1

BRUNO SARNO MUGNELA

GENPOLIS:
PROTOTIPAGEM E APLICAO DE UM SIMULADOR DE TRNSITO
VOLTADO PARA OTIMIZAO DE SINALIZAO SEMAFRICA
POR MEIO DE ALGORITMOS GENTICOS






Dissertao apresentada Escola Politcnica
da Universidade de So Paulo para obteno
do ttulo de Mestre em Cincias


















So Paulo
2012

2



BRUNO SARNO MUGNELA














GENPOLIS:
PROTOTIPAGEM E APLICAO DE UM SIMULADOR DE TRNSITO
VOLTADO PARA OTIMIZAO DE SINALIZAO SEMAFRICA
POR MEIO DE ALGORITMOS GENTICOS






Dissertao apresentada Escola Politcnica
da Universidade de So Paulo para obteno
do ttulo de Mestre em Cincias

rea de Concentrao:
Sistemas Eletrnicos

Orientador:
Prof. Dr. Marcio Lobo Netto








So Paulo
2012

3



































FICHA CATALOGRFICA


Mugnela, Bruno Sarno
Genpolis: prototipagem e aplicao de um simulador de
transito voltado para otimizao de sinalizao semafrica por
meio de algoritmos genticos / B.S. Mugnela. -- So Paulo,
2012.
115 p.

Dissertao (Mestrado) - Escola Politcnica da Universidade
de So Paulo. Departamento de Engenharia de Sistemas Eletr-
nicos.

1. Transporte urbano (Simulao) 2. Sinalizao de trfego
3. Otimizao combinatria 4. Algoritmos genticos I. Univer-
sidade de So Paulo. Escola Politcnica. Departamento de
Engenharia de Sistemas Eletrnicos II. t.

Este exemplar foi revisado e alterado em relao verso original, sob
responsabilidade nica do autor e com a anuncia de seu orientador.

So Paulo, 04 de Setembro de 2012

Assinatura do autor

Assinatura do orientador

4



BRUNO SARNO MUGNELA

GENPOLIS: PROTOTIPAGEM E APLICAO DE UM SIMULADOR DE TRNSITO
VOLTADO PARA OTIMIZAO DE SINALIZAO SEMAFRICA
POR MEIO DE ALGORITMOS GENTICOS

Tese apresentada Escola Politcnica da
Universidade de So Paulo para obteno
do ttulo de Mestre em Cincias.


Aprovado em: 13 / 07 / 2012

Banca Examinadora:

Prof. Dr. Marcio Lobo Netto
PSI / Escola Politcnica da USP

Prof. Dr. Fuad Kassab Junior
PTC / Escola Politcnica da USP

Dr. Marcelo Camilli Landmann
LOGIT Engenharia Consultiva
5



DEDICATRIA























Dedico este trabalho toda minha famlia e
minha namorada pois, mais do que qualquer
coisa, o apoio dos entes amados que possibilita,
em pases como rasil, o sucesso de um pro!rama
de mestrado strictu sensu


6



AGRADECIMENTOS

minha me, Cludia Sarno Mugnela, e minha namorada, Elisa Franco Feitosa,
que foram as primeiras a me apoiar a continuar estudando, evoluindo e a no me
satisfazer apenas com os cinco anos da graduao. Elas sempre me incentivaram a
querer mais, me lembrando de que posso cada vez mais.
Ao meu irmo Marcelo, meu pai Celso, avs Marilena, Marcos, Albano e Dora e aos
tios Marco Cesar e Srgio, por sempre me darem muito amor e proporcionarem uma
maravilhosa estrutura emocional e financeira, e pela compreenso e pacincia por
eu assumir o risco de no tomar a deciso bvia que seria ir ao mercado logo aps
me graduar engenheiro eletrnico.
Ao meu Professor e, antes de tudo, veterano de Poli, Dr. Marcio Lobo Netto, por
saber me passar sua experincia como ex-aluno e pesquisador da unidade, me dar
oportunidades, direcionar meu trabalho para que eu evitasse cair em armadilhas e
sasse dos eixos, sanar minhas dvidas de conduo do projeto, me tranquilizar, me
apoiar e, sobretudo, me cobrar.
Finalmente deixo agradecimentos especiais aos especialistas e engenheiros da
CET-SP, Luis, Flvio, Srgio e Alexandre, pelas orientaes dadas na concepo do
modelo de simulao e pelo apoio dado durante a realizao do estudo de caso.









7







































"The most e#tensi$e computation %no&n has been conducted o$er the last billion 'ears on
a planet(&ide scale) it is the e$olution of life* The po&er of this computation is illustrated
b' the comple#it' and beaut' of its cro&nin! achie$ement, the human brain*+
David Rogers, no artigo Weather Prediction Using a Genetic Memory (1990)

8



RESUMO

Nas grandes cidades ao redor do mundo os congestionamentos so problemas bem
conhecidos e compartilhados por todos os setores da sociedade. No
surpreendente, ento, que grande parte dos investimentos pblicos caminhem na
direo de reduzir paulatinamente o esforo rotineiro que a populao itinerante faz
para chegar ao trabalho ou retornar ao lar, melhorando sua qualidade de vida.
partilhando desse intuito que se encontrou a motivao inicial para o
desenvolvimento deste trabalho. Em outro plo encontra-se a vertente dos
procedimentos evolutivos que ao longo da histria da vida na Terra foram
responsveis pela emergncia espontnea de uma enorme gama de solues para
os mais variados ecossistemas. A traduo disso para ambientes computacionais
criou a classe dos algoritmos evolucionrios, dentre os quais os Algoritmos
Genticos (AGs), que se destacaram por serem boas heursticas de busca por
conjuntos de parmetros que resultem em timos globais para problemas de
engenharia. A aplicao de AGs para otimizaes em engenharia de trfego possui
boa base bibliogrfica, mas so raras as aplicaes reais em meios onde h
escassez de dados e de Sistemas Inteligentes de Transporte (do ingls, Intelligent
Transportation Systems ITS). Neste trabalho ento foi desenvolvido um novo
modelo de simulao mesoscpica sobre o qual um AG aplicado para encontrar
planos semafricos que reduzam atrasos e paradas em sub-redes congestionadas.
A ferramenta simplificada para execuo rpida, usando parmetros normalmente
colhidos pela Companhia de Engenharia de Trfego de So Paulo (CET-SP) em
estudos de reviso de temporizao semafrica. Ao fim do trabalho, o estudo de
caso em uma sub-rede paulistana resultou em redues da ordem de 30% no nvel
de atraso e paradas em relao aos valores obtidos com a simulao dos planos
anteriores. Vale ressaltar que o espao de busca foi reduzido ao sub espao de
planos aceitos pela experincia dos especialistas da CET-SP, e mesmo dentro deste
escopo, o algoritmo foi bem sucedido ao descartar solues ruins e fazer emergirem
solues timas coerentes.
Palavras-chave: Simulao de Trnsito. Algoritmos Genticos. Sinalizao
Semafrica. Reduo de Atrasos. Alinhamento Prtica (CET-SP).

9



ABSTRACT

In large cities throughout the world, high traffic congestion is a well known problem
endured by all parts of society. Not surprisingly, a great deal of public investments is
made in the direction of reducing the citizens daily efforts for going from home to
work and backwards. It is by sharing this intent that the motivation for this thesis was
found. Meanwhile, in another section of human knowledge there are concepts
revolving the evolutionary procedures that were responsible for the spontaneous
emergence of an immeasurable quantity of solutions for adaptation to an almost as
greater quantity of ecossystems. When science brought these concepts to
computational environments the class of evolutionary algorithms was born, a class
embodied by the Genetics Algorithms (in this text referred as AGs, for Algoritmos
Genticos, in portuguese) which are heuristics that stand out as good alternatives for
searching parameter settings that result in global optima for engineering problems.
There is a good knowledge base regarding the use of AGs for traffic engineering
optimizations, but rare are the real implementations in which specialists have to deal
with lack of data and the absence of Intelligent Transportation Systems (ITS).
Therefore, in this thesis a new mesoscopic simulation model was developed over
which an AG is applied for finding signal timing plans that reduce stops and delays in
congested subnetworks. The prototyped tool is simplified for quicker execution, using
data that is normally collected by the Traffic Engineering Company of So Paulo
(CET-SP) in signal timing revision activities. After the development, one of the
numerous citys subnetworks was adopted as the case study, for which the prototype
found plans that reduced the stops and delays in approximately 30% when compared
to the values measured with the simulation of the old plans. It is worth notice that the
search space was reduced to the subspace that only contains solutions accepted by
the experience of CET-SPs traffic signal specialists, and within this subgroup, the
algorithm succeded in discarding the bad solutions and providing means for the
emergence of coherent global optima.

Keywords: Traffic simulation, Genetic Algorithms. Signal Coordination. Total Delay
Reduction. Practical Approach (CET-SP).

10




LISTA DE ABREVIATURAS E SIGLAS

AG Algoritmo gentico
CET-SP Companhia de Engenharia de Trfego de So Paulo
ITS Intelligent Transportation Systems
EPUSP Escola Politcnica da Universidade de So Paulo


GLOSSRIO
Linha de reteno: listra branca pintada antes da faixa de pedestres, ou
simplesmente o lugar onde os veculos param quando o farol est vermelho,
para o cruzamento de pedestres ou para dar a preferncia a outros veculos
Interseco/N: cruzamento
Segmento: pedao de rua que compreende uma face de um quarteiro, ou em
outras palavras, a seo de rua que vai de um cruzamento qualquer at o
mais prximo (em caso de mo dupla, h um segmento para cada mo)
Segmento Montante: como aquilo que se encontra acima no que concerne o fluxo
de um rio, por exemplo, o segmento localizado antes do ponto de observao
ou referncia. Usa-se o termo aqui para referenciar qualquer segmento que
passa veculos para um segmento observado atravs de um cruzamento
Segmento Jusante: como aquilo que se encontra abaixo no que concerne o fluxo
de um rio, por exemplo, o segmento localizado aps o ponto de observao
ou referncia. Usa-se o termo aqui para referenciar qualquer segmento que
recebe veculos de um segmento observado, ou o semforo por onde estes
passam
Segmento Concorrente: segmento montante a uma interseco que apresenta
movimento conflitante com algum movimento do segmento observado
Escoamento: sada de quantidades de veculos pela linha de reteno de um
segmento
Peloto: agrupamento de veculos que estejam muito prximos
Demanda: Contingente de veculos que passa por uma rede de trfego
Oferta: Conjunto formado pela infraestrutura de transporte disponvel em uma rede
urbana
Plano Semafrico: Perfil de temporizao que determina o ciclo de chaveamento de
um semforo entre sinal vermelho e sinal verde
Passo de simulao: ciclo em que todos os clculos referentes a um nico momento
de simulao so feitos
Cromossomo: Cdigo que parametriza uma soluo candidata em um AG
Fitness: Funo objetivo/indice de mrito que avalia solues candidata em um AG
Otimizao: Procedimento que busca boas conformaes paramtricas ou
topolgicas para problemas de engenharia para executar melhorias atravs de
minimizaes ou maximizaes

