futuros poderiam incorporar restrições práticas (ex: áreas protegidas) diretamente nos modelos, expandir a formulação de otimalidade do sistema para incluir objetivos como consumo de energia e robustez, e modelar explicitamente a coevolução da demanda e da infraestrutura através de atualizações contrafatuais iterativas.