🤖 AI

HLSR: Hybrid Live Forecast Selective Dynamic Vehicle Rerouting for Real-Time Congestion Avoidance

Este artigo propõe o HLSR, um framework híbrido de previsão em tempo real seletivo que integra velocidades em tempo real com previsões de curto horizonte e métricas adaptadas ao motorista para redirecionar dinamicamente um subconjunto limitado de veículos para uma evasão de congestionamento em tempo real eficaz sem exigir o replanejamento de toda a rede.

Autores originais: Xiao Wang, Shun Ren Yang, Hui Nien Hung

Publicado 2026-08-19

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Xiao Wang, Shun Ren Yang, Hui Nien Hung

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

As cidades estão se tornando mais densas e as estradas dentro delas estão lutando para acompanhar o ritmo. À medida que mais pessoas se mudam do campo para os centros urbanos, a pressão sobre as redes de tráfego se intensifica. Simplesmente construir mais estradas é frequentemente impossível devido ao espaço e ao custo, então as cidades devem encontrar maneiras mais inteligentes de gerenciar o fluxo dos veículos existentes. Os aplicativos de navegação atuais, como os encontrados em smartphones, são bons em encontrar a rota mais rápida com base nas condições de tráfego no momento em que o motorista inicia sua viagem. No entanto, eles têm dificuldade quando um motorista já está na estrada. Se um congestionamento se forma à frente, esses aplicativos muitas vezes falham em redirecionar motoristas que já estão comprometidos com um trajeto ou, pior, podem enviar muitos motoristas para uma nova rota, criando um novo gargalo em outro lugar. O desafio para os engenheiros de tráfego é intervir o suficiente para suavizar a congestão sem causar o caos ao mudar os planos de cada carro na estrada.

Para resolver isso, pesquisadores desenvolveram um novo sistema chamado HLSR, que significa Hybrid Live–Forecast Selective Dynamic Vehicle Rerouting (Redirecionamento Dinâmico Seletivo de Veículos com Híbrido de Tempo Real e Previsão). Esta abordagem foi testada em uma simulação computacional detalhada da cidade de Tainan, Taiwan, usando um modelo de tráfego microscópico que rastreia veículos individuais. A ideia central por trás do HLSR é ser seletivo em vez de avassalador. Em vez de tentar replanejar a rota para cada veículo na cidade, o sistema identifica gargalos específicos e intervém apenas com os veículos que provavelmente ficarão presos ou que estão se aproximando do ponto problemático. Ele atua como um gestor de tráfego que observa o fluxo, detecta um engarrafamento em desenvolvimento e guia suavemente os carros que se aproximam dele para um caminho diferente antes que fiquem presos, enquanto deixa o restante do tráfego fluir naturalmente.

O sistema funciona em três etapas principais. Primeiro, ele detecta a congestão observando dois sinais específicos: o quão cheia está a estrada e a velocidade com que os carros se movem. Ele não depende de apenas um desses fatores; em vez disso, exige tanto que a estrada esteja lotada quanto que a velocidade esteja caindo significativamente antes de decidir que um congestionamento é real. Isso evita que o sistema reaja a lentidões menores que se resolveriam por conta própria. Uma vez confirmado o congestionamento, o sistema seleciona quais veículos serão redirecionados. Ele observa os carros atualmente nos segmentos de via que levam ao congestionamento, bem como aqueles que estão prestes a entrar nesses segmentos. Isso garante que a intervenção seja oportuna, alcançando os motoristas antes que estejam totalmente presos na fila.

A inovação mais significativa do HLSR é como ele calcula a melhor nova rota. Os sistemas tradicionais geralmente olham apenas para as condições de tráfego de agora. O HLSR, porém, combina o que está acontecendo na estrada neste exato momento com uma previsão de curto prazo do que acontecerá nos próximos minutos. Para a parte da rota que o motorista percorrerá imediatamente, o sistema confia nos dados em tempo real dos sensores de estrada. Para as partes da rota mais adiante, onde o motorista chegará mais tarde, o sistema baseia-se em uma previsão das velocidades futuras do tráfego. Essa abordagem híbrida permite que o sistema evite rotas que parecem livres agora, mas que têm previsão de ficarem congestionadas no momento em que o motorista chegar. Ele também personaliza essas previsões levando em conta como diferentes motoristas se comportam, como se tendem a dirigir mais rápido ou mais devagar que a média.

