Optimal Scheduling of Road Maintenance Jobs Considering Impact on Traffic Flows

Imagine a cidade como um quebra-cabeça gigante e vivo, onde cada estrada é uma peça e cada motorista é um jogador tentando resolvê-lo. Quando uma estrada é fechada para reparos, é como retirar uma peça do quebra-cabeça; de repente, todos têm que se apressar para encontrar um novo lugar, e toda a imagem se desloca. Este é o mundo da engenharia de tráfego, um campo dedicado a entender como as pessoas se movem através dessas redes complexas. No coração deste quebra-cabeça está um conceito chamado "equilíbrio", que é apenas uma forma sofisticada de dizer que todos encontraram uma rota onde não conseguem chegar ao seu destino mais rapidamente ao trocar de caminho. Se você já ficou preso no trânsito enquanto seu GPS o redireciona, apenas para descobrir que o novo caminho está tão congestionado quanto, você experimentou esse equilíbrio em ação. A grande questão para os planejadores urbanos é: como agendamos os reparos nas estradas para que não transformemos o conserto de um pequeno buraco em um pesadelo de trânsito em toda a cidade? Tradicionalmente, resolver isso tem sido como tentar resolver uma equação matemática massiva toda vez que se considera um novo plano de reparo, um processo tão lento e pesado que muitas vezes impede os planejadores de tomar as melhores decisões.

Este artigo, apresentado na Conferência Anual da IISE de 2026, aborda esse problema matemático pesado ensinando os computadores a adivinhar a resposta em vez de calculá-la do zero todas as vezes. Os autores, Charitha Nandepu e sua equipe, analisaram uma rede de tráfego do mundo real em Newark, Nova Jersey, focando especificamente em um corredor movimentado conhecido como Garden State Parkway. Eles começaram executando uma simulação de computador superprecisa, porém muito lenta, para descobrir exatamente como o tráfego fluiria se as estradas fossem fechadas. Pense nisso como o "padrão ouro" ou a "verdade fundamental" — o gabarito perfeito. Eles usaram esses dados para treinar quatro tipos diferentes de inteligência artificial (IA), essencialmente ensinando-as a observar para onde as pessoas querem ir (demanda Origem-Destino) e prever instantaneamente como o tráfego se comportaria sem a necessidade de realizar a matemática pesada.

A equipe testou quatro "cérebros" diferentes para sua IA: uma rede multicamadas padrão (MLP), um detector de padrões (CNN), um especialista em estrutura de rede (GNN) e um modelo que presta atenção às relações entre todas as partes do sistema (Rede Neural baseada em Atenção). Os resultados foram claros: o modelo que prestou atenção ao quadro geral venceu. A rede neural "baseada em Atenção" foi a estrela do show, prevendo padrões de tráfego corretamente cerca de 98% das vezes (um escore R² de 0,9835) e cometendo o menor número de erros nas estradas mais movimentadas. Em contraste, os outros modelos, especialmente os padrões, tropeçaram significativamente quando o tráfego ficava intenso, com erros saltando para quase 1.000 veículos por hora em ligações críticas. O modelo baseado em grafos (GNN) fez um trabalho decente, mas o modelo baseado em atenção foi o mais preciso, com uma taxa de erro de apenas 35,87 veículos por hora no total.

O artigo não afirma ter resolvido todo o problema do agendamento de reparos nas estradas para sempre. Em vez disso, sugere que o uso desses modelos de IA rápidos e baseados em dados é uma maneira promissora de acelerar o processo de planejamento. Ao substituir os cálculos lentos e pesados por uma previsão rápida de IA, os gestores municipais poderiam potencialmente testar muito mais cronogramas de reparo no tempo que costumava levar para testar apenas um. O estudo mostra que, para a área de Newark, essa abordagem funciona bem o suficiente para ser uma ferramenta útil, oferecendo uma maneira de manter o tráfego fluindo suavemente mesmo quando as estradas estão sob construção. É um passo em direção a tornar nossas cidades menos congestionadas, uma previsão inteligente de cada vez.