11



SUMRIO

1. INTRODUO ...................................................................................................... 15
1.1 Motivao ..................................................................................................... 17
1.2 Estrutura da Dissertao .............................................................................. 19
2 SIMULADORES DE TRNSITO ........................................................................ 21
2.1 Conceitos Gerais .......................................................................................... 21
2.2 Tipos de Simuladores ................................................................................... 23
2.2.1 Simuladores Macroscpicos .................................................................. 26
2.2.2 Simuladores Microscpicos ................................................................... 27
2.2.3 Simuladores Mesoscpicos ................................................................... 29
2.3 Coletas Manuais de Dados para Simulaes ............................................... 31
3 MTODOS DE OTIMIZAO ............................................................................ 34
3.1 Tipos de Heursticas..................................................................................... 34
3.1.1 Algoritmos Estocsticos ......................................................................... 34
3.1.2 Algoritmos Fsicos ................................................................................. 34
3.1.3 Algoritmos de Enxame (Swarm Algorithms) .......................................... 35
3.2 Algoritmos Evolucionrios ............................................................................ 36
3.2.1 Procedimentos Evolutivos ..................................................................... 36
3.2.2 Introduo ao Algoritmo Gentico ......................................................... 37
4 AGs APLICADOS ENGENHARIA DE TRFEGO .......................................... 43
5 O SIMULADOR GENPOLIS ............................................................................... 48
5.1 Porque Fazer um Simulador Dedicado ........................................................ 48
5.2 Resumo Descritivo do Modelo ..................................................................... 49
5.3 Arquitetura da Ferramenta ........................................................................... 50
5.3.1 City Engine e OpenStreetMaps ............................................................. 51
5.3.2 Construtor .............................................................................................. 53
5.3.3 Simulador .............................................................................................. 54
5.3.4 Algoritmo Gentico ................................................................................ 55
5.3.5 Fluxograma da Ferramenta ................................................................... 55

12



5.4 Detalhes do Funcionamento (Modelo de Simulao) ................................... 56
5.4.1 Movimentao dos Veculos Pelo Segmento ........................................ 56
5.4.2 Servidor de Filas .................................................................................... 57
5.4.3 Clculo Explcito de Filas e de Bloqueio de Segmento .......................... 59
5.4.4 Manipulao de Demanda ..................................................................... 66
5.4.5 Programao Semafrica ...................................................................... 69
5.4.6 Algoritmo Gentico ................................................................................ 73
5.4.7 Testes Iniciais de Funcionamento ......................................................... 77
5.4.8 Teste de Simulao Microscpica ......................................................... 78
6 ESTUDO DE CASO ........................................................................................... 81
6.1 Rede Escolhida ............................................................................................ 81
6.2 Coleta de Dados .......................................................................................... 83
6.3 Calibragem ................................................................................................... 87
6.4 Otimizaes ................................................................................................. 88
6.5 Resultados ................................................................................................... 91
7 CONCLUSES .................................................................................................. 93
7.1 Futuros Desenvolvimentos ........................................................................... 94
REFERNCIAS ......................................................................................................... 96
REFERNCIAS COMPLEMENTARES ................................................................... 102
Apndice A: Controle de velocidade de um modelo mesoscpico .......................... 104
Apndice B: Dados coletados e parmetros do estudo de caso ............................. 106
Apndice C: .................................................................................................... 112
13



LISTA DE FIGURAS

Figura 1: Grfico de nvel de congestionamento medido por porcentagem de vias
monitoradas com lentido, retirado em 03/2011, do portal da CET-SP
(http://cetsp1.cetsp.com.br/monitransmapa/agora/graficolimite.asp) 22
Figura 2: Panorama mundial da simulao de trfego .................................................... 25
Figura 3: Curva de evoluo em funo do tempo quando h escolha de parceiros
para reproduo (azul) e quando no h essa escolha (verde) .................................... 37
Figura 4: Processo de recombinao (crossover) com mutao em um AG ............. 40
Figura 5: Fases de um Algoritmo Gentico. Busca e Descobrimento / Explorao
(esquerda), Clusterizao (centro), Minerao ou Garimpo / Ajuste (direita) ............. 41
Figura 6: Curva de adaptao em sistemas com um agente face curva de
adaptao em sistemas multiagente .................................................................................. 42
Figura 7: Conceito inicial de rede viria para o simulador. ............................................. 51
Figura 8: Captura de tela do recurso de exportao de redes virias do site
www.openstreetmap.org ....................................................................................................... 52
Figura 9: Captura de tela do software City Engine para planejamento urbano, num
momento em que uma rede extrada pelo openstreetmap editada para ser
simulada. A rede em questo a regio da Avenida Paulista, em So Paulo ........... 53
Figura 10: Captura de tela apresentando a rede apresentada na Figura9, aps
edio no sotware City Engine e compilada no construtor do GenPolis ...................... 54
Figura 11: Captura de tela de simulao de teste. Valendo ressaltar que esta rede se
assemelha somente geometricamente regio da Av.Paulista pois aqui os
parmetros utilizados para as vias foram todos padronizados, sendo que existem
semforos em todos os cruzamentos para se estressar o modelo ............................... 55
Figura 12: Fluxograma do GenPolis ................................................................................... 56
Figura 13: Em um segmento/link, veculos em movimento (verdes), ........................... 57
Figura 14: Mtodos de roteamento por i:porcentagens de converso no segmento
montante (esquerda) e ii:fluxo total dos segmentos jusante (direita) ........................ 58
Figura 15: Exemplo de clculo do fim da fila realizado em um passo de simulao . 60
Figura 16: Exemplo de propagao de espaos com bloqueio e liberao de
segmento ................................................................................................................................. 62
Figura 17: Detalhe legendado do ambiente de simulao .............................................. 65
Figura 18: Perfis contnuo (vermelho) e discreto (azul) de insero de demanda. .... 66
Figura 19: Perfil de Fluxo em ambos sentidos de uma linha de reteno e suas
respectivas cartas de tempos. Acima a linha azul se refere carta de tempos A
abaixo e a linha laranja se refere carta de tempos B abaixo. As linhas contnuas se
referem ao comportamento real enquanto as linhas pontilhadas se referem ao
modelo com as devidas simplificaes. ............................................................................. 71

14



Figura 20: Exemplo de cromossomo usado pelo GenPolis na codificao de um
plano de temporizao semafrica para o estudo de caso ............................................ 74
Figura 21: Exemplos de corte duplo circular para cruzamento de cromossomos, com
uma mutao no terceiro caso (bit em vermelho) ............................................................ 75
Figura 22: Perfis de insero de veculos em veculos equivalentes por segundo
(acima e perfis de comprimento somado de filas em metros para cada perfil de
demanda (abaixo/em vermelho) .......................................................................................... 77
Figura 23: Captura de tela da simulao com modelo microscpico testado ............. 80
Figura 24: Imagem de Satlite da Regio Simulada ....................................................... 82
Figura 25: Mapa Correspondente da Regio Simulada .................................................. 82
Figura 26: Curvas de evoluao do melhor fitness de cada gerao em funo do
nmero de geraes. Foram realizadas seis otimizaes (cores distintas) para cada
nvel de demanda (de 100 a 130% do esperado), cada qual com uma semente de
pseudo-aleatoriedade distinta. ............................................................................................. 89
Figura 27: Curvas de evoluao do melhor fitness de cada gerao em funo do
nmero de geraes (esquerda); Tabela com os fitness do plano escolhido e do
plano aplicado (centro); Planos anterior e escolhido para implantao (direita) ......... 91


LISTA DE TABELAS

Tabela 1: Plano antigo da manh (esq.) e plano atual otimizado (dir.) ..................... 90
Tabela 2: Desempenhos de planos otimizados e do anterior para pico da manh ... 90


15



1. INTRODUO
Este trabalho tem por objeto o estudo de mecanismos de controle de trfego
urbano e a proposio de uma alternativa heurstica para melhorar de modo
generalista a temporizao de sub-redes de semforos que, de forma coordenada,
melhorem o fluxo de trfego nas respectivas sub malhas virias de grandes centros
urbanos. O objetivo criar mecanismos de apoio que levem diminuio dos
atrasos de percurso causados principalmente por congestionamentos, reduzindo
assim prejuzos tanto materiais quanto psicolgicos e a emisso de poluentes. O
trabalho se apoia num simulador de trfego, desenvolvido com o propsito de
permitir uma anlise da interao dos planos de sinalizao e seu impacto no
desempenho do trfego. Vale citar j aqui que esta proposta deve ser vista como
complementar a outras aes que tratem da realizao de um planejamento urbano
cada vez mais eficiente.
O interesse em uma ao operacional como a coordenao da operao de
semforos em rede decorre da dimenso e complexidade que o problema assume
em grandes reas urbanas e do fato de ser bastante estudado. No que concerne
temporizao de uma rede sincronizada de semforos, existem trs parmetros
principais a serem configurados: tempo de ciclo, tempos de verdes, e as defasagens
que determinam o instante de incio de funcionamento entre os ciclos de cada
semforo (em relao a um semforo de referncia).
Para planos de temporizao fixa, quando se leva em conta apenas o
comportamento de uma nica interseco, a determinao dos dois primeiros
parmetros envolve um processo relativamente simples. Entretanto, mesmo esse
procedimento faz uso de dados cuja atribuio de valores baseada largamente na
experincia dos rgos operadores de trfego com o comportamento temporal do
trnsito, adquirida ao longo de anos realizando ciclos de aplicao e observao
(VILANOVA, 2005a).
Quando a questo envolve o funcionamento de vrios semforos em uma
rede sincronizada essa tarefa fica mais difcil, pois a interao essencial e uma
importante parte do trabalho reside em se determinar o correto conjunto de
defasagens entre os diferentes semforos. Pelo fato de controlarem o fluxo de
diversos movimentos concorrentes, realizar um ajuste baseado apenas nos tempos
16