Os resultados da simulação foram impressionantes. Em um cenário com 8.000 veículos, o novo sistema reduziu o tempo médio de viagem para 380,6 segundos. Isso foi significativamente mais rápido do que um sistema que utilizava apenas dados em tempo real para redirecionar o mesmo número de carros, o qual resultou em um tempo médio de 438,1 segundos. Também superou um sistema que tentava redirecionar todos os carros da cidade usando apenas dados em tempo real, que levou 408,1 segundos em média. Os pesquisadores descobriram que o método híbrido de tempo real e previsão foi o principal impulsionador desse sucesso; sem o elemento preditivo, o desempenho do sistema caiu visivelmente. Mesmo quando o volume de tráfego foi aumentado para 16.000 e depois para 20.000 veículos, o sistema HLSR permaneceu o mais eficiente, mantendo os tempos de viagem mais baixos do que todos os outros métodos testados.

O estudo também explorou o quão longe o sistema deve olhar ao selecionar carros para redirecionamento. Eles descobriram que olhar muito para trás causava mudanças desnecessárias para motoristas que estavam longe do congestionamento, enquanto olhar muito perto perdia motoristas que precisavam de ajuda. A configuração ideal foi olhar nove segmentos de estrada para trás, o que equilibrou a necessidade de intervir cedo sem interromper muitas pessoas. Os pesquisadores também testaram diferentes formas de prever o tráfego futuro. Eles descobriram que um sistema projetado especificamente para classificar as melhores rotas, em vez de apenas prever a velocidade com precisão para cada segmento de estrada individual, funcionou melhor para o objetivo geral de reduzir o tempo de viagem.

Fundamentalmente, esta pesquisa demonstra que uma abordagem direcionada e inteligente é mais eficaz do que uma abordagem generalizada. Ao combinar observações em tempo real com previsões de curto prazo e intervir apenas onde é necessário, as cidades podem reduzir os tempos de viagem e as emissões sem a enorme interrupção de redirecionar todos os veículos. A simulação sugere que este método é robusto o suficiente para lidar com cargas pesadas de tráfego, oferecendo um caminho prático para sistemas de transporte inteligentes que visam manter as cidades movendo-se suavemente.

Resumo Técnico: HLSR – Roteamento de Veículos Seletivo Híbrido entre Tempo Real e Previsão (Hybrid Live–Forecast Selective Dynamic Vehicle Rerouting)

1. Definição do Problema

O congestionamento do tráfego urbano reduz significativamente a produtividade e aumenta os custos de viagem e as emissões. Embora o reroteamento de caminho mais curto em tempo real em toda a rede (ex: replanejamento de cada veículo em cada intervalo de decisão) mostre promessa em simulações, ele depende da premissa irreal de que todos os veículos em trânsito podem ser replanejados continuamente. Além disso, os métodos de reroteamento seletivo existentes sofrem de três limitações primárias:

Detecção de Congestionamento: Detectores de indicador único ou de escopo local frequentemente perdem padrões de congestionamento heterogêneos e o acoplamento da rede.
Seleção de Veículos: Janelas espaciais fixas ou estratégias de seleção gananciosas tendem a ou reroteiam excessivamente veículos distantes ou a reagir insuficientemente ao tráfego a montante que se aproxima de um gargalo.
Alocação de Rota: Políticas baseadas apenas no tráfego atual em tempo real ignoram informações de previsão de curto horizonte necessárias para segmentos que serão percorridos em períodos de decisão futuros, levando a um roteamento subótimo conforme as condições evoluem.

O artigo aborda a necessidade de um framework que intervenha seletivamente em veículos afetados pelo congestionamento, fundindo observações em tempo real com previsões de curto prazo para otimizar a alocação de rotas sob um escopo de intervenção limitado.

