⚡ electrical engineering

Analysis of Network Classification and Optimization Based on Comprehensive Evaluation of Public Transportation Network – A Case Study of Guangzhou

Este artigo propõe uma nova estrutura de avaliação "estrutura–função–equidade" que combina indicadores topológicos e funcionais com aprendizado de máquina para classificar as rotas de ônibus de Guangzhou, identificando ineficiências significativas e utilizando um modelo de otimização biobjetivo para gerar estratégias direcionadas para reduzir a redundância, aumentar a integração com o metrô e melhorar a equidade rural.

Autores originais: caixia li, Cong Cong, Hunan Deng, Jiachao Chen, Junhui Li

Publicado 2026-07-03

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: caixia li, Cong Cong, Hunan Deng, Jiachao Chen, Junhui Li

Artigo original sob licença CC BY 4.0 (https://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

Imagine o sistema de ônibus da cidade como uma cozinha enorme e movimentada em um restaurante gigante. O objetivo é servir cada cliente faminto (os residentes) de forma eficiente, justa e sem desperdiçar comida ou combustível. No entanto, em muitas grandes cidades como Guangzhou, a cozinha ficou bagunçada: alguns chefs estão correndo em círculos, algumas mesas estão passando fome enquanto outras estão superalimentadas, e o cardápio tornou-se confuso.

Este artigo é como uma equipe de inspetores de cozinha especialistas que vieram para limpar a bagunça, descobrir o que está errado e redesenhar a cozinha para que ela funcione melhor para todos. Aqui está como eles fizeram isso, dividido em etapas simples:

1. O Diagnóstico: Medindo a Saúde da Cozinha

Primeiro, os pesquisadores não apenas adivinharam; eles fizeram medições. Eles analisaram a rede de ônibus usando dois conjuntos principais de ferramentas:

As Ferramentas de "Mapa" (Estrutura): Eles mediram coisas como quantas estradas de ônibus existem por milha quadrada, quantos pontos estão a uma distância de caminhada das casas das pessoas e o quanto as rotas de ônibus se sobrepõem.
- O Problema: Eles descobriram que a cozinha estava cheia de chefs correndo exatamente pelo mesmo caminho. A "sobreposição" era tão alta (4,9 vezes o recomendado) que era como ter cinco chefs picando cebolas na mesma tábua de corte quando um seria suficiente. Além disso, a rota média de ônibus era de 16,7 km, mas a maioria das pessoas só precisava viajar 7,5 km. Era como servir uma refeição de 10 pratos quando o cliente queria apenas um sanduíche.
As Ferramentas de "Pessoas" (Função e Equidade): Eles observaram quem estava sendo servido. Os ônibus estão ajudando os idosos e as crianças? Estão lotados ou vazios? Eles circulam por onde o metrô (o trem rápido da cidade) já passa?

2. Classificando os Ônibus: Os "Quatro Tipos de Chefs"

Usando um programa de computador inteligente (Aprendizado de Máquina), eles classificaram as 3.214 rotas de ônibus em quatro "personalidades" distintas, muito parecido com classificar o pessoal da cozinha por seus trabalhos específicos:

Os Chefs de "Rede de Segurança" (31%): Esses ônibus não carregam grandes multidões, mas são vitais. Eles garantem que idosos, crianças e famílias de baixa renda possam chegar ao médico ou à escola. Eles são os trabalhadores confiáveis e constantes.
Os "Grandes Talentos" (6%): Estas são as rotas super movimentadas no centro da cidade. Elas carregam quase metade de todos os passageiros. São eficientes, mas podem ser injustas porque ignoram bairros mais pobres.
Os "Ajudantes do Trem" (36%): Estes ônibus circulam logo ao lado do metrô. Seu trabalho principal é ajudar as pessoas a fazer a transferência do ônibus para o trem, atuando como uma ponte.
Os "Chefs Confusos" (27%): Esta foi a maior descoberta. Cerca de um quarto dos ônibus não se encaixavam em nenhuma categoria clara. Eles não eram super movimentados, não estavam ajudando especificamente os pobres e não estavam claramente ajudando o metrô. Eles estavam apenas vagando por aí, desperdiçando combustível e dinheiro sem um propósito claro.

