Previsão de Tráfego Urbano no Distrito Federal: Aplicação de Redes Neurais de Previsão de Tráfego Utilizando Dados Espaço-Temporais
Previsão de tráfego, aprendizado profundo, Graph-CNN-LSTM, mobilidade urbana, análise espaço-temporal
Este estudo aborda a previsão de tráfego de curto prazo utilizando um modelo baseado em Graph-CNN-LSTM, que integra informações espaciais e temporais para melhorar a acurácia das previsões. Os dados foram coletados pelo Departamento de Estradas de Rodagem do Distrito Federal (DER-DF) e compreendem registros de volume de tráfego em intervalos de 15 minutos, entre março e agosto de 2024. Durante o pré-processamento, foram realizadas etapas como normalização, tratamento de outliers e construção de uma matriz de adjacência dinâmica, permitindo modelar as interdependências entre os trechos viários. O modelo preditivo foi avaliado utilizando métricas como Erro Médio Absoluto (MAE) e Raiz do Erro Quadrático Médio (RMSE), demonstrando que o desempenho da previsão diminui conforme o horizonte de previsão aumenta. A média dos valores de MAE para todos os trechos foi 13,70 (15 min), 14,30 (30 min), 19,39 (45 min) e 21,78 (60 min). Os resultados indicam que os períodos de maior fluxo apresentam maior variabilidade nos erros de previsão, enquanto horários de menor movimento possibilitam previsões mais precisas. A análise das correlações entre trechos revelou fortes interdependências espaciais no tráfego, destacando a importância da modelagem baseada em grafos. O estudo contribui para o aprimoramento da gestão de mobilidade urbana, fornecendo um modelo preditivo que pode auxiliar na tomada de decisões estratégicas para otimizar o fluxo viário e reduzir congestionamentos.