de percurso de cada via de forma isolada no suficiente, pois cada um de seus
trechos se comportar distintamente devido influncia de outras vias com as quais
tiver conexo, tanto daquelas que a alimentam, quanto das outras para as quais vo
veculos que por ela passaram. Naturalmente vale lembrar a validade da
reciprocidade, ou seja, trata-se de um problema que s pode ser resolvido do ponto
de vista sistmico (e no individualizado). Alm disso, no caso de malhas virias a
interao entre seus elementos no permite uma descrio matemtica formal
favorecedora do uso de mtodos analticos e ao mesmo tempo envolve exploses
combinatrias que criam um espao de buscas vasto que no permite uma busca
exaustiva pela soluo tima global (LEBDEH, 1997).
Em funo da caracterstica mencionada, os mtodos clssicos de
coordenao semafrica em rede (como o do TRANSYT-7F, em Hale (2008)) no
utilizam algoritmos de otimizao convencionais e no representam a interao de
forma analtica, usando ao invs disto simulao de trfego. Nessas ferramentas,
mtodos de busca de timos locais foram inicialmente aplicados de forma a ajustar a
sinalizao a partir de configuraes baseadas nas observaes, no conhecimento e
na insubstituvel experincia dos engenheiros de trfego. Um exemplo importante
desses mtodos complementares o hill-climbing (HC) (BROWNLEE, 2011;
CANTARELLA et al., 2004) que possui em sua formulao o compromisso de
encontrar o timo local pertencente regio do plano de busca que compreende a
soluo inicial dada como entrada. Mais recentemente, meta-heursticas de procura
global foram propostas e vm sendo usadas com sucesso para otimizao de
sinalizao e uso das vias (reviso tratada mais frente) e outros problemas de
engenharia (no observados neste trabalho) que envolvam exploses combinatrias,
Para uma descrio formal de muitos deles, recomenda-se Brownlee (2011).
Portanto, para atacar tal problema, foi proposta uma nova ferramenta de
estudo de trnsito denominada GenPolis. Tal proposta incorpora tarefas de
otimizao de sinalizao semafrica atravs da heurstica evolutiva de algoritmos
genticos (MITCHELL, 1995), referenciados pela sigla AGs. Esse mtodo
acoplado a um simulador de trfego simplificado e rpido que usa, para estabelecer
o comportamento do trnsito, apenas os parmetros que so contemplados na
realizao de estudos para reviso de planos semafricos na cidade So Paulo
(EJZENBERG, 2005; VILANOVA, 2005a) cuja malha viria contm a sub-rede que
17



foi o estudo de caso retratado ao final deste trabalho. Devido a isso, a ferramenta
possui as devidas simplificaes para a realizao em tempo hbil das numerosas
(cite-se milhares de) simulaes requeridas. Assim acredita-se, mas no se garante,
ser possvel abreviar o trabalho exaustivo que reside na tentativa de encontrar boas
solues para realizar melhoras no fluxo de trfego. De qualquer maneira os
resultados alcanados demonstram que houve de fato melhoria nos tempos de
percurso e reduo dos congestionamentos. Por consequncia, neste trabalho
pretende-se apresentar um panorama experimental acerca da aplicabilidade de AGs
para a realizao de melhorias no trnsito de cidades como So Paulo, visto que os
contnuos aprimoramentos da infra-estrutura em malhas virias no conseguem
acompanhar o crescimento da demanda imposta pela frota circulante.

1.1 Motivao
A magnitude dos problemas cotidianos da operao do trnsito em grandes
cidades um tema recorrente na imprensa diria. Em dados retirados de Giovanelli,
(2011) temos que s na cidade de So Paulo a frota oficial de aproximadamente 7
milhes de veculos, sendo que, destes, 3,8 milhes circulam todos os dias pela
capital. Lidando com essa quantidade de veculos, a malha viria da cidade, com
cerca de 17.000 quilmetros de extenso, registra oficialmente uma velocidade
mdia de circulao de 32 quilmetros por hora no pico da manh (07h00 s 10h00)
e 18 quilmetros por hora no pico vespertino (17h00 s 20h00), com trechos crticos
em que essa leitura pode chegar a 8 quilmetros por hora. Toda essa lentido se
deve a essa elevada quantidade de veculos, que na sua grande maioria circula com
apenas um ocupante, e leva consolidao de um prejuzo da ordem de 30 bilhes
de reais anuais em produtividade perdida e gastos materiais, principalmente, com o
combustvel desperdiado.
Para soluo desses problemas e reduo dessas perdas, as polticas
governamentais e os rgos de monitoramento e controle agem tanto no sentido de
aumentar a infra-estrutura viria e melhorar o seu funcionamento quanto no intuito
de controlar a frota de veculos que usa essa estrutura. Em Lopes (2003) so
descritos inmeros tipos de iniciativas relevantes.
No que se refere s melhorias infra-estruturais temos as iniciativas mais
evidentes que seriam as obras e reformas voltadas tanto para o transporte privado
18



quanto para o transporte pblico, feitas primeiramente no intuito de expandir a
capacidade da malha viria e metroviria existente. Enquanto isso, outras aes
complementares tratam de viabilizar e otimizar o uso das vias, e envolvem
basicamente regulamentaes (como a criao de faixas exclusivas, definio dos
sentidos de circulao das vias, da quantidade e disponibilidade horria das vagas
de estacionamento nas ruas) e atividades de controle (que se do na forma de
sistemas de monitorao e de atuao como as que envolvam sistemas de ajuste de
sincronizao semafrica, uso de painis de mensagem varivel e cmeras de
fiscalizao).
Ainda segundo Lopes (2003), foram levantados pontos importantes relativos
s principais limitaes dessas medidas:
Impacto reduzido no longo prazo (aumento da oferta atrai demanda de
forma recorrente, efeito que faz as vias expandidas voltarem a operar de forma
congestionada aps algum tempo da implantao);
Efeito de barreira causado por limitaes impostas circulao,
principalmente durante a construo de grandes vias expressas.
Alm destes h o problema crucial das deficincias no direcionamento e no
planejamento dos investimentos em infraestrutura de transportes, comumente
confundida com escassez de recursos financeiros.
Outro campo da gesto de trnsito diz respeito administrao da demanda,
particularmente da frota, onde temos medidas que agem com o objetivo principal de
reduzir ou redistribuir a frota geogrfica e temporalmente. Entre as medidas
principais esto as restritivas, como o rodzio de veculos ou a cobrana de pedgios
urbanos (ou aumentos nos preos de combustveis), e as de incentivo, como os
relacionados com o escalonamento de horrios das atividades ou flexibilizao dos
horrios de expediente de forma que trabalhadores possam sair s ruas em horrios
fora dos perodos de pico.
Nos ltimos anos testemunhamos a implantao de algumas ferramentas de
suporte ao controle de trfego, como cmeras com processamento de imagens que
so conectadas a sistemas centralizados que realizam checagem de documentao,
radares para aferio de velocidade mdia de vias importantes e sensores como
laos indutivos (BIKOWITZ, 1985) que so dispositivos eletromagnticos enterrados
no pavimento responsveis por registrar a passagem de veculos e auxiliar o
19



controle ativo por meio de semforos ajustados em tempo real (inteligentes) por
sistemas centralizados dotados de mtodos como o SCOOT (ROBERTSON;
BRETHERTON, 1991). Em So Paulo, a maior cidade do pas, obstculos variados
impedem que recursos estejam plenamente disponveis ou, quando disponveis,
facilmente acessveis e manipulveis para os operadores de trfego. Vale aqui a
ressalva de que a discusso dos exatos fatores no cabe ao escopo desta
dissertao ou responsabilidade do pesquisador.
Adicione-se a isso o fato de que muitas medidas tm seus efeitos reduzidos
no longo prazo, pois como j brevemente citado, o comportamento da frota
constantemente alterado no sentido de que uma vez que novas estruturas passam a
facilitar o fluxo de trfego em determinada regio urbana, esta passa a atrair mais
usurios do que antes, criando uma nova situao de equilbrio que poder usar
toda a nova capacidade viria (LOPES, 2003). Assim, algo que se pode fazer de
forma mais gil para adaptar a resposta das malhas virias s constantes
mudanas, redistribuies de demanda e consequentes novas situaes de
equilbrio, o ajuste frequente (pelos prximos meses, ou anos, dependendo da
frequncia de reajuste adotada pelo rgo responsvel) dos planos de sincronizao
semafrica, ou seja, uma das partes mais simples e das mais relevantes dentro do
controle de trfego, que dizer a cada semforo quando ele vai fechar e quando ele
vai abrir.
Pode-se ver que muitas aes so custosas ou impopulares, o que torna a
melhoria da gesto viria um objetivo importante de atuao, ponderando a
possbilidade de garantir a eficcia de cada tipo de ao. Logo, devido
necessidade de um controle que contemple o comportamento dinmico das relaes
entre a malha viria e a frota ao longo dos anos e considerando-se as restries
tecnolgicas e de polticas de implementao dos controladores, foi pensado que,
partindo-se da criao de um novo simulador de trnsito, o controle semafrico
poderia ser o problema a ser o tema tratado neste mestrado.

1.2 Estrutura da Dissertao
Nesta dissertao, o leitor j encontrou uma breve introduo sobre conceitos
relacionados engenharia de trfego (mais idias sero abordadas ao longo do
texto, mas de forma difusa) e obter conhecimento introdutrio relativo a um rpido
20



panorama sobre o contexto da simulao de trfego no mundo e as diferentes
abordagens computacionais, bem como alguns exemplos mais relevantes.
Em seguida ao leitor sero apresentados bem rapidamente diversos mtodos
estatsticos e heursticos de otimizao (com maior nfase dada aos ltimos)
utilizados atualmente nos mais diversos problemas de engenharia, e receber uma
maior ambientao na parte que abrange os AGs, heurstica escolhida para este
trabalho.
Mais a frente as duas partes anteriores se fundem em um captulo que
apresenta o leitor ao ambiente de AGs aplicados simulao de trnsito, e a
progresso do uso destes mtodos ao longo, aproximadamente, dos ltimos quinze
anos.
O anti-penltimo captulo tem por motivo apresentar o leitor ferramenta
criada ao longo do mestrado, sendo exposta a sua arquitetura e diagrama de blocos,
o seu modo de funcionamento, e mais detalhadamente os conceitos e lgicas
aplicados ao seu motor de simulao.
Antes de terminar, ser mostrado o estudo de caso realizado para testar a
ferramenta prototipada, com exposio de resultados e comparaes que levaro
aos indicativos dos prximos desenvolvimentos em uma eventual continuidade do
projeto. Por fim apresentada a concluso do trabalho.
Um CD-ROM segue anexado obra contendo arquivos para a
reproduo/processamento desse estudo de caso da seo 6, e com arquivos
relativos prototipagem para que, no caso de haver maior interesse, ao leitor seja
aberta a manipulao do modelo e permitida a reproduo do experimento.

