Neighbor-embedded Graph Neural Network-based Crowd Delivery Traffic Management in Smart City

As cidades estão respirando com mais dificuldade do que nunca. O volume colossal de veículos nas estradas transformou os deslocamentos diários e as rotas de entrega em uma teia emaranhada de frustração de para-e-anda, sufocando o ar e desperdiçando tempo. Na visão de uma "cidade inteligente", a tecnologia deveria desembaraçar essa confusão, não apenas prevendo onde o tráfego estará, mas gerenciando ativamente como as mercadorias se movem através da malha. O desafio central reside em duas tarefas difíceis: saber exatamente quão movimentada uma rua estará antes mesmo de um caminhão sair do depósito e, então, escolher o veículo certo para o trabalho. Uma van de entrega pode ser perfeita para uma viagem curta por um bairro tranquilo, mas uma escolha terrível para uma longa jornada através de uma rodovia congestionada, especialmente se funcionar com eletricidade com uma autonomia limitada. Acertar nessas duas decisões — prever o fluxo e escolher a máquina — é a chave para reduzir o número de veículos nas ruas, o que, por sua vez, diminui as emissões de carbono e encurta os tempos de viagem para todos.

Uma equipe de pesquisadores abordou este problema com um novo sistema projetado para agir como um sistema nervoso central para as entregas urbanas. Eles chamam sua criação de Modelo de Gestão de Tráfego de Entrega de Multidões baseado em Redes Neurais de Grafos com Incorporação de Vizinhos (Neighbor-Embedded Graph Neural Network-based Crowd Delivery Traffic Management model). Embora o nome seja técnico, o conceito é direto: é um motor de duas partes que primeiro prevê engarrafamentos e depois usa essa previsão para selecionar o melhor veículo para uma rota de entrega específica. O sistema foi construído para lidar com a "entrega de multidão" (crowd delivery), uma estratégia onde múltiplas encomendas próximas são consolidadas em uma única viagem, em vez de enviar um veículo separado para cada uma. Essa abordagem visa reduzir o número total de veículos ativos nas ruas, abordando diretamente o objetivo de tornar as cidades mais sustentáveis.

A primeira parte deste sistema, a Unidade de Previsão de Congestionamento de Tráfego, atua como uma bola de cristal para as condições das estradas. Em vez de olhar para os dados de tráfego de forma isolada, ela trata as estações de entrega da cidade como pontos em um mapa que estão todos conectados entre si. O sistema aprende como o tráfego em uma estação influencia o tráfego em seus vizinhos, de forma muito semelhante a como uma ondulação em um lago se espalha para fora. Ao analisar dados históricos de contagem de veículos, velocidades e tempos de viagem, ele constrói um quadro dinâmico de como o congestionamento flui através da rede. Isso permite que ele preveja níveis de tráfego em paradas de entrega específicas com alta precisão, mesmo quando os dados estão ausentes ou as condições são voláteis. Os pesquisadores descobriram que, ao prestar atenção nessas relações de vizinhança, o sistema conseguia prever o fluxo de tráfego significativamente melhor do que métodos antigos que tratavam cada localização como uma ilha separada.

Uma vez que o sistema sabe como será o tráfego, a segunda parte, a Unidade de Observação e Gestão de Tráfego, assume o controle para tomar as decisões reais. Esta unidade recebe a previsão de tráfego e a confronta com as necessidades específicas de uma solicitação de entrega. Ela considera uma variedade de fatores: quão longe o veículo precisa viajar, quantas paradas deve fazer, o tipo de estrada que utilizará e as próprias capacidades do veículo, como seu tipo de combustível e capacidade de carga. O sistema então calcula uma pontuação para determinar qual veículo é o mais adequado. Por exemplo, pode decidir que um caminhão diesel pesado é necessário para uma rota longa com muitas paradas, enquanto um veículo elétrico menor é a escolha certa para uma corrida local curta. Esse emparelhamento inteligente garante que o veículo selecionado não seja apenas disponível, mas realmente adequado ao trabalho, evitando situações em que uma pequena van fique presa em uma viagem de longa distância ou que um caminhão grande desperdice energia em um serviço minúsculo.

Para testar se essa abordagem realmente funciona, os pesquisadores realizaram avaliações extensas usando um conjunto de dados de trajetória do mundo real ampliado de Pequim, uma cidade com padrões de tráfego complexos e pesados. Eles alimentaram o sistema com milhares de solicitações de entrega e observaram como ele se comportava em comparação com métodos existentes. Os resultados foram claros: o novo modelo cometeu menos erros em suas previsões e exigiu menos tempo para computar suas respostas. Especificamente, o sistema reduziu o erro em suas previsões de tráfego por uma margem perceptível em comparação com modelos padrão e reduziu o tempo necessário para processar os dados. Nas avaliações, o modelo identificou com sucesso as rotas e combinações de veículos mais eficientes, provando que poderia lidar com a natureza caótica e mutável do tráfego urbano sem ficar sobrecarregado.

O estudo também destacou o que acontece quando se ignoram as conexões entre diferentes partes da cidade. Quando os pesquisadores testaram versões do sistema que não observavam como as estações vizinhas influenciavam umas às outras, as previsões tornaram-se menos precisas. Isso confirmou que o tráfego não é apenas uma coleção de eventos isolados, mas um fluxo conectado onde um congestionamento em uma área inevitavelmente afeta a próxima. Ao incorporar essas relações diretamente no processo de aprendizado, o novo modelo captura a realidade de como o tráfego se move. Os pesquisadores concluíram que essa abordagem integrada — combinando previsão precisa com seleção inteligente de veículos — oferece um caminho viável para reduzir o número de veículos de entrega nas ruas. Embora o trabalho tenha utilizado dados de trajetória histórica para avaliação, os resultados sugerem que tal sistema poderia melhorar significativamente a eficiência da logística urbana, ajudando as cidades a caminharem para um futuro com menos congestionamento e um ambiente mais limpo.