Estudo sobre a escolha do modo de viagem de moradores urbanos com base no método CART-Apriori

Por que seu deslocamento diário importa

Cada viagem que você faz pela cidade — seja a pé, de bicicleta, de ônibus ou de carro — molda silenciosamente os congestionamentos, a poluição e até o crescimento urbano. Este estudo examina com detalhe como as pessoas em uma cidade chinesa de porte médio escolhem seu modo de deslocamento e testa um novo método orientado por dados para prever essas escolhas. As conclusões ajudam a explicar por que algumas pessoas caminham um quilômetro enquanto outras chamam um carro por aplicativo para a mesma distância, e como um planejamento mais inteligente poderia reduzir congestionamento e emissões de carbono.

Como as pessoas se deslocam em uma cidade de porte médio

A cidade analisada nesta pesquisa tem cerca de 580.000 residentes urbanos, não dispõe de metrô ou linha férrea e apresenta tráfego relativamente fluido. A maioria das viagens é curta, e as opções comuns incluem caminhar, bicicletas compartilhadas e patinetes elétricos, ônibus, táxis ou serviços por aplicativo, e carros particulares. Como as tarifas de ônibus são baixas e, em sua maior parte, fixas, as pessoas não se preocupam com pequenas diferenças de preço em uma única viagem. Em vez disso, prestam mais atenção a decisões de longo prazo, como comprar um carro, e a detalhes práticos, como a distância a percorrer e quantas vezes terão de fazer baldeações entre ônibus. Uma grande pesquisa com 1.500 moradores coletou informações sobre quem são as pessoas, por que viajam, quão longe vão e qual modo escolhem.

Combinando modelos tradicionais com novos algoritmos

Por décadas, pesquisadores de transporte utilizaram modelos matemáticos tradicionais para prever escolhas de viagem, mas estes frequentemente têm dificuldades com comportamentos reais e complexos. Ferramentas mais recentes de aprendizado de máquina podem prever melhor, mas costumam ser criticadas como “caixas-pretas” de interpretação difícil. Este estudo combina várias abordagens em uma única estrutura. Primeiro, um algoritmo chamado Apriori varre os dados da pesquisa em busca dos padrões “se—então” mais fortes, por exemplo: “se uma pessoa viaja 3–5 km, possui carro e precisa fazer uma ou duas baldeações, então é muito provável que escolha um serviço por aplicativo.” Esses padrões são então alimentados em um modelo de árvore de decisão conhecido como CART, que divide repetidamente os viajantes em ramos com base em fatores como distância ou posse de carro para prever qual modo cada pessoa usará.

Tornando a caixa-preta compreensível

Para ir além da mera previsão e realmente explicar o comportamento, os pesquisadores adicionam um modelo chamado RuleFit. O RuleFit pega os ramos da árvore de decisão — as regras que indicam quem acaba escolhendo qual modo — e os converte em declarações simples, legíveis por humanos, com pesos numéricos. Esses pesos mostram o quanto cada regra inclina uma pessoa a caminhar, pedalar, pegar ônibus, dirigir ou chamar um carro por aplicativo. Ao fazer isso, o estudo consegue tanto prever o que as pessoas farão quanto descrever claramente os padrões principais, em vez de apenas apresentar uma previsão sem explicação.

Os poucos fatores que mais importam

Apesar de começar com muitas influências possíveis, a etapa de mineração de dados revela que apenas quatro fatores dominam as decisões de viagem: a distância percorrida, o motivo da viagem, se a pessoa possui carro e quantas baldeações seriam necessárias no transporte público. A distância surge como o fator principal. Os moradores geralmente caminham quando a viagem é inferior a um quilômetro, independentemente de possuírem carro. Bicicletas compartilhadas são especialmente populares para deslocamentos de 1–3 km ao trabalho, mesmo entre proprietários de carro. Para viagens médias de 3–5 km, patinetes elétricos compartilhados e carros particulares atraem quem deseja um trajeto direto e quer evitar várias baldeações. Ônibus funcionam melhor para viagens de 3–5 km que não exigem trocas de linha. Serviços por aplicativo são preferidos para deslocamentos de 1–3 km quando a alternativa de ônibus envolveria várias baldeações. No geral, o modelo combinado CART–Apriori prevê corretamente o modo escolhido pelos usuários cerca de 83% das vezes, superando vários outros métodos amplamente utilizados.

O que isso significa para ruas mais verdes

Ao identificar o pequeno conjunto de fatores que realmente impulsionam as escolhas cotidianas, este estudo oferece orientações claras para planejadores urbanos. Melhorar calçadas e ciclovias num raio de até 3 km das residências pode deslocar muitas viagens curtas para caminhada e bicicleta. Redesenhar linhas de ônibus para reduzir baldeações, especialmente em trajetos de 3–5 km, pode tornar o transporte público mais atraente que o carro. Políticas como cobrança por estacionamento ou tarifas de congestionamento para viagens curtas de carro, combinadas com bicicletas e patinetes compartilhados convenientes, poderiam incentivar ainda mais opções de baixo carbono. Para o público leigo, a conclusão é simples: quando as cidades tornam as viagens curtas fáceis de fazer a pé ou de bicicleta, e as mais longas simples de completar de ônibus sem múltiplas baldeações, as pessoas naturalmente escolhem modos mais limpos e eficientes de se deslocar.

Citação: Song, H., Wang, X., Tian, W. et al. Study on urban residents’ travel mode choice based on the CART-Apriori method. Sci Rep 16, 6270 (2026). https://doi.org/10.1038/s41598-026-37216-4

Palavras-chave: comportamento de viagem urbano, escolha de modo, aprendizado de máquina, transporte sustentável, transporte público