Integrating adaptive signal control and autonomous vehicles for urban congestion relief and carbon reduction

Resumo Técnico: Integração de Controle Adaptativo de Sinais e Veículos Autônomos para Alívio do Congestionamento Urbano e Redução de Carbono

Definição do Problema
Os sistemas de transporte urbano enfrentam um desafio duplo: o aumento do congestionamento de tráfego e a crescente emissão de carbono, exacerbados pela rápida urbanização e motorização. Embora o Controle Adaptativo de Sinais de Tráfego (ATSC) e os Veículos Autônomos (AVs) sejam reconhecidos como soluções promissoras, seus impactos coordenados em nível de sistema permanecem mal compreendidos. As pesquisas existentes sofrem de fragmentação metodológica, frequentemente avaliando ATSC e AVs isoladamente sob pressupostos simplificados ou exógenos. Além disso, a maioria dos estudos limita-se a simulações microscópicas de interseções únicas ou pequenas redes, falhando em capturar efeitos emergentes em escala de cidade, heterogeneidade entre cidades e a viabilidade econômica de uma implementação em larga escala. Existe uma lacuna crítica na compreensão de como a interação entre o controle de sinais e o comportamento dos veículos reconfigura os estados operacionais para reduzir a dinâmica de "para-e-anda" (stop-and-go), e como esses benefícios variam através de diversos contextos urbanos.

Metodologia
Os autores desenvolveram uma estrutura abrangente de avaliação em escala de cidade integrando simulação de tráfego microscópica, estimativa de emissões ao nível do veículo e aprendizado de máquina interpretável.

• Plataforma de Simulação: O estudo utilizou o CBEngine, uma plataforma de simulação de tráfego microscópica, para modelar trajetórias e interações de veículos.
• Estratégias de Controle: Cinco cenários foram construídos para um corredor urbano representativo de 17 km em Shenzhen:
  1. Linha de Base (Baseline): Controle de sinal de tempo fixo (método de Webster, atualizado a cada 15 minutos).
  2. WB: Controle de sinal adaptativo periodicamente atualizado.
  3. MP: Controle de sinal adaptativo em tempo real usando o algoritmo Max-Pressure, que ajusta dinamicamente as fases com base nas diferenças de fila a montante/jusante.
  4. AV: Veículos autônomos com controle longitudinal aprimorado (limites de aceleração/desaceleração mais altos e tempos de resposta mais rápidos via lógica de Controle de Cruzeiro Adaptativo) sob sinais de tempo fixo.
  5. MP_AV: Implementação sinérgica combinando o controle Max-Pressure em tempo real com AVs.
• Modelagem de Emissões: As emissões de carbono foram estimadas usando a estrutura do Simulador de Emissões de Veículos Motorizados (MOVES), calculando a Potência Específica do Veículo (VSP) com base na velocidade e aceleração instantâneas para derivar as taxas de emissão.
• Análise em Escala de Cidade: A estrutura foi aplicada a 100 grandes cidades da China. Para analisar a heterogeneidade, os autores empregaram modelos de Light Gradient Boosting Machine (LightGBM) com Explicações Aditivas de Shapley (SHAP) para interpretar como as características urbanas (ex: densidade de vias, velocidade de base, densidade populacional, PIB) influenciam as métricas de desempenho.
• Avaliação Econômica: Uma análise de custo-benefício (BCA) foi realizada, calculando os custos de investimento público (atualizações do sistema de sinalização) contra os benefícios socioeconômicos (economia de tempo de viagem, redução de carbono e economia de combustível).

Principais Resultados

• Desempenho Sinérgico: No corredor de Shenzhen, a estratégia coordenada MP_AV superou significativamente as abordagens de tecnologia única. Ela reduziu o tempo médio de viagem em aproximadamente 32% (de 28,93 min para 19,47 min) e as emissões de CO₂ por veículo em 36% (de 5.678 g para 3.621 g) em comparação com a Linha de Base.
• Mecanismo de Melhoria: Os ganhos não foram meramente aditivos, mas resultaram de uma reconfiguração sistêmica dos estados operacionais dos veículos. A estratégia coordenada suprimiu regimes de alta emissão e alto atraso (como o tempo de marcha lenta prolongado e ciclos frequentes de aceleração-desaceleração) e aumentou a continuidade do fluxo de tráfego. Especificamente, o tempo total de marcha lenta caiu de 8,98 min para 1,88 min.
• Limiares de Implementação: Existe uma relação não linear entre a razão de implementação do controle adaptativo e o desempenho do sistema. As melhorias de velocidade em todo o sistema estagnaram quando o controle adaptativo cobria aproximadamente 80% das interseções principais durante os períodos de pico, sugerindo que um desempenho próximo ao ideal pode ser alcançado sem cobertura total da rede.
• Heterogeneidade entre Cidades: Em 100 cidades chinesas, a implementação coordenada gerou benefícios substanciais, porém variáveis. Todas as cidades viram melhorias na velocidade de tráfego superiores a 20% e reduções de emissões maiores que 10%. No entanto, a magnitude dos benefícios dependeu fortemente das características urbanas:
  • Eficiência de Tráfego: Maior em cidades com velocidades de base mais baixas e densidade de rede rodoviária moderada. Redes excessivamente densas ou uma alta proporção de interseções de quatro vias tenderam a diminuir os ganhos marginais.
  • Viabilidade Econômica: Altos índices de Relação Benefício-Custo (BCR) foram observados em cidades com oferta de infraestrutura moderada e valor econômico forte, mas não saturado. Os maiores BCRs concentraram-se nas cidades principais do Delta do Rio das Pérolas e do Delta do Rio Yangtze.
• Impacto Econômico: Agregados em 100 cidades, a estratégia gera aproximadamente 7 milhões de horas de economia anual de tempo de viagem (avaliadas em ~US$ 70 bilhões), juntamente com ~US$ 46,1 bilhões em benefícios ambientais e ~US$ 50,6 bilhões em economia de combustível.

Significância e Alegações
O artigo afirma que a inteligência coordenada entre infraestrutura e veículos oferece um caminho viável para a mitigação do congestionamento em larga escala e descarbonização sem depender da expansão contínua de rodovias. O estudo demonstra que os benefícios surgem da reestruturação conjunta do controle de tráfego e das operações dos veículos, em vez da simples superposição de tecnologias.

As principais contribuições incluem:

1. Visão de Nível de Sistema: Fornecer evidências de que o ATSC e os AVs interagem para suprimir a dinâmica de "para-e-anda" e reconfigurar os estados operacionais dos veículos, um mecanismo frequentemente negligenciado em avaliações desacopladas.
2. Implementação Diferenciada: Identificar que a eficácia dessas tecnologias é altamente dependente do contexto. Os achados sugerem que uma implementação de "tamanho único" é suboptimal; em vez disso, as estratégias devem priorizar cidades com condições estruturais específicas (ex: densidade rodoviária moderada, tráfego não saturado) e focar em interseções de alto impacto em vez de cobertura total da rede.
3. Relevância Política: Oferecer evidências robustas e interpretáveis para apoiar a implementação faseada e diferenciada de tecnologias de transporte inteligente, alinhando-se aos objetivos nacionais para transições urbanas de baixo carbono e governança de cidades inteligentes.

Os autores concluem que, embora a implementação em larga escala exija investimentos significativos em infraestrutura e coordenação, os retornos socioeconômicos — impulsionados principalmente pela economia de tempo, mas apoiados pela redução de emissões e combustível — justificam a estratégia em uma ampla gama de contextos urbanos, particularmente naqueles com oferta de infraestrutura moderada e alto potencial de melhoria operacional.