Nas estradas da Índia, onde carros, ônibus, veículos de três rodas e dois rodas frequentemente são forçados a dividir um espaço limitado, o tráfego pode mudar drasticamente em questão de segundos. Para especialistas em planejamento urbano e engenheiros de tráfego, entender essa dinâmica é um desafio complexo, pois muitos modelos tradicionais pressupõem que os veículos seguem rigorosamente as faixas e mantêm uma velocidade previsível, o que raramente corresponde à realidade nas estradas indianas.
Pesquisadores do Instituto de Tecnologia Indiano (IIT) Guwahati estão trabalhando para preencher essa lacuna. Eles desenvolveram modelos matemáticos que consideram melhor o comportamento imprevisível do transporte nas estradas da Índia, combinando material de vídeo de drones, rastreamento automático de veículos e aprendizado de máquina.
Rastreamento das posições de quase nove milhões de veículos
A equipe de pesquisadores, liderada pelo Professor Akhilesh Kumar Maurya do Departamento de Engenharia Civil, estudou o movimento de veículos em uma rodovia divisória de oito faixas na periferia de Delhi. Usando drones equipados com câmeras de alta resolução, eles gravaram cerca de cinco horas de tráfego diurno em resolução 4K. Esses vídeos foram então processados usando o software DataFromSky, que extrai os movimentos dos veículos da fotografia aérea.
O resultado foi um conjunto de dados contendo 36.818 veículos e 8.938.920 pontos de dados de posição de veículos, capturados a uma taxa de 10 quadros por segundo. Os pesquisadores dividiram os veículos em seis categorias: dois rodas, três rodas, carros, ônibus, veículos comerciais pesados e veículos comerciais leves. Isso permitiu obter um panorama detalhado de como diferentes tipos de transporte se moviam, quão próximos estavam uns dos outros e como sua velocidade mudava com o aumento da densidade do tráfego.
O Professor Maurya enfatizou a necessidade de usar dados específicos da Índia, explicando que "as condições rodoviárias na Índia diferem das condições em muitos países onde os modelos de tráfego existentes foram desenvolvidos. Precisamos de dados de tráfego que reflitam a diversidade e as características das estradas indianas".
A coleta de dados baseada em drones fornece a capacidade de observar um grande número de veículos e seus movimentos em um trecho da estrada com alta detalhe espacial e temporal.
Os pesquisadores descobriram que a distância entre os veículos mudava dependendo da densidade do tráfego. Em estradas relativamente livres, os veículos mantinham grandes intervalos, mas à medida que o tráfego aumentava, esses intervalos diminuíam. No entanto, sob sobrecarga severa, os padrões de posicionamento mudavam novamente.
Essa variabilidade é importante porque dois veículos movendo-se em condições aparentemente semelhantes não necessariamente se moverão na mesma velocidade. Para entender essas diferenças, a equipe testou seis modelos de tráfego matemáticos, incluindo abordagens estabelecidas, como Greenshields e Underwood. Além disso, eles treinaram dois modelos de aprendizado de máquina: Redes Neurais Artificiais (ANN) e Floresta Aleatória (RF).
O aspecto mais interessante foi a criação de diagramas fundamentais estocásticos. Simplificando, os modelos de tráfego tradicionais geralmente avaliam uma única velocidade para uma dada densidade de tráfego. Os modelos estocásticos vão além, considerando a faixa de velocidades com as quais os veículos podem realmente se mover nessas condições. Isso permite que os modelos representem de forma mais realista o acaso do tráfego indiano, em vez de suavizar as diferenças entre veículos individuais.
De melhorias nas previsões para um planejamento de estradas mais inteligente
Os pesquisadores descobriram que o modelo Underwood mostrou a maior estabilidade entre os modelos matemáticos testados, atingindo um valor R² de 0,86. Ambos os modelos de aprendizado de máquina mostraram aproximadamente 0,83.
Os resultados obtidos podem encontrar aplicação prática na avaliação da capacidade de rodovias, no projeto de cruzamentos, na determinação da velocidade de tráfego e na melhoria da modelagem de tráfego. Os dados também podem ajudar os pesquisadores a calibrar modelos de seguimento de veículos, que estudam como os motoristas ajustam sua distância e velocidade em relação aos veículos à frente.
O Professor Maurya observou: "O gerenciamento confiável do tráfego começa com modelos que refletem como o tráfego realmente se comporta nas estradas da Índia. Dados de trajetória altamente detalhados, obtidos por meio de drones, nos permitem registrar a interação entre diferentes tipos de veículos e a grande variabilidade que os modelos de tráfego tradicionais frequentemente ignoram".
Modelos como este, específicos da Índia, podem apoiar uma modelagem de tráfego mais realista, melhorar o projeto de estradas e cruzamentos, gerenciar congestionamentos, avaliar a capacidade e desenvolver sistemas inteligentes de gerenciamento de tráfego adaptados às condições da Índia.
Para qualquer pessoa que tenha passado tempo nas estradas da Índia, a complexidade da previsão de tráfego é facilmente compreensível: um carro desacelera, um veículo de dois rodas entra em um espaço estreito, um rickshaw muda de faixa, e o movimento de centenas de veículos pode mudar em segundos. Graças ao registro detalhado dessas interações, a equipe do IIT Guwahati espera tornar os modelos de tráfego mais alinhados com o que os passageiros vivenciam diariamente. Este estudo é um passo para entender não apenas quantos veículos usam a estrada, mas como eles se movem em relação uns aos outros, o que, em última análise, pode ajudar a tornar a viagem diária mais previsível.



