Conjuntos de dados de tráfego em alta resolução na escala da cidade com redes refinadas para controle hierárquico de tráfego

Por que o tráfego urbano precisa de melhores dados

Quem já ficou preso a uma sequência de sinais vermelhos ou arrastou-se por uma rua central congestionada sabe como o tráfego da cidade pode ser caótico. Ainda assim, a maioria dos sistemas que controlam esses semáforos e gerenciam fluxos baseia-se em dados incompletos e de baixa resolução. Este artigo apresenta uma nova família de conjuntos de dados de tráfego em escala de cidade projetada para oferecer a pesquisadores e planejadores uma visão muito mais clara de como os veículos realmente se movem pelas redes viárias reais, abrindo caminho para um controle da congestão mais inteligente e coordenado.

De algumas ruas a cidades inteiras

Os autores reúnem e padronizam dados detalhados de tráfego de cinco áreas urbanas muito diferentes: Jinan, Hangzhou, Manhattan, Nanchang e Xuancheng. Essas cidades cobrem desde corredores arteriais curtos com apenas uma dúzia de cruzamentos até vastas redes com milhares de junções. Conjuntos de dados abertos anteriores tipicamente focavam em pequenas malhas regulares e em instantâneos de uma hora. Em contraste, essa coleção captura uma grande variedade de disposições de vias, formatos de interseções e padrões de demanda. Uma das contribuições de destaque é o conjunto de dados de Xuancheng, que representa quase uma cidade inteira com centenas de interseções modeladas em detalhe fino, incluindo como faixas individuais são dispostas e como interseções complexas são estruturadas.

Vendo todos os carros, não apenas uma amostra

A maior parte dos dados de tráfego existentes vem de câmeras ou sensores esparsos, que apenas capturam partes da rede e por curtos períodos. Os dados de Xuancheng adotam uma abordagem diferente. A cidade possui um sistema de identificação automática de veículos (AVI) instalado em trechos rodoviários-chave, registrando quando cada veículo entra e sai. Ao casar identificadores anônimos de registros de entrada e saída, os autores reconstruíram trajetórias completas para centenas de milhares de viagens por dia ao longo de um mês inteiro. Isso lhes permite ver como os motoristas escolhem rotas na prática, como os fluxos mudam entre dias úteis e fins de semana e como os feriados remodelam a demanda. Os veículos também são classificados em categorias amplas, como passageiros e carga, para que as simulações reflitam como diferentes tipos de veículos afetam o tráfego.

Transformando registros bagunçados em um mapa comum

Como os dados brutos das cinco cidades estavam armazenados em formatos e níveis de detalhe diferentes, a equipe desenvolveu um fluxo de processamento unificado. Primeiro, eles reconstruíram cada rede viária como um mapa digital consistente, identificando interseções e conectando vias mesmo quando as fontes originais usam definições geométricas distintas. Estimam o tamanho e a posição das interseções envolvendo formas brutas em retângulos simples e alinham as aproximações com direções cardeais usando um método de otimização. Em seguida, padronizam os sinais de trânsito definindo um pequeno conjunto de padrões típicos de movimento — como conversões à esquerda ou movimentos em linha reta ao longo de cada corredor — e correspondendo automaticamente cada interseção real a esses padrões. Por fim, constroem os fluxos de veículos e limpam os dados: rotas implausíveis são removidas, segmentos ausentes são inferidos a partir da rede e viagens contínuas são montadas a partir de muitas leituras curtas dos sensores.

De carros isolados a redes inteiras

Com viagens e redes em posição, os autores geram dados de "estado" de tráfego em três níveis. No nível mais detalhado, eles rastreiam veículos individuais, incluindo posições e velocidades, o que pode ser usado para testar ideias como roteamento mais suave ou pelotões de veículos. No nível intermediário, resumem condições em cada faixa e interseção, como filas e densidades — informações cruciais para ajustar sinais de trânsito. No nível mais amplo, agregam condições em áreas inteiras da cidade, apoiando estratégias que regulam quantos veículos são permitidos entrar em uma região congestionada. Tudo isso é embalado em um formato de simulação comum (CityFlow), de modo que diferentes métodos de controle possam ser testados de forma justa e eficiente.

Verificando se a cidade digital corresponde à realidade

Para garantir que o mundo reconstruído se assemelhe ao real, os pesquisadores validam tanto os mapas quanto as viagens. Eles comparam a rede viária convertida com os dados geográficos originais e constataram que a maioria das conexões e posições é preservada dentro de poucos metros. Para as viagens, simulam veículos ao longo de uma via selecionada e comparam os tempos de percurso com medições reais; as médias ficam muito próximas, com pequenas diferenças explicadas por fatores como motoristas que eventualmente excedem limites de velocidade no mundo real. Eles também mostram que os dados de estado derivados podem suportar estratégias avançadas: usando informação ao nível da faixa para aplicar um controle de sinal baseado em pressão, depois adicionando um controle "perimetral" em escala de cidade para evitar que uma área central sobrecarregue-se, e finalmente demonstrando que redirecionar um único veículo com base nessa informação pode reduzir seu tempo de viagem em tráfego pesado.

O que isso significa para motoristas no dia a dia

Para não-especialistas, a importância deste trabalho está menos nos algoritmos e mais na base que ele fornece. Ao liberar conjuntos de dados detalhados, bem validados e documentados abertamente, os autores oferecem a engenheiros de tráfego e pesquisadores em IA um campo de testes realista para projetar e testar novos esquemas de controle antes de aplicá-los nas ruas. Com representações precisas de como as vias são configuradas, como os sinais operam e como a demanda sobe e desce ao longo de dias e semanas, ferramentas futuras podem ser afinadas para reduzir atrasos, economizar combustível e tornar as viagens urbanas mais previsíveis. Em resumo, esses conjuntos de dados são um passo essencial rumo a sistemas de tráfego que respondem à complexidade do mundo real em vez de modelos idealizados.

Citação: Ma, Q., Guo, X., Zhong, W. et al. City-scale high-resolution traffic datasets with refined networks for hierarchical traffic control. Sci Data 13, 547 (2026). https://doi.org/10.1038/s41597-026-06892-2

Palavras-chave: dados de tráfego urbano, controle hierárquico de tráfego, simulação de tráfego, identificação automática de veículos, mobilidade em escala urbana