Controle semafórico adaptativo baseado em redes neurais convolucionais para predição de tempo de esvaziamento de filas veiculares em ambiente simulado

Abstract

O crescimento da frota veicular e a rigidez dos sistemas semafóricos de tempo fixo tem contribuído para o aumento de congestionamentos e a ineficiência do tráfego urbano. Semáforos convencionais são calibrados para condições médias, desperdiçando tempo de verde quando a fila é pequena e sendo insuficientes em horários de pico. Para mitigar esse problema, este trabalho propõe um sistema de controle semafórico adaptativo baseado em uma rede neural convolucional 2D (CNN), capaz de predizer o tempo necessário para o esvaziamento da fila de veÍculos em cada fase do semáforo, ajustando a duração do verde de forma dinˆamica conforme a composição real da fila. Todo o desenvolvimento e validação ocorrem em ambiente simulado no software SUMO (Simulation of Urban MObility), utilizando como cenário a reprodução da malha viária do cruzamento entre a Avenida Prefeito Severino Cabral e a Rua Deputado Ascendino Moura, em Campina Grande. Na simulação, detectores de área virtuais capturam, no momento da transição semafórica, os tipos de veículos presentes na fila (motocicleta, carro de passeio e ônibus) e suas posições relativas no detector. A partir dessa composição, a rede neural classifica o tempo de esvaziamento, utilizando uma função de perda com tolerância que aceita predições dentro de uma margem de erro de poucos segundos. A base de dados foi construída a partir de milhares de simulações com diferentes densidades de tráfego. A avaliação compara, no mesmo cenário simulado, o desempenho do sistema proposto com o do semáforo de tempo fixo. Os resultados indicam que a adaptação do tempo de verde a composição da fila melhora significativamente o aproveitamento do ciclo semafórico e reduz o desequilríbrio de atraso entre vias em cenários de alta demanda, embora apresente desempenho inferior ao controle de tempo fixo quanto ao atraso global em cenários de baixa e média demanda.