Estrutura de aprendizado por reforço multimodal e multiagente para previsão do fluxo de tráfego urbano e otimização do controle de sinais

Por que semáforos mais inteligentes importam

Quem já ficou preso a uma sequência de luzes vermelhas ou avançou lentamente por uma rua central congestionada sabe o quão ineficiente pode ser o trânsito urbano. Além da frustração, carros em marcha lenta consomem combustível e emitem gases de efeito estufa e poluentes. Este artigo apresenta uma nova maneira de gerenciar o tráfego urbano que trata os sinais como uma rede coordenada e aprendente, em vez de temporizadores fixos, com o objetivo de deslocar pessoas mais rapidamente enquanto reduz congestionamento e emissões.

Uma cidade que sente e entende seu tráfego

Os pesquisadores propõem um sistema chamado MM-STMAP que dá à cidade uma espécie de sistema nervoso digital. Em vez de confiar apenas em contagens simples de veículos, ele agrega muitos tipos de dados ao mesmo tempo: fluxo de tráfego, velocidades, condições meteorológicas como chuva ou neblina e dias especiais como feriados. Esses sinais diversos são limpos, combinados e transformados em uma descrição unificada do que está acontecendo nas vias. Ao reconhecer, por exemplo, que um horário de pico chuvoso em um feriado se comporta de forma diferente de um dia útil comum, o sistema pode antecipar melhor como o tráfego evoluirá nos próximos minutos.

Vendo padrões no espaço e no tempo

Problemas de tráfego raramente se limitam a um único cruzamento; eles se espalham por toda a malha viária. O MM-STMAP captura isso representando as ruas e interseções da cidade como uma teia de pontos conectados e então aprendendo como as condições se propagam por essa teia ao longo do tempo. Ele usa cálculos em camadas que primeiro analisam como ruas vizinhas influenciam umas às outras e depois como essas influências mudam de um passo temporal para o seguinte. Um mecanismo de "atenção" especialmente projetado permite que o modelo concentre sua capacidade de cálculo nos trechos de histórico mais relevantes — como o horário de pico de ontem na mesma hora — sem ficar sobrecarregado à medida que os volumes de dados crescem. Isso torna prático processar fluxos de sensores de longa duração em grandes redes urbanas.

Semáforos que aprendem em conjunto

Sobre esse motor preditivo, os autores constroem um sistema de controle baseado em aprendizado para os sinais de tráfego. Cada interseção é tratada como um agente inteligente que pode escolher quanto tempo manter o verde ou o vermelho em diferentes direções. Esses agentes não atuam isoladamente: eles compartilham informações sobre a situação de tráfego mais ampla e são treinados em conjunto para que suas decisões individuais favoreçam um fluxo suave em toda a rede. O processo de aprendizado recompensa padrões que aumentam o número de veículos que atravessam, reduzem o tempo médio de espera e diminuem o comportamento de parar-e-andar que desperdiça combustível, enquanto penaliza configurações que geram longas filas e atrasos.

Colocando o sistema à prova

Para avaliar se o MM-STMAP traz benefícios reais, a equipe testou o sistema em grandes conjuntos de dados do mundo real da região de Los Angeles. Esses dados incluem dezenas de milhares de amostras de sensores rodoviários e urbanos, junto com problemas realistas como leituras ausentes, medições ruidosas e padrões de tráfego irregulares. Em comparação com vários modelos de previsão de ponta e com esquemas tradicionais de controle de sinais — cronogramas fixos e semáforos reativos localmente — a nova abordagem produziu previsões de tráfego de curto prazo mais precisas e temporizações de sinal mais eficientes. Ela reduziu medidas comuns de erro de previsão em cerca de um terço em relação aos melhores sistemas fixos e atuados atuais e, em simulações, diminuiu atrasos médios e o número de paradas, ao mesmo tempo em que aumentou o fluxo de veículos por hora na rede.

O que isso significa para os motoristas no dia a dia

Em termos simples, o MM-STMAP descreve um futuro em que os semáforos cooperam e aprendem continuamente com a experiência, em vez de seguir cegamente ciclos codificados. Ao antecipar onde os congestionamentos estão prestes a se formar e ajustar a temporização dos sinais em várias interseções, o sistema pode encurtar tempos de viagem, suavizar o tráfego de parar-e-andar e reduzir a marcha lenta desnecessária. Embora a abordagem ainda enfrente desafios — como a necessidade de dados confiáveis e considerável poder computacional em escala municipal — ela aponta para uma mobilidade urbana mais inteligente e limpa, em que nossos deslocamentos diários não são apenas mais rápidos, mas também menos nocivos ao meio ambiente.

Citação: Wang, R., Zhang, J., Wang, X. et al. Multi-modal and multi-agent reinforcement learning framework for urban traffic flow prediction and signal control optimization. Sci Rep 16, 7612 (2026). https://doi.org/10.1038/s41598-026-37722-5

Palavras-chave: tráfego urbano, previsão de tráfego, aprendizado por reforço, sinais inteligentes, transporte inteligente