3. A Solução: Um Plano de Três Partes

Assim que identificaram os "Chefs Confusos", os pesquisadores usaram um modelo matemático para descobrir como resolvê-los. Eles criaram três estratégias específicas:

Estratégia 1: Cortar a Redundância (O Plano de "Encurtar")
- O Problema: 17 rotas estavam rodando quase exatamente onde o metrô já passava.
- A Solução: Encurtar essas rotas. Imagine dizer a um entregador: "Você não precisa dirigir até o outro lado da cidade; o trem vai para lá agora. Apenas dirija os últimos blocos". Isso reduziu a sobreposição desperdiçada em 38% e aliviou o congestionamento do tráfego.
Estratégia 2: Tornar-se Conectores de "Última Milha" (O Plano de "Alimentação")
- O Probleo: A cidade está construindo novas linhas de metrô em breve. Atualmente, 112 rotas de ônibus estão no caminho dessas novas linhas, mas não estão preparadas para ajudar.
- A Solução: Transformar esses ônibus em serviços de "alimentação" (feeders). Em vez de rotas longas e lentas, torná-los shuttles curtos e frequentes que pegam as pessoas perto de suas casas e as deixam nas novas estações de metrô. Isso ajuda 340.000 residentes que atualmente não conseguem chegar facilmente aos novos trens.
Estratégia 3: Ajudar as Vilas Esquecidas (O Plano "Rural")
- O Problema: No campo, os ônibus eram raros, dificultando o deslocamento dos idosos.
- A Solução: Tirar recursos das rotas confusas e dar a essas áreas rurais. Ao rodar os ônibus com mais frequência (a cada 15 minutos em vez de 30), eles melhoraram a equidade para os idosos. Eles estimaram que isso traria 15% mais pessoas de volta aos ônibus.

A Conclusão

O artigo conclui que, ao usar dados para parar de adivinhar, as cidades podem parar de desperdiçar dinheiro com ônibus que não levam a lugar nenhum e começar a colocar esses recursos onde eles são realmente necessários.

O Resultado: Um sistema de ônibus mais limpo, justo e eficiente, onde os "Grandes Talentos" mantêm a cidade em movimento, a "Rede de Segurança" protege os vulneráveis, os "Ajudantes do Trem" conectam os pontos e os "Chefs Confusos" finalmente recebem um trabalho claro ou são aposentados.

Os autores admitem que este é um recorte no tempo (baseado em dados do final de 2023) e que eles testaram apenas em Guangzhou, mas o método que utilizaram é como uma receita universal que outras cidades podem tentar para cozinhar um sistema de ônibus melhor para si mesmas.

Resumo Técnico: Análise de Classificação e Otimização de Redes Baseada na Avaliação Abrangente de Redes de Transporte Público – Um Estudo de Caso de Guangzhou

Definição do Problema
As redes de ônibus urbanos em megacidades enfrentam uma tríade de desafios: declínio na utilização, ineficiências estruturais e inequidade espacial. Os frameworks de avaliação existentes frequentemente tratam a racionalidade topológica, a diversidade de funções de serviço e a equidade social de forma isolada. Além disso, há uma carência de estratégias de otimização quantificáveis especificamente adaptadas para rotas de ônibus "funcionalmente ambíguas" — aquelas que carecem de um propósito operacional claro, mas consomem recursos significativos da rede. Este estudo aborda essas lacunas propondo um framework integrado de avaliação e otimização aplicado a Guangzhou, China, onde a utilização de ônibus caiu 52% em relação aos níveis pré-pandemia, e a utilização suburbana por quilômetro permanece criticamente baixa.

Metodologia
O estudo emprega uma abordagem metodológica de três fases:

Avaliação Topológica: Um sistema de seis indicadores avalia a racionalidade estrutural da rede. Os indicadores incluem densidade de rede ( $P_1$ ), taxa de cobertura ( $P_2$ ), cobertura de paradas ( $P_3$ ), comprimento de rota ( $P_4$ ), coeficiente de repetição ( $P_5$ ) e coeficiente de não linearidade ( $P_6$ ). Estes são comparados com padrões como o TCRP Report 165 e as Especificações Técnicas de Planejamento de Tráfego Rodoviário Urbano da China.
Classificação Funcional via Machine Learning: Um pipeline de duas etapas classifica 3.214 rotas de ônibus com base em cinco indicadores funcionais: índice de oferta, cobertura populacional, coeficiente de Gini (equidade), fluxo de passageiros e coeficiente de sobreposição com o metrô.
- Estágio 1 (Não supervisionado): O agrupamento K-means determina o número ideal de tipos funcionais, identificando $k=4$ através do método do cotovelo (elbow method).
- Estágio 2 (Validação Supervisionada): Um classificador Random Forest valida os agrupamentos, alcançando 92,3% de acurácia de validação cruzada. A análise de importância de atributos destaca a sobreposição com o metrô e o fluxo de passageiros como os principais discriminadores.
Otimização de Bi-objetivo: Para as rotas identificadas como "funcionalmente ambíguas", um modelo de otimização multiobjetivo é formulado utilizando o algoritmo NSGA-II. O modelo minimiza simultaneamente a redundância (penalidade de sobreposição) e maximiza a melhoria da equidade (redução do coeficiente de Gini), sujeito a restrições de linearidade da rota, intervalo entre veículos (headway) e redução do comprimento total da rede.

