Sistema ideal de gerenciamento de tráfego rodoviário baseado em redes neurais profundas para ambiente de cidade inteligente com Internet das Coisas

Por que um tráfego mais inteligente importa para a vida urbana

Engarrafamentos no horário de pico são mais do que um incômodo: desperdiçam combustível, poluem o ar, retardam veículos de emergência e consomem o tempo das pessoas com suas famílias. À medida que as cidades crescem e mais carros ocupam as vias, semáforos fixos e centros de controle manuais têm dificuldade para acompanhar. Este estudo explora como redes de sensores e um tipo avançado de inteligência artificial podem atuar em conjunto em tempo real para detectar congestionamentos, prever problemas e ajustar sinais antes que o tráfego pare.

Das ruas conectadas a um “cérebro” para o tráfego

O artigo analisa cidades em que vias, semáforos e veículos estão interligados por meio da “Internet das Coisas”, o que significa que enviam atualizações digitais constantes sobre o que acontece nas ruas. Sensores e câmeras monitoram quantos veículos passam por um cruzamento, a velocidade, o tipo de veículo e até o clima, acidentes e o estado atual dos sinais. Em vez de operadores humanos vasculharem todas essas informações, os autores propõem um sistema automatizado de apoio à decisão que pode compreender esses padrões e sugerir como gerenciar sinais e rotas de forma mais inteligente.

Limpeza e escolha das pistas certas

Dados de tráfego do mundo real são bagunçados: sensores falham, valores ficam faltando e diferentes medições podem estar em escalas muito distintas. O sistema, portanto, começa por uma fase cuidadosa de limpeza, preenchendo leituras ausentes raras e reescalando todas as medições para que possam ser comparadas de forma justa. Em seguida vem um passo crucial: decidir quais informações realmente ajudam a distinguir diferentes situações de tráfego. O modelo combina três famílias de técnicas de seleção, cada uma olhando os dados de forma ligeiramente diferente. Juntas, elas filtram detalhes inúteis ou redundantes e mantêm apenas as características que realmente sinalizam se o congestionamento é crítico, intenso, moderado ou leve, o que também acelera o processamento subsequente.

Como o modelo aprende padrões de tráfego ao longo do tempo

Tráfego não é apenas sobre o que acontece em um único instante; ele muda ao longo de minutos e horas conforme os sinais se alternam e o comportamento dos motoristas varia. Para capturar esses padrões em evolução, os autores usam uma rede neural profunda projetada para dados temporais. Essa rede desliza sobre sequências de leituras de tráfego, usando camadas convolucionais empilhadas para detectar tanto surtos curtos quanto acumulações de congestionamento em prazo mais longo. Um mecanismo de atenção então foca seletivamente nos momentos mais reveladores de cada sequência, permitindo que o sistema dê mais peso a picos ou quedas recentes ao decidir quão congestionada uma via realmente está. O resultado é uma atribuição clara de cada situação a um dos quatro níveis de congestionamento, vinculada no estudo a ações específicas, como estender o tempo do verde ou ativar rotas alternativas.

Testando o sistema

Os pesquisadores treinaram e avaliaram sua abordagem em um conjunto de dados de tráfego aberto que representa uma rede urbana inteligente. Cada registro inclui contagens de veículos, velocidades, condições meteorológicas, carimbos de tempo, localizações e estratégias de sinalização. Para evitar viés decorrente do fato de que congestionamentos severos são muito mais comuns que tráfego leve nos dados, eles utilizaram técnicas de balanceamento e validação cuidadosa. Em várias divisões treino–teste, seu sistema classificou corretamente os estados de tráfego em quase 99% das vezes, superando uma série de outros métodos modernos. Fez isso sendo também relativamente leve em exigências de computação e memória, uma vantagem prática para operações municipais em tempo real.

O que isso significa para os deslocamentos diários

Na prática, o estudo mostra que um sistema de IA bem projetado pode funcionar como um assessor ágil e orientado por dados para centros de controle de tráfego urbanos, transformando fluxos brutos de sensores em ações de controle concretas e oportunas. Embora o trabalho atual dependa de um único conjunto de dados e ainda não considere completamente interrupções como obras viárias ou grandes eventos, ele aponta para um futuro em que semáforos e sugestões de roteamento se adaptam continuamente às condições em mudança. Para o deslocante médio, isso pode se traduzir em viagens mais curtas, fluxo mais suave e ruas mais seguras, à medida que as cidades se tornam melhores em ouvir — e agir sobre — o pulso digital de suas vias.

Citação: Almejalli, K.A. Optimal deep neural network based road traffic management system for Internet of Things based smart city environment. Sci Rep 16, 12136 (2026). https://doi.org/10.1038/s41598-026-42542-8

Palavras-chave: gerenciamento inteligente de tráfego, Internet das Coisas, aprendizado profundo, cidades inteligentes, previsão de congestionamento