2. Metodologia: O Framework HLSR

Os autores propõem o HLSR (Hybrid Live–Forecast Selective Rerouting), um framework de três fases que integra detecção de limiar duplo, seleção de veículos calibrada e custeio de rota híbrido entre tempo real e previsão.

A. Modelo de Sistema e Sensoriamento

O sistema opera em uma rede viária urbana direcionada, particionada em zonas. Ele utiliza:

Sensoriamento em Tempo Real (Live Sensing): Ocupação de segmento ($RO$) e razões de velocidade ($RV$) em tempo real derivadas de detectores de laço e relatórios de veículos.
Janelas de Decisão: Janelas de agregação discretas (padrão $T=300$ s) onde estatísticas são acumuladas e loops de controle são invocados.
Valores de Velocidade: O framework distingue entre Velocidade em Tempo Real ( $V^{live}$ ) de sensores atuais e Velocidade Prevista ( $V^{pred}$ ) gerada por um prevencionista espaço-temporal para horizontes futuros.

B. Fase 1: Detecção de Congestionamento de Limiar Duplo

O congestionamento é declarado apenas quando ambos os indicadores de ocupação normalizada e métricas de velocidade excedem limiares específicos ( $RO > \delta_O$ e $1-RV > \delta_V$ ). Esta abordagem de limiar duplo evita falsos positivos onde a ocupação e a velocidade divergem. Uma métrica de severidade composta ($RS$) é calculada para ponderar a intervenção.

C. Fase 2: Seleção de Veículos Calibrada

Em vez de janelas espaciais fixas, o HLSR emprega uma profundidade de salto a montante calibrada ( $\theta_{ur}$ ) combinada com um mecanismo de expansão de veículos que se aproximam:

Seleção a Montante (Upstream): Identifica veículos atualmente em segmentos dentro de $\theta_{ur}$ saltos a montante do gargalo.
Expansão de Aproximação: Suplementa o conjunto com veículos fora desta janela que estão em uma rota planejada para o gargalo e possuem uma contagem de saltos restantes $\le 2$ .
Isso garante que o escopo de intervenção seja limitado a veículos que provavelmente impactarão o gargalo, evitando o reroteamento desnecessário do tráfego distante.

D. Fase 3: Alocação de Rota Híbrida entre Tempo Real e Previsão

Esta é a inovação central. Para cada veículo selecionado, o sistema gera $N_{cr}$ caminhos candidatos (usando o algoritmo de K-caminhos mais curtos de Yen) e aloca a rota ideal baseada em uma função de custo híbrida:

Fusão de Velocidade Adaptativa ao Horizonte: O custo de um segmento de caminho é calculado usando uma velocidade fundida $\tilde{V}$ , que mistura velocidades em tempo real e previstas com base no horizonte de previsão ( $h$ ):
$\tilde{V}(s, \tau, h) = \alpha(h) V^{live}(s, \tau) + (1 - \alpha(h)) V^{pred}(s, \tau, h)$
onde $\alpha(h)$ decai linearmente com o horizonte. Segmentos de curto prazo dependem de dados em tempo real; segmentos distantes dependem de previsões.
Previsão Personalizada ao Motorista: O módulo de previsão utiliza o LSTAN_GERPE, um prevencionista espaço-temporal de nível de rede. Crucialmente, ele incorpora um parâmetro de comportamento do motorista ( $B_d$ ) para personalizar as velocidades previstas para veículos específicos, em vez de usar uma média de rede genérica.
Refinamento Consciente de Ranking: O prevencionista é opcionalmente refinado com uma perda de ranking de K-caminhos mais curtos. Isso garante que o modelo preserve a ordenação relativa das rotas candidatas, não apenas a precisão ao nível da aresta.
Pontuação Multiobjetivo: A rota final é selecionada minimizando uma soma ponderada de tempo de viagem normalizado, comprimento de caminho, similaridade de rota e equilíbrio de ocupação da rede.