21



2 SIMULADORES DE TRNSITO
Neste captulo pretende-se dar ao leitor um panorama acerca das iniciativas
de criao e evoluo dos modelos e simuladores de trnsito ao redor do mundo,
bem como apresentar conceitos gerais e especficos sobre o tema.
2.1 Conceitos Gerais
Nesta parte sero explicados os conceitos bsicos e presentes na maioria dos
simuladores de trnsito para maior entendimento durante a leitura do resto do texto.
De incio importante mencionar o que significa exatamente simular trnsito, pois
este tambm pode ser analisado diretamente sob a vista de processos analticos.
Como foi visto em Burghout (2004) para se realizar estudos de trfego
existem dois caminhos principais a serem usados. Por um lado existem mtodos
analticos baseados em processos numricos que comumente fazem uso de
conjuntos de equaes diferenciais para encontrar os resultados de um problema de
trfego pontual. Como exemplo disso podemos citar o estudo de um nico corredor
de via expressa, que por sua relativa simplicidade, necessita de pouco poder
computacional. Por outro lado temos a simulao, que envolve um grande conjunto
de descries mais elementares dos ambientes alvo de estudo para que se possa
acompanhar o comportamento dinmico de um sistema de trfego ao longo do
tempo. Essa descrio tem a vantagem de servir para observar comportamentos,
principalmente emergentes, que sejam consequncia do encadeamento complexo
das diversas diretrizes que regem seus elementos. Mas por outro lado requer um
poder computacional muito maior. Nas ltimas dcadas houve um grande aumento
de solues relacionadas com simulao de trnsito, devido aos avanos no poder
computacional, com o que a capacidade exigida para tais simulaes passou a estar
disponvel a um menor custo, at ento um impeditivo para a simulao.
Em uma simulao de trnsito temos basicamente dois lados que so
descritos das mais diversas maneiras, o lado da oferta, composto pelos elementos
virtuais correspondentes infra-estrutura viria, como as prprias vias e seus
sistemas de controle e informao, e o lado da demanda, composto pelos agentes
navegantes virtuais que representam veculos e seus condutores.
22



Classicamente, os ambientes de simulao muitas vezes envolveram anlises
de curtos perodos de tempo (cerca de quinze minutos) que correspondem a
situaes de oferta e demanda muito pontuais. Essa falta de abrangncia dificulta a
compreenso do comportamento das malhas virias como sistemas dinmicos, pois
no contempla as relevantes variaes que podem ocorrer em longos intervalos de
at algumas horas, e os efeitos decorrentes do carregamento ou descarregamento
da rede prvios ao horrio da janela de tempo estudada. Logo ferramentas mais
novas lidam com longos perodos de simulao que apresentem situaes de
demanda temporalmente variveis, sendo essa uma forma de traduzir mais
fielmente o comportamento dinmico de redes metropolitanas, evidenciado pelas
leituras de nvel de congestionamento dirias como a representada abaixo, relativa
cidade de So Paulo. Aqui podemos ver que a janela de tempo de uma simulao
que contemple todos os efeitos de carregamento, saturao (estado em que a
demanda supera a oferta) e descarregamento de uma grande malha viria pode ter
a dimenso de aproximadamente quatro horas, contenha ela o horrio de pico da
manh ou o horrio de pico da noite.

Figura 1: Grfico de nvel de congestionamento medido por porcentagem de vias monitoradas
com lentido, retirado em 03/2011, do portal da CET-SP
(http://cetsp1.cetsp.com.br/monitransmapa/agora/graficolimite.asp)
23



Tradicionalmente, em processos de simulao estas demandas so geradas
atravs da modelagem de matrizes de origem-destino (OD) que governam a escolha
das rotas dos veculos ou fluxos simulados partindo-se de plos geradores de
trfego, sejam eles de liberao de veculos, de recebimento de veculos ou ambos
e em gradaes distintas, dependendo do horrio do dia a ser estudado. Esses
plos so estimados estudando-se o perfil socioeconmico de cada regio da rede
estudada, atravs da realizao de sries de pesquisas de origem e destino em
importantes pontos de acesso s malhas de estudo, que visam amostrar os pontos
iniciais e finais dos trajetos percorridos na rede, e tambm a partir de contagens de
fluxo de trfego em pontos relevantes da rede (CASCETTA, 1988). No caso de So
Paulo, um mtodo utilizado para reviso de planos semafricos mais pontual e
leva em conta a medida direta de fluxo de trfego em todos os segmentos de cada
sub-rede estudada (EJZENBERG, 2005. VILANOVA, 2005).

2.2 Tipos de Simuladores
Como em qualquer outro tpico de simulao, h divergncias quanto ao que
se julga devido representar ou no em um simulador, e natural ento que se
encontre uma grande variedade de modelos, cada um voltado para um tipo de
resultado. Logo, o que se aceita que existem numerosos meios de se representar
computacionalmente tanto os lados da oferta quanto da demanda e os modos como
eles se relacionam (BURGHOUT, 2004). Isto se deve ao fato de que virtualmente
impossvel tratar, em um nico ambiente, de todos os aspectos fsicos e, mais
dificilmente, os sociais, que afetam o comportamento de um sistema de trfego. Em
decorrncia disto a arquitetura de cada uma das ferramentas desenvolvidas serve a
propsitos distintos.
Quando decide criar um novo modelo de simulao, o especialista se depara
com a realidade de que, por motivos de dificuldade de codificao, escassez de
modelos e restries de tempo e de poder computacional, impossvel tratar de
todos os detalhes envolvidos na retratao fiel da realidade dentro de um
computador. Por consequncia o projetista deve determinar qual o foco de seu
estudo. Aps essa escolha, necessrio determinar quais dados da realidade se
24



deseja parametrizar para que a simulao seja funcional e traga o tipo de leitura
esperada para esse estudo.
Devido a isso, ao longo do tempo, naturalmente surgiram diversos tipos de
abordagem que, por consequncia, levaram ao estabelecimento de convenes e
consensos conceituais necessrios para que os especialistas de controle de trfego
e simulao possam mais facilmente identificar, correta e rapidamente, o intuito por
trs de um ambiente de simulao, bem como o tipo de resultado que se pode
esperar do mesmo.
Predominantemente isso diz respeito a classificar cada modelo de acordo
com o nvel e o tipo de detalhamento, e o grau de agregao ou desagregao da
oferta e da demanda. Do lado da demanda, em um sistema de trfego, por exemplo,
isso diz respeito a se os veculos vo ser individualizados e se eles possuem alguma
capacidade de percepo e deciso sobre sua movimentao. Do lado da oferta, a
classificao depende de quais variveis da movimentao de um veculo sero
consideradas, da modelagem ou no de diversos tipos de sinalizao e sistemas de
informao e gesto de trfego, ou da escolha por diferentes formas de se
parametrizar uma via e suas faixas (BOXILL; YU, 2000 e BURGHOUT, 2004). Essa
classificao, geralmente dicotomizada entre simuladores microscpicos e
simuladores macroscpicos.
Vale a colocao de que muitas vezes, mesmo sob essa tica, as regras no
so, e nem devem ser, to claras, de modo as classificaes so nebulosas,
flexveis e no incomum que sejam desenvolvidos modelos hbridos entre as
categorias que sero explicadas mais frente nesta seo. Estes modelos hbridos
normalmente visam aumento de desempenho computacional por meio de
simplificaes ao mesmo tempo em que mantm o detalhamento nos aspectos ou
pores da simulao onde cada atitude for mais necessria, e podem ento
apresentar a mistura dos conceitos de duas formas diferentes. Primeiramente temos
simuladores possuindo um nico modelo de simulao que siga um conjunto de
regras provindas de mais de um paradigma (BOURREL; LESORT, 2007), um tipo de
abordagem que muitas vezes denominado de simulao mesoscpica (que o
caso do simulador deste trabalho), ou programas onde em um nico ambiente so
usados vrios modelos ao mesmo tempo em sub-redes diferentes (YANG;
25



MORGAN, 2006) ou na mesma rede, mas em momentos diferentes (HALE, 2008),
de forma que os resultados da execuo de um paradigma em um momento, etapa
ou camada da simulao podem ser usados para alimentar ou calibrar o outro
modelo, e vice-versa.
Finalizando, abaixo, na Figura 2 podemos ver um mapa que foi elaborado
para que haja um panorama grfico aproximado da simulao de trfego no mundo.
O mapa foi compilado a partir de toda a bibliografia lida e em boa parte devido ao
artigo de Boxill e Yu (2000) que fornece a leitura mais abrangente encontrada na
rea e que apresenta foco na anlise de boas ferramentas que auxiliem a anlise de
sistemas ITS.