Principais Contribuições
O artigo apresenta quatro contribuições específicas para o campo do planejamento de transporte público:

Framework Integrado: Desenvolvimento de um novo sistema de índices de avaliação "estrutura–função–equidade" que unifica métricas topológicas com métricas funcionais e de justiça distributiva.
Classificação Baseada em ML: Um framework de aprendizado de máquina validado que categoriza as rotas de ônibus em quatro tipos de serviço distintos, permitindo uma otimização direcionada em vez de abordagens uniformes.
Diagnóstico Empírico: Uma análise abrangente da rede de Guangzhou revelando deficiências estruturais severas, incluindo um coeficiente de repetição de toda a rede de 4,9 (excedendo amplamente o recomendado de 2,5) e uma prevalência de 27% de rotas funcionalmente ambíguas.
Otimização Acionável: Um modelo de bi-objetivo que gera estratégias concretas para rotas ambíguas, indo além do diagnóstico teórico para intervenções específicas e quantificáveis.

Resultos
A aplicação do framework à rede de Guangzhou (3.214 rotas, 6.968 paradas, 54.000 km) rendeu os seguintes achados:

Ineficiências Topológicas: Embora a densidade da rede atenda aos padrões nacionais, existem disparidades significativas. As áreas rurais representam 59% do comprimento da rede, mas apenas 17% do fluxo de passageiros (200 viagens/km/dia). O comprimento médio da rota (16,7 km) é mais do que o dobro da distância média de viagem real (7,5 km). A área central exibe uma sobreposição extrema de rotas, com um coeficiente de repetição superior a 10.
Classificação Funcional: O agrupamento K-means identificou quatro tipos de rotas:
- Orientada à Segurança Social (30,8%): Baixo fluxo, mas serviço equitativo para grupos vulneráveis.
- Orientada ao Benefício (6,1%): Alto fluxo de passageiros (45,6% do fluxo total), mas alta inequidade, concentrada no núcleo.
- Integrada ao Metrô (36,4%): Alta sobreposição com linhas de metrô, servindo como conectores de transferência.
- Funcionalmente Ambígua (27,0%): Baixa oferta, baixo fluxo e sobreposição moderada, representando o principal alvo para otimização.
Estratégias de Otimização: O modelo NSGA-II produziu três estratégias acionáveis para as 868 rotas ambíguas:
1. Encurtamento de Rotas com Alta Sobreposição: Redução de 17 rotas com >50% de sobreposição com o metrô em uma média de 4,2 km, diminuindo a penalidade de sobreposição em 38% e a pressão estimada no tráfego terrestre em 12%.
2. Conversão para Alimentação (Feeder): Conversão de 112 rotas projetadas para sobrepor-se com extensões planejadas do metrô (Linhas 10, 11, 12) em serviços de alimentação de alta frequência, melhorando a conectividade de última milha para 340.000 residentes.
3. Realocação Rural: Aumento da frequência e introdução de zonas de demanda responsiva para 22 rotas rurais, reduzindo o coeficiente de Gini para idosos de 0,42 para 0,35 e projetando um aumento de 15% na utilização.

Significância e Limitações
O artigo afirma que este framework fornece aos planejadores de trânsito uma abordagem transferível e baseada em dados para diagnosticar ineficiências de rede e desenhar intervenções conscientes da equidade. Demonstra que o aprendizado de máquina pode identificar efetivamente rotas que carecem de propósitos operacionais claros, permitindo a realocação de recursos que equilibra eficiência com equidade social.

Contudo, os autores reconhecem modestamente diversas limitações:

Temporalidade dos Dados: A análise baseia-se em dados de cartões IC de outubro de 2023; o comportamento de viagem pós-pandemia pode não ser estacionário.
Suposição de Equidade Estática: O coeficiente de Gini é calculado usando grades populacionais estáticas, falhando em capturar variações temporais na equidade (ex: superlotação em horários de pico vs. fora de pico).
Validação em Cidade Única: O modelo de classificação foi treinado e validado exclusivamente com dados de Guangzhou; sua transferibilidade para outras megacidades com diferentes formas urbanas requer mais testes.

O trabalho futuro proposto pelos autores inclui a incorporação de dados em tempo real para avaliação dinâmica, o desenvolvimento de frameworks de transferência de aprendizado entre cidades e a integração do modelo de otimização em plataformas de gêmeos digitais (digital twins) para análise interativa de cenários.

1. O Diagnóstico: Medindo a Saúde da Cozinha

2. Classificando os Ônibus: Os "Quatro Tipos de Chefs"

3. A Solução: Um Plano de Três Partes

A Conclusão

Mais como este