3. Principais Contribuições

O artigo reivindica quatro contribuições principais:

Reroteamento Seletivo Proativo: Um framework de intervenção limitada usando detecção de limiar duplo e seleção a montante calibrada que limita o reroteamento a veículos relacionados ao congestionamento, capturando simultamente o tráfego que se aproxima.
Custeio Híbrido Tempo Real–Previsão: Um novo mecanismo de custeio de rota que funde velocidades em tempo real e previstas com pesos dependentes do horizonte, aliado à geração de K-caminhos mais curtos ponderados pelo tempo de viagem.
Previsão Consciente do Motorista: Um prevencionista de nível de rede (LSTAN_GERPE) aprimorado com personalização de comportamento do motorista e refinamento consciente de ranking, servindo como um módulo de suporte para o roteamento, em vez de um solver end-to-end autônomo.
Avaliação de Escopo Justo: Uma avaliação abrangente em um cenário Tainan reproduzido no SUMO (semente 42) comparando o HLSR contra baselines seletivos clássicos, métodos de estado da arte reimplementados e Dijkstra em tempo real de toda a rede, sob diversas demandas de tráfego (8.000 a 20.000 veículos).

4. Resultados Experimentais

Os experimentos foram conduzidos em uma rede rodoviária de Tainan (204 interseções, 561 segmentos) usando SUMO com semente 42.

Desempenho com 8.000 Veículos:
- O HLSR alcançou um tempo médio de viagem de 380,6 s.
- Superou o HLSR-LIVE (reroteamento seletivo com apenas velocidades em tempo real) em 57,5 s (438,1 s), demonstrando o valor da previsão híbrida.
- Superou o CAIE-TT-Scoped (Dijkstra em tempo real no mesmo conjunto seletivo) em 11,0 s (391,6 s).
- Manteve-se competitivo com o CAIE-TT (Dijkstra em tempo real de toda a rede, 408,1 s), enquanto intervinha em muito menos veículos.
- Superou significativamente outros baselines seletivos como Du-GAQ (425,5 s) e NRR (525,5 s).
Escalabilidade (16.000 e 20.000 Veículos):
- O HLSR manteve o melhor desempenho em cargas elevadas: 895,7 s (16k) e 971,7 s (20k).
- A lacuna de desempenho aumentou contra controles de mesmo escopo baseados apenas em tempo real (ex: HLSR-LIVE degradou para 1281,3 s em 16k veículos), indicando que a previsão híbrida é crítica sob congestionamento pesado para evitar o reroteamento excessivo.
Estudos de Ablação:
- Remover o custeio híbrido (HLSR-LIVE) causou a maior degradação de desempenho (+57,5 s).
- Remover a personalização do motorista ou usar um prevencionista sem consciência de ranking resultou em penalidades menores, mas consistentes.
- A profundidade de salto a montante $\theta_{ur}=9$ foi identificada como ótima, equilibrando escopo de intervenção e tempo de viagem.

5. Significância e Alegações

O artigo afirma que o HLSR demonstra que o custeio híbrido tempo real–previsão é o principal motor de melhoria de desempenho no reroteamento seletivo, e não a escolha específica do backbone de previsão ou o volume bruto de veículos reroteados.

Principais alegações incluem:

Eficiência: O HLSR alcança tempos médios de viagem menores do que esquemas de reroteamento em tempo real de toda a rede, enquanto intervém em um subconjunto significativamente menor de veículos, reduzendo assim a sobrecarga computacional e o incômodo ao motorista.
Robustez: O framework permanece eficaz em cenários de alta demanda, onde métodos seletivos baseados apenas em tempo real falham devido ao reroteamento excessivo.
Integração: O trabalho integra com sucesso a detecção de limiar duplo, seleção calibrada e custeio adaptativo ao horizonte em um pipeline unificado, abordando as limitações recorrentes dos métodos de reroteamento de três fases existentes.
Papel da Previsão: O módulo de previsão é posicionado como um componente de suporte para o custeio de rotas, não como um reroteador end-to-end autônomo, garantindo que as observações em tempo real permaneçam a referência autoritativa para decisões de curto horizonte.

Os autores concluem que, ao fundir o sensoriamento em tempo real com previsões de curto horizonte sob um escopo de intervenção limitado, o HLSR oferece uma solução prática e eficaz para a mitigação do congestionamento urbano em tempo real.