Figura 2: Panorama mundial da simulao de trfego
Rapidamente, se o leitor parar para refletir, lembrar que a grande So Paulo
atualmente a quarta maior aglomerao urbana do mundo e talvez se surpreenda
com o fato de que, apesar de podermos pressupor que haja aqui uma grande
expertise contida em seus especialistas e lembrando que para desenvolvimento e
aquisio de software no existem fortes barreiras de entrada, as iniciativas na rea
so poucas e recentes (SIRI de VILANOVA, 2009; e ITSUMO, de BAZZAN et al.,
2010). Enquanto isso pases como a Holanda e Alemanha, que nem figuram na lista
de pases com as maiores metrpoles possuem uma grande e incomparvel
concentrao de modelos dos mais variados tipos.
26




2.2.1 Simuladores Macroscpicos
Estes so os modelos mais antigos e os que mais se assemelham a solues
analticas por tratarem os veculos de forma altamente agregada, pois fazem uso
geralmente de conjuntos de equaes diferenciais que traduzem o fluxo destes em
uma forma contnua. Dependendo do modelo, esses simuladores podem ter seu
comportamento semelhante a processos fsicos como aqueles envolvidos em
mecnica de fludos (HELBING; TREIBER, 1998), abstraindo desse modo a
identidade de cada veculo e tambm eventualmente elementos topolgicos da via
como nmero e largura de faixas. Enquanto isso existem outros modelos que se
assemelham a autmatas celulares (DAGANZO, 2004), onde os segmentos so
divididos em diversas clulas, ou subsegmentos, que transmitem a cada segundo
quantidades maiores ou menores de veculos para as clulas jusante seguindo
funes de densidade espacial.
Independente da abordagem, normalmente o intuito dos modelos
macroscpicos retratar, de forma esttica, o equilbrio que ocorre entre a oferta da
infraestrutura viria e a demanda da frota circulante para que o planejador de
transportes consiga analisar o volume de trfego em cada via e quais so os trajetos
percorridos na malha simulada.
Este tipo de simulador oferece algumas vantagens provindas da simplicidade
trazida ao se representar o movimento, ou viagens, de diversos veculos de forma
agregada. A principal vantagem dos simuladores macroscpicos reside no fato de
que as pesquisas de origem e destino que mapeiam os itinerrios nas malhas virias
estudadas, os modelos de gerao de viagem e os dados de fluxo de trfego usados
para aliment-los so mais facilmente obtenveis devido ampla disponibilidade
dada pelos sistemas de monitoramento (BURGHOUT, 2004) e por tradicionais
procedimentos de coleta de dados. Alm disso, o tratamento destes dados se limita
qualidade das amostragem e no envolve a necessidade de se contemplar
detalhados fatores culturais comportamentais dos motoristas para insero no
modelo.
Por outro lado pela carncia de detalhes comportamentais, esta categoria
demonstra limitaes no momento em que necessrio realizar estudos mais
27



especficos e que sejam dependentes dos elementos abstrados (em sua maior parte
as interaes entre os veculos), e que sirvam para observar efeitos
comportamentais em trechos da malha viria como pontos de convergncia,
bifurcaes, pistas de acesso, inclinaes e curvas com raios variados
(BURGHOUT, 2004). Em casos como esses a modelagem explcita, traduzida em
redues de capacidade das vias ou atrasos inerentes.
Como exemplos importantes, temos o TRANSYT-7F (HALE, 2008) que foi
concebido especificamente para otimizao de sinalizao semafrica em redes
americanas (geometria predominante definida entre ruas de sentido Norte-Sul e ruas
de sentido Leste-Oeste) e que o mais frequentemente usado para realizao de
benchmark de aplicaes anlogas, o EMME (INRO, Canada) e o VISUM (PTV-
AG, Alemanha), ferramenta comercial completa de estimativa de fluxos de trfego,
direcionada para realizao de estudo e planejamento das malhas virias e
roteamento de sistemas de transporte pblico em cidades inteiras. Bem como outros
simuladores macroscpicos o VISUM faz uso de procedimentos iterativos variados
para determinao do equilbrio em horrios de pico entre a demanda de trfego e a
oferta viria simuladas.

2.2.2 Simuladores Microscpicos
No outro extremo temos estes simuladores em que normalmente a inteno
a de atacar problemas mais pontuais em sistemas de trfego, comeando por tratar
cada veculo ou partcula de forma independente e represent-lo como um agente
ativo no sistema, e assim permitir inclusive retratar seus traos comportamentais,
como agressividade / tranquilidade dos motoristas. Tais atributos podem ser
parametrizados, e a partir deles os agentes reagem de diferentes formas aos
diversos sinalizadores contidos na infraestrutura bem como aos outros veculos.
Juntamente a isso, a lgica de movimentao por sua vez segue algoritmos bem
definidos que calculam acelerao e desacelerao do veculo e, em alguns casos,
inclusive a troca de faixas a cada passo de simulao. Normalmente esses modelos
so denominados pela expresso carro-seguidor (ROTHERY, 1992 e ZHANG,
2005) pelo fato de as decises de cada veculo virtual serem baseadas
primeiramente na posio, velocidade e acelerao do veculo frente ou na
28



distncia que resta at a prxima parada e, em alguns casos, baseadas de forma
complementar no comportamento dos veculos das outras faixas.
Do lado da oferta, ou da infraestrutura, possvel configurar diversos
parmetros topolgicos das vias, como largura de faixas, nmero delas, sinalizaes
e regulamentaes (como proibies de ultrapassagem ou troca de faixas) e
elementos geomtricos como detalhes sobre curvatura que influem na
movimentao do veculo. Alm disso, este tipo de simulao pode ser integrado a
outros tipos de ferramentas de controle de trfego, incluindo avanados sistemas de
integrao viria que permitem leituras online sobre o status da rede e que influem
nos processos decisrios sobre caminhos a serem seguidos por parte dos veculos
simulados (BOXILL; YU, 2000).
Ento, estes simuladores possuem a grande vantagem de permitir uma
visualizao fiel dos detalhes do comportamento da rede, mas, por requererem um
custo computacional alto para poder levar em considerao um elevado nmero de
fatores de infraestrutura e comportamentais, e ainda por cima estabelecer inter-
relaes detalhadas entre os veculos da rede, mais usual que sejam abordadas
situaes de demanda esttica e em redes limitadas, o que no compromete seu
propsito. Frequentemente estas arquiteturas so alimentadas com dados
provenientes de simulaes macroscpicas, separando-se uma pequena parte de
interesse da malha viria simulada, para que se possa obter uma representao
mais transparente daquilo que foi computado, a saber, os tamanhos das filas e a
velocidade dos veculos.
Assim, como nos simuladores macroscpicos, o grande problema da famlia
de ambientes microscpicos est justamente atrelado ao que lhe confere suas
vantagens, pois neste caso o problema geralmente est na dificuldade em se
conseguir os dados necessrios para calibrar todos os detalhes. Coletar informaes
mais especficas como taxas de troca de faixa, distanciamento mnimo entre
veculos, estabelecer distribuies estocsticas de comportamento e ainda repetir
toda essa parametrizao para cada tipo de veculo a mais a ser includo na
simulao envolve custos muito altos para que as simulaes apresentem fidelidade
e assim possam ser realmente comparadas com cenrios reais (BURGHOUT, 2004).
29



Como exemplos importantes temos o CORSIM (analisado em OWEN et al.,
2000), que o simulador atualmente utilizado para avaliar em maiores detalhes as
redes otimizadas pelo TRANSYT-7F e o VISSIM (PTV-AG, Alemanha;
FELLENDORF, 1994) que, normalmente alimentado pelo VISUM, possui grande
foco em avaliao de sistemas atuados e inteligentes, apresentando grande e
verstil aplicabilidade para estudos relacionados implementao de priorizao
semafrica do transporte pblico e mudanas infra-estruturais como criao de
faixas de circulao exclusivas para o mesmo. No que interessa a maioria dos
estudos relevantes em engenharia de trfego, os dois simuladores tm seus
desempenhos comparados a partir de um teste de sensibilidade em que diversos
cenrios de demanda so aplicados a uma mesma sub-rede viria, concluindo-se
que, apesar de as abordagens serem um tanto diferentes, os dois aplicativos
produzem resultados bem semelhantes (BLOOMBERG, DALE; 2007).

2.2.3 Simuladores Mesoscpicos
As ferramentas de simulao macroscpica normalmente so indicadas para
planejamento estratgico, j que retratam o comportamento da rede como um todo e
de forma esttica. Elas passam ao especialista qual o equilbrio que h entre a
malha viria e a sua frota de veculos. Entretanto, essa representao no permite a
avaliao da malha viria como um sistema dinmico onde h crescimento,
dissipao e propagao de filas.
Na outra extremidade, a da simulao microscpica, por conta de inmeros
detalhes e interaes, se mostra uma arquitetura computacionalmente pesada. Isso
reflete diretamente na limitao do tamanho das sub redes virias que pode
representar, bem como nas curtas janelas de tempo analisadas.
Como meio de resolver a ausncia de um comportamento dinmico em uma
arquitetura e a limitao espao-temporal no escopo de anlise da outra, foram
desenvolvidos diversos modelos de simulao com abordagens intermedirias. Isso
foi feito para que se pudesse ganhar abrangncia, sem perder todos os detalhes, e
assim manter uma alta velocidade de execuo
30



Esses modelos seriam os mesoscpicos e seu intuito normalmente o de
representar a movimentao das frotas pelas malhas virias calculando e
propagando as filas que so geradas em cada um de seus links. Algumas
plataformas de simulao j foram desenvolvidas e sero retratadas abaixo.
Um dos exemplos seria o DynaMIT (Akiva, 1998), um modelo onde a
demanda alocada de forma semelhante dos modelos macroscpicos. Nele os
links so quebrados em diversos segmentos, sendo que cada segmento tem seu
comportamento dividido entre uma parte mvel e uma parte onde simulado o
enfileiramento dos veculos. A parte mvel possui velocidade fixa para todos os
veculos at o ponto onde esta comea a decair linearmente devido proximidade
do veculo em movimento com o fim da fila. Ao mesmo tempo, na parte do
enfileiramento, modelos de bloqueio e de formao e dissipao de filas so
implementados de acordo com o estado da fila no segmento.
Outra plataforma o Metropolis (Palma et. al, 2007) onde a movimentao
dos veculos tambm determinada de forma agregada em funo da quantidade e
densidade de veculos adiante no link. De forma semelhante h o DYNEMO (Nkel,
2002), e o Mezzo (Burghout, 2004) onde tambm so aplicadas equaes de
velocidade-densidade para reger o deslocamento dos veculos, bem como modelos
para clculos de filas.
Para simulao mesoscpica, vrios modelos podem ser aplicados, tanto que,
especificamente para esta classe de simuladores, h uma maior flexibilidade sobre a
abordagem que deve ser tomada. A nica restrio aparente se d pelo fato de
comumente seguir-se o conceito de que a movimentao dos carros deve ser feita
de forma agregada e desvinculada de parmetros comportamentais ou reativos
individuais, implementaes que fazem aumentar o custo computacional e o tempo
de processamento em simuladores microscpicos.
Como j citado, o modelo de simulao retratado nesta obra mesoscpico.
Esta abordagem foi selecionada por permitir simplificaes na prototipagem e por
ser uma arquitetura rpida que viabilize o uso de algoritmos genticos.

31



2.3 Coletas Manuais de Dados para Simulaes
Nesta seo encontram-se referncias e explicaes acerca de prticas mais
usuais da Companhia de Engenharia de Trfego (CET) da cidade de So Paulo, as
quais so consideradas no estudo de caso detalhado no captulo 6.
Uma vez tendo-se elaborado um modelo de simulao coerente, uma das
maiores dificuldades validao e utilizao do simulador reside em se conseguir
dados de entrada com alta qualidade para a realizao dos estudos. Em Vilanova
(2006) os especialistas afirmam que sem isso qualquer simulador estaria fadado ao
insucesso. Normalmente isso est altamente relacionado com a disponibilidade de
pessoal para realizar monitoramentos e contagens presenciais. Embora isso seja
predominantemente terceirizado, recomenda-se que todo especialista participe em
parte dos processos de observao para que ele mesmo ganhe alguma
sensibilidade experimental mais fina no momento em que for necessrio calibrar os
dados, pois caso contrrio haveria um distanciamento prejudicial entre o
programador da simulao e a realidade.
No que concerne a elaborao deste trabalho existem trs parmetros
experimentais, os principais das leituras de campo, que serviram de base para a
construo do GenPolis:
Tempo de Percurso: O intervalo de tempo mdio necessrio para que um
veculo percorra livremente o segmento de rua que est sendo parametrizado
Fluxo: a quantidade de veculos-equivalentes (uma unidade padro que
denota, para fins de simulao, um carro de passeio mdio) que passam pelo
segmento por hora, sendo geralmente medido atravs de contagem direta e com
observador fixo. Vale notar que para cada segmento necessria a observao ao
longo de alguns ciclos, ou cerca de quinze minutos, para que a medio possa
abstrair as oscilaes referentes s mudanas de fase. Assim, esta varivel deve
representar um fluxo homogneo, abstraindo pequenas variaes (em pequenos
intervalos) que podem ser consideradas como rudos, mas permitindo observar as
variaes de menor frequncia (ao longo do dia) que representem diferentes perfis
de trnsito e que portanto devem ser incorporadas a uma boa simulao.
Fluxo de Saturao: o ritmo mximo de vazo medido em uma via, tambm
dado em veculos equivalentes por hora (veq/h). Usualmente sua leitura envolve
observar o comportamento do segmento aps algum tempo do incio de um verde
32



(cerca de cinco segundos), momento em que os veculos comeam a ser liberados.
Isso somente pode ser feito se os segmentos jusante esto vazios o suficiente
para receber livremente a demanda de veculos enviada pelo trecho monitorado.
Entretanto, a contagem por si s no simples e envolve dificuldades
relacionadas a alguns ajustes e adaptaes para que a leitura sirva melhor aos
estudos e simulaes.
Como j dito, os fluxos so medidos em veculos-equivalentes. Isso se deve
no s ao fato de ser necessrio simplificar a medida meramente para fins de
registro, mas tambm ao fato de que normalmente simuladores de transito no
contemplam todos os inmeros tipos de veculos que podemos encontrar e contar na
rua. Logo, para que a medio fique mais precisa, tanto para a aferio do fluxo
quanto do fluxo de saturao, necessrio o uso de um fator multiplicativo para
ajustar a contagem a cada um dos tipos e subtipos especficos de veculos e
transp-los para veculos-equivalentes, sendo que esse fator tambm pode
depender da inclinao fsica do segmento observado, se a facilidade de
movimentao do veculo contado for afetada por ela (efeito mais comumente
observado em veculos pesados).
Nesses casos, ao mesmo tempo em que um carro de passeio mdio em uma
rua plana tem valor unitrio, alguns caminhes em aclividades maiores podem sofrer
a aplicao de fatores multiplicativos grandes para denotar quantos carros mdios
poderiam ter passado no seu lugar e ocupado a mesma capacidade da via. Vale
ressaltar aqui tambm que motos no so contadas, ou consideradas (fator
multiplicativo nulo), pela sua facilidade de locomoo e pelo fato de muitas vezes
ocuparem os espaos disponveis entre as faixas.
Alm disso, no caso mais comum do foco do estudo e simulao ser em um
perodo de pico de saturao da malha, uma dificuldade que surge a de que a
medio direta no completa. Isso se deve ao fato de que, para perodos de
trfego intenso, ainda necessrio observar e estimar a demanda represada, que
constitui a frota de veculos que deixou de passar pela linha de reteno devido a
algum bloqueio mais a frente causado pela saturao da via.
Alm disso h a demanda suprimida, que impossvel de ser aferida por ser
constituda pelos veculos que deixaram de sair s ruas devido a notcias, previses
de congestionamentos ou uma simples sazonalidade que seja popularmente
33



conhecida. Esse contingente suprimido representado principalmente pelos
motoristas rotineiros dos horrios de pico que ou saem mais cedo para o trabalho ou
atrasam a sua volta pra casa no fim do dia para no ficarem presos no trnsito.
Vale ressaltar a preocupao que existe em relao demanda suprimida,
que a de que, considerando determinada malha viria, na hiptese dos problemas
crticos de fluxo de trfego e atraso serem solucionados com o auxlio da simulao,
este contingente deixaria de ser uma demanda suprimida, parcial ou totalmente,
para de fato interar o fluxo de trfego efetivo da regio. Logo, na medida em que o
fluxo aumenta e os atrasos/congestionamentos diminussem, ainda assim deve-se
ter em mente que h o risco da rede voltar a ficar congestionada rapidamente devido
demanda que no teria sido considerada no ajuste.
Finalmente, respeitadas as sazonalidades (como diferentes pocas do ano,
perodos de frias ou de natal) para fins de agrupamento e classificao das
medidas, o processo de contagem para cada estudo deve ser feito de modo que
uma leitura, amostra ou registro envolva diversas coletas de dados simultneas, no
mesmo horrio, de todos os segmentos de rua contemplados no estudo. Para a
realizao das medidas, so escolhidos os movimentos mais crticos da malha
viria, sendo que, no caso de estudos relativos a horrios de pico o ideal
selecionar os perodos em que a rede a ser simulada se encontra mais carregada.
Entretanto por aspectos de natureza prtica, muito difcil organizar o contingente
desejado para realizar de forma simultnea todas as medies necessrias nos
segmentos das sub-redes escolhidas, o que acaba restringindo o tamanho das redes
modeladas e criando a necessidade de se estabelecer estimativas e s vezes
algumas extrapolaes (como foi o caso da atividade de teste, detalhada no fim
deste trabalho).
Mais a frente, na seo 6.2., o leitor receber as impresses do que foi de
fato realizar a coleta desses dados para o estudo de caso. Assim, em caso de
inteno de reproduo, ele saber como lidar com as dificuldades de se realizar a
atividade sozinho e tentar mitigar as distores para levantar um conjunto de
parmetros que crie uma simulao minimamente aproximada da realidade.

34



3 MTODOS DE OTIMIZAO
Neste captulo o leitor obter uma viso panormica acerca dos principais
tipos de algoritmos existentes usados para buscas e otimizaes em problemas de
engenharia (com nfase dada descrio de procedimentos evolutivos), sendo que
em seguida ser dada ateno especial aos AGs. A maioria dos algoritmos tem a
inspirao provinda de mecanismos naturais sejam eles fsicos, qumicos ou
biolgicos e pode-se encontrar descries mais detalhadas para sua
implementao, bem como uma grande variedade de referncias em Brownlee
(2011). Em parte tambm foi usado como texto base a obra de Yang (2008).

3.1 Tipos de Heursticas
3.1.1 Algoritmos Estocsticos
Estes so procedimentos de busca global que em sua grande maioria so
usados para achar vizinhanas no espao de busca que possam servir como bons
pontos de partida para processos de otimizao local.
Como exemplos principais temos: a Busca Aleatria, que, como o nome diz,
consiste em amostrar o espao de busca da forma mais livre possvel; Stochastic Hill
Climbing, baseado no Hill Climbing simples, um mtodo de gradiente onde uma
soluo candidata modificada ligeiramente e a modificao s aceita se resultar
em melhora; Scatter Search, usa mtodos de otimizao local para gerar um
portfolio de solues variadas que reunam informao sobre as boas vizinhanas do
espao de busca. Tabu Search mantm armazenados na memria os movimentos
realizados no espao de busca para evitar que o procedimento repita tentativas em
regies j testadas, isso pode servir para fazer o algoritmo convergir a vizinhanas
melhores.
3.1.2 Algoritmos Fsicos
Aqui temos as lgicas baseadas em processos fsicos e da natureza, e que
so normalmente tidos como algoritmos estocsticos que misturam busca global
com busca local.
35



Seriam bons representantes dessa classe: Arrefecimento Simulado, ou
Simulated Annealing que inspirado nos processos metalrgicos de aquecimento
seguido de resfiramento que reorganizam a estrutura cristalina do material e criam
uma liga mais resistente, onde de forma anloga o algoritmo passa por um
aquecimento, um momento de maior liberdade de movimento pelo espao de
busca (explorao), seguido de um resfriamento, onde h uma movimentao menor
que resulta em ajustes mais finos; Busca Harmnica que inspirado na
adaptabilidade do improviso de msicos de jazz, onde cada atributo da soluo
candidata representa um msico, com um tom e um alcance sonoro, que a cada
iterao busca se adaptar ao toque dos outros, e vice-versa.
3.1.3 Algoritmos de Enxame (Swarm Algorithms)
Nestes algoritmos usada a idia de auto-organizao em sistemas coletivos
descentralizados, ou em outras palavras, so procedimentos que mimetizam
fenmenos de inteligncia coletiva, aonde a informao guardada das mais
diferentes maneiras.
Dentre os principais temos: Otimizao por Colnia de Formigas, que simula
o estilo de busca por comida desses animais, que inicia pelo percorrimento de
caminhos aleatrios no espao de busca at o momento em que se encontra
comida, momento a partir do qual a formiga que o encontra passa a soltar um
feromnio que refora aquele traado, passando a ser seguido por outras formigas,
que tambm soltam feromnios, de forma a especializar a busca na direo de
vizinhanas para as quais o caminho estar to forte e carregado de feromnios
quanto maiores forem os seus destaques e benefcios de forma anloga o
algoritmo percorre o espao de busca probabilisticamente, percorrendo um
parmetro por vez para construir esse caminho, armazenando os movimentos e
dando fora para os mais recentes e bem sucedidos; Algoritmo de Abelhas um
mtodo que, de forma semelhante colnia de formigas, envia exploradores em
regies diversas do espao, dessa vez sem o uso de traados mas com localizao
direta de pontos promissores onde sero feitas buscas locais com o uso de mais
abelhas.

36



3.2 Algoritmos Evolucionrios
Aqui feita uma breve e conveniente recapitulao acerca de processos
evolutivos naturais para permear os conceitos aplicados nas implementaes
inspiradas nesse mecanismo natural. Aps essa parte ser dada ateno exclusiva
aos AGs, visto que sua descrio intuitiva serve como base para diversos outros
algoritmos dessa classe, como programao gentica e estratgias evolutivas,
procedimentos que podem ser vistos com maior detalhe em Brownlee (2011).

3.2.1 Procedimentos Evolutivos
Desde o surgimento da vida, uma srie infindvel de mudanas espontneas
transformou os primeiros aglomerados membranosos de protenas na imensa
biodiversidade, em suas mais complexas formas, que d rosto superfcie do
planeta atualmente. Alm disso, o ecossistema gerado por essa histria de mais de
trs bilhes de anos carrega em suas molculas de DNA, seja a de uma ameba ou
de um ser humano, todas as suas pginas. Para escrever essa histria e criar seres
cada vez mais ou menos adaptados ao ambiente e, no caso dos primeiros, mais
aptos a dar prosseguimento sua linhagem, a evoluo fez uso de dois tipos de
procedimentos complementares.
O primeiro, e mais primitivo, a mutao, que ocorre da forma mais
espontnea possvel, seja pela alterao acidental do cdigo gentico ou pela
ativao de uma parte adormecida dele que se reflita no fentipo do ser vivo
(constituio e estruturao fsica, anatmica e fisiolgica em geral). A mutao se
apresenta como um rudo que d certa variabilidade indita s espcies e que as faz
percorrer, assim, caminhos evolutivos inovadores.
O outro procedimento a recombinao que fez com que a evoluo
ocorresse de forma mais acelerada, pois permitiu aos seres vivos, mesmo os mais
simples, atuarem de forma ativa na sua evoluo ao escolherem, ou serem levados
a escolher instintivamente, seus parceiros, permitindo s espcies agregar nas
futuras geraes as boas caractersticas que, isoladas, estavam presentes em
diferentes indivduos, sendo que muitas apareciam atravs de mutaes (Figura3).

37




Figura 3: Curva de evoluo em funo do tempo quando h escolha de parceiros para
reproduo (azul) e quando no h essa escolha (verde)

Atravs desses procedimentos a vida encontrou inmeras solues para todo
tipo de problema que lhe fosse apresentada, sendo elas desde aparatos
morfologicamente muito especializados para determinados ecossistemas, at os
generalistas que permitiram, mesmo de forma ineficiente, que as espcies se
espalhassem pelo mundo. H at mesmo solues dadas atravs de estruturas
especializadas e generalistas ao mesmo tempo, como a mo, que a melhor
soluo especializada, at hoje, em manipulao de objetos, mas generalista o
suficiente para permitir a manipulao de uma infinidade deles (NETTO, 2010).

3.2.2 Introduo ao Algoritmo Gentico
Seja qual for a forma que qualquer espcie tomou aps os processos
evolutivos, as principais exigncias do sistema so a sobrevivncia e a capacidade
de se destacar e propagar os genes. No h restries enumerveis acerca de
como as solues podem se apresentar e o caminho que devem tomar quando esse
processo envolve diversos passos.
Disso, o conceito prtico principal que podemos extrair o da emergncia,
que seria o surgimento espontneo, aps inmeras tentativas e erros da natureza,
de formas adaptadas e bem sucedidas das espcies como a soluo para a
sobrevivncia nos diversos ambientes. Este um processo que no possui um
38



coordenador ativo, ele baseia-se totalmente na aleatoriedade e nas exigncias do
sistema em que cada ser vivo est inserido.
Foi a partir dessa relao, dentro dos processos evolutivos, dos inmeros
caminhos possveis e imprevisveis entre o surgimento do problema e a emergncia
da soluo, que se pensou na hiptese da aplicao desses conceitos para resolver
problemas da vida prtica, e com isso surgiram os programas que so classificados
pelo nome desta seo.
Nos seres vivos mais avanados como o homem, o cdigo de DNA das
clulas diploides possui encadeadas cerca de seis bilhes das seguintes quatro
possibilidades de pares proteicos: Adenina-Timina, Timina-Adenina, Guanina-
Citosina e Citosina-Guanina. Isto configura o DNA como um cdigo composto por
palavras de dois bits. Se lembrarmos que na memria de um computador oito bits
so um byte, a codificao binria do genoma diploide ocuparia um pouco mais do
que dois CDs inteiros (cerca de 1,5 Gigabytes). Embora haja muitas redundncias e
genes inativos, grosso modo esse o volume de memria que define, direta ou
indiretamente, todas as nossas caractersticas.
Existe nesse volume de informaes uma parcela que conter as informaes
para a constituio geral de nossos braos ou pernas pelo simples fato de sermos
humanos, e outra parte que conter as informaes relativas s caractersticas dos
membros do indivduo especificamente, podendo eles serem mais compridos ou
curtos, flexveis ou robustos e rgidos. No que diz respeito ao fentipo e resoluo
de problemas computacionais no seria necessrio usar cdigos com extenses da
ordem de megabytes para codificar os fentipos tanto gerais quanto especficos de
um brao ou de cada brao humano, de modo que os fentipos podem ser
classificados e codificados em poucos bytes para formar uma espcie de DNA
simplificado que descreva o brao de uma pessoa de forma resumida.
Assim como podemos realizar essa converso e simplificao de um brao
humano, muitos problemas prticos, em aplicaes como as de engenharia, gesto
e economia que normalmente so complexos e envolvem um sem nmero de
variveis, pode ser codificado de forma binria e ter assim descrito o seu DNA. A
partir do momento da codificao desses problemas, mecanismos que mimetizem os
procedimentos de mutao e reproduo podem trazer boas resolues.
39



Para resumir o resultado da inspirao nos mecanismos naturais de evoluo
cabe comear por enumerar os passos de um procedimento padro na rea de AGs
(RENNARD, 2000):

Inicializao:
1. Codificao do problema, normalmente em uma srie binria;
2. Criao aleatria (ou no) de uma populao inicial de solues
alternativas.

Ciclo evolutivo:
3. Atribuio de uma pontuao de acordo com o ndice de mrito (fitness) de
cada alternativa (indivduo da populao);
4. Seleo de uma determinada quantidade de solues de forma
proporcional aos seus nveis de adequao;
5. Mutaes espordicas e recombinaes entre os gentipos selecionados
para criao da prxima gerao.

Como uma ilustrao do que consiste a procura por uma boa soluo com o
uso de AGs, imagine um grande territrio montanhoso coberto totalmente por uma
neblina espessa e sobre o qual no h conhecimento, adicione no linearidades a
este sistema na forma de tneis, montanhas, torres e buracos (passo 1) e, agora,
necessrio sair andando procura de algum dos maiores picos (mutao), avaliando
o caminho traado usando somente um altmetro (passo 3). Uma nica pessoa, por
mais rpido que se locomovesse, demoraria muito para achar estes picos, sendo
que muito provavelmente ficaria parada em um pico local, ento, para conseguir
cobrir uma rea extensa seria necessrio espalhar uma grande quantidade de
pessoas pelo terreno para explor-lo (passo 2). Permita ento a algumas pessoas,
em sua maioria as que esto em grandes altitudes, se comuniquem para trocar
informaes sobre as regies em que se encontram (recombinao) e avaliem as
melhores alternativas baseadas tambm no que as outras sabem. Por fim recolha
certa quantidade de pessoas, na sua maioria as que se encontram em altitudes mais
baixas e substitua-as por pessoas que sejam colocadas em posies relativas s
concluses de cada uma das conversas que foram permitidas. Geralmente os
40



espaos amostrais que compreendem todas as alternativas possveis para um
problema complexo so muito grandes e as frequentes no linearidades complicam
muito a realizao de um traado bem definido das inmeras regies existentes e,
consequentemente, das que contm as melhores configuraes de parmetros.
Logo a gerao de uma populao inicial que explore diferentes regies se configura
como um paralelismo implcito que reduz muito o tempo de procura pelas solues,
mas h outros fatores que reforam este argumento.
Ao descrever uma pessoa, como podemos seccion-la em partes, ela pode
ser alocada em vrias populaes diferentes, de modo que algum que tenha
braos longos e pernas curtas representa no s as pessoas que compartilham
essas caractersticas, mas tambm as que tm apenas braos longos, ou as que
tm apenas pernas curtas. Remeter isso ilustrao anterior implica dizer que
permitido a cada uma das pessoas ocupar diversas regies ao mesmo tempo. Se
voltarmos codificao de um problema, suponhamos que, como exemplo, isso seja
feito a partir de palavras de 8 bits, temos ento que cada conjunto de dois ou mais
bits constitui um bloco de construo, por exemplo: 10******; *00*****; 1*0**1**.
Como podemos ver abaixo na Figura 4, durante um cruzamento em um AG, dois
gentipos trocam seus cdigos atravs de um corte feito em um ponto aleatrio, no
caso de um cdigo de 8 bits podemos fazer cortes do primeiro at o stimo bit,
sendo que cada bit da linhagem gerada tem uma pequena chance de trocar de valor
no fim do processo (mutao).

1 0 0 0 1 1 1 1 0 0 0 1 0 1 1 1
0 0 0 1 0 0 1 0 1 0 1 0 1 0 1 0
Gerao n Gerao n+1
mutao

Figura 4: Processo de recombinao (crossover) com mutao em um AG

Ento podemos perceber que existe um paralelismo implcito na explorao
do espao amostral na medida em que um nico gentipo representa diversas
regies ao mesmo tempo, pois mesmo que atravs das recombinaes as linhagens
seguintes de gentipos passem a se localizar (como cdigo inteiro) em regies muito
distantes, alguns dos seus blocos de construo, principalmente os que tm grande
participao na adequao do indivduo ao problema, possuem chances muito
41



maiores de se propagar por diversas geraes seguidas e permitir a explorao de
uma boa regio, sendo estes intuitivamente os pares de bits seguidos, como
10******, *00***** que so muito mais persistentes que 1*0**1** [HOLLAND, 1992].
Essa propagao de blocos fortes, em especial dos que contribuem na
adequao dos gentipos, juntamente ao paralelismo implcito que ele refora o
que permite a rpida convergncia de um AG a bons resultados, independente da
vertente da rea qual essa lgica aplicada. Esses bons resultados aparecem
aps os dois momentos bsicos na convergncia do algoritmo, primeiramente temos
o momento de explorao no sentido de uma busca e descobrimento geogrfico
macro, em que h uma grande variedade nos gentipos que permite ocupar o
espao de forma relativamente homognea, atravs de uma enorme gama de blocos
de construo. Num segundo momento, depois que o algoritmo acha uma regio
com bons nveis mdios de adequao, ele passa a ter novas populaes mais
concentradas nas regies que possuam uma variedade reduzida de blocos, mas
todos de boa qualidade, sendo que esse momento tambm configura uma
explorao, mas mais semelhante a uma minerao profunda. Essa sequncia
encontra-se representada na Figura 5.
Busca e Descobrimento Transio (clusterizao)
Mx/Min local
Mx/Min local
Minerao / Garimpo

Figura 5: Fases de um Algoritmo Gentico. Busca e Descobrimento / Explorao (esquerda),
Clusterizao (centro), Minerao ou Garimpo / Ajuste (direita)

Entretanto importante citar que assim como muitas lgicas de busca
tradicionais baseadas em estatstica, os AGs apresentam curvas de convergncia
que diminuem seu ritmo com o tempo, estabilizam em um determinado nvel e no
h garantia de que tenham atingido o mximo ou mnimo global, mas essa sua
capacidade de auto-ajuste e esse aprendizado, por assim dizer, por meio da
adaptao pode levantar uma srie de opes j excelentes que, devido ao grande
espao de busca em que se encontram, demorariam muito tempo para serem
42



descobertas por especialistas humanos, que, por sua vez, de posse de tais
solues, podem fazer os ajustes necessrios para aprimor-las. Isso tambm pode
ocorrer de forma inversa, pois algumas vezes o AG evolui a partir de alguns pontos
que foram pr-definidos pelos especialistas, trazendo resultados na forma de ajustes
ou eventualmente de quebras de paradigma. Essas duas abordagens fazem do AG,
assim como muitas ferramentas computacionais, um instrumento complementar que
agiliza muito a atividade criativa e inovadora humana.
Alm do paralelismo implcito, algo que contribui intrnseca e
significativamente para a convergncia de um AG a competio. Populaes cada
vez maiores de gentipos promovem a evoluo de forma mais rpida do que em
algoritmos de busca heurstica e estatstica, pois, assim como na vida real, o ritmo
do desenvolvimento das habilidades de um agente quando feito de forma isolada
no se compara ao ritmo observado no desenvolvimento coletivo multi-agente, onde
h troca de informaes e onde a quebra de vcios e paradigmas mais frequente
devido aos contrastes e s comparaes que permitem uma autocrtica mais
rotineira, coisas que por fim resultam no cultivo das melhores prticas (conceito
tratado no curso de Vida Artificial, NETTO, 2010 e ilustrado na Figura 6).

A
d
a
p
t
a

o
Tempo
Um agente
A
d
a
p
t
a

o
Tempo
Muti!Agente

Figura 6: Curva de adaptao em sistemas com um agente face curva de adaptao em
sistemas multiagente
Os tempos de convergncia dos AGs so muito dependentes do conjunto de
parmetros de controle e dos mtodos de seleo, cruzamento e mutao que so
escolhidos, e para cada aplicao. Na prxima seo sero tratados alguns
aspectos relacionados a essas escolhas para engenharia de trfego, mas em
relao aos AGs em geral uma avaliao j pode ser encontrada em Cavicchio
(1972), onde so medidos os tempos de convergncia para diferentes conjuntos de
parmetros e o nvel de melhora trazido pelos mesmos.
43



4 AGs APLICADOS ENGENHARIA DE TRFEGO
Nesse captulo apresentada uma reviso referenciando alguns trabalhos
importantes que envolveram estudos de AGs em controle de trfego ao longo dos
ltimos quinze anos.
Em Lebdeh e Benekohal (1997) o foco da aplicao a preveno da
formao de bloqueios em que um sinal verde no libera veculos devido ao
enchimento do segmento frente (jusante). Neste trabalho indicada a necessidade
de controle semafrico dinmico para situaes saturadas, pois o comportamento do
trfego em uma janela de tempo depende daquele que foi registrado na janela de
tempo anterior. Alm disso, o autor relata que execues diferentes de AGs (com
variadas sementes de nmeros aleatrios) levam a valores de convergncia
semelhantes.
Mais tarde, em 2001, os mesmos pesquisadores usaram um AG em
diferentes cenrios de priorizao de fluxo em uma via arterial e fizeram uso de
diversos ndices de mrito para poder comparar os resultados de uma forma mais
rica, chegando concluso de que a tcnica poderia ser utilizada para controle em
tempo real independente da priorizao requerida pelo engenheiro de trfego
responsvel.
No estudo realizado por Lo et al. (1999), um AG otimiza o trfego simulando
janelas de 45 minutos. Nele indicado que em situaes no congestionadas o
recomendvel seria otimizar um semforo de cada vez, de forma serial, enquanto
que em situaes congestionadas seria mais interessante otimizar todos os
semforos paralelamente, sendo que ambas as estratgias apresentaram resultados
20 a 40% melhores que aqueles alcanados at ento pelo software Transyt-7F, que
usava o mtodo de Hill-Climbing para isso, alternativa altamente dependente das
condies iniciais e que mais indicada para otimizaes que visam ajustes finos.
Em Park et al.(1999) um algoritmo gentico usado para a otimizao de
todas as variveis da temporizao semafrica. Para isso um simulador
mesoscpico prprio foi criado e o desempenho do AG foi comparado quele do
TRANSYT-7F. O aplicativo foi testado em trs nveis diferentes de demanda: baixa,
na qual o programa apresentou resultados estatsticamente melhores; mdia onde
44



performou de forma semelhante; alta, cenrio em que, estatsticamente, apresentou
maior vantagem. O estudo de caso desse trabalho possuia 4 semforos e 13
aproximaes, e o AG foi executado com 40% de crossover, 3% de mutao e 250
geraes de 10 indivduos, sendo que as simulaes representavam uma janela real
de 15 minutos. poca, as otimizaes demoraram 23 minutos em um computador
dotado de processador pentium 133MHz.
Mais tarde, em 2000, para avaliar o impacto do uso de diferentes funes
objetivo, Park et al. mediram o desempenho do AG em situaes de saturao, ao
classificar os cromossomos de acordo com trs diferentes critrios: maximizao de
fluxo (throughput); minimizao de atraso e minimizao de atraso com funo de
penalidade. Ao fim do experimento os cientistas chegaram ao indcio de que o
critrio mais simples, o do atraso, o mais eficiente.
Em outro estudo, de Park et al (2001), so tidas como pressupostas as
discrepncias entre resultados de simulaes macroscpicas e microscpicas, no
que discutido que as macroscpicas apesar de serem mais simples de se
parametrizar e de mais rpida execuo no representam o comportamento
estocstico dos usurios da rede. Usando na experincia o simulador microscpico
CORSIM o GA aplicado apresenta planos melhores do que aqueles sados do
Transyt-7F em 95% das vezes e que conseguem lidar com variaes estocsticas
na demanda.
Outro trabalho interessante liderado por Park, em 2004, envolveu o uso de
AGs para a otimizao de diversos planos fixos ao longo de um dia de operao,
mas determinando tambm os pontos de transio entre eles e o nmero de
transies. Vale destacar aqui que o nmero otimizado de planos dirios para o qual
a ferramenta convergiu 7, valor semelhante quele praticado pela CET-SP na rede
que foi o estudo de caso desta obra.
Em Lebdeh (2002), tomado como premissa o conceito de que as
velocidades mximas permitidas em cada segmento devem se dar em funo do
nvel de congestionamento e, pressupondo que todos os condutores respeitem este
limite, os dados de ocupao e tamanho das filas so usados para otimizao em
tempo real dos tempos de verde e defasagens enquanto aplicado um algoritmo
gentico para a determinao de melhores conjuntos de velocidades mximas. O
45



foco da aplicao a reduo do nmero de paradas para uma consequente
reduo no consumo de combustvel e menos interaes decorrentes das manobras
de stop and go, resultando em uma melhora no fluxo de trfego na medida em que
as ondas de choque nas filas so suavizadas.
Como uma guia para o uso de AGs em sinalizao semafrica, em Girianna
(2004) h uma explicao bem clara acerca dos clculos de todas as variveis de
controle da temporizao semafrica. Aps isso apresentado um GA simples
paralelo que possui a funo de maximizar fluxo administrando a temporizao
semafrica de forma dinmica, fazendo uso de algumas restries para os tempos
de verde. O AG foi testado em cenrios de congestionamento que variaram entre os
cruzamentos crticos estando nos pontos de sada ou nos pontos de entrada da
rede, para estudar o comportamento do conjunto de defasagens para o qual o GA
converge. Os resultados mais uma vez foram animadores, pois o GA soube lidar
com variaes temporais de volume, evitando que os cruzamentos mais carregados
ficassem congestionados. O autor indica ainda a acelerao obtida pelo uso de uma
arquitetura paralela e sugere o uso de tcnicas complementares gananciosas de
busca local que usem os resultados do AG como bons pontos de partida para um
ajuste fino.
Em um trabalho particularmente til para planejadores de trfego, Varia e
Dhingra (2004) empregam AGs no s para otimizao de sinalizao semafrica,
mas para manipular a distribuio da demanda pela rede atravs da otimizao da
matriz origem-destino. No modelo considerando uma situao hipottica onde para
todos os condutores informado o melhor caminho a se tomar de uma forma que
cada trajeto traado contribua para o desafogamento dos outros trajetos e vias, de
uma maneira integrada. Esse trabalho usou um modelo mesoscpico de pelotes e
s no otimiza as defasagens
Ceylan e Bell (2004a) contemplaram o efeito dinmico de longo prazo do
comportamento da rede ao adicionarem ao AG um procedimento peridico em que o
comportamento do trfego simulado frente aos melhores planos encontrados
reavaliado, de forma a estabelecer a nova situao de equilbrio entre oferta e
demanda e assim remodelar as matrizes de origem-destino antes de prosseguir com
a otimizao. Em trabalho semelhante naquele ano (CEYLAN E BELL, 2004b), os
46



pesquisadores aferiram o aumento de capacidade da rede causado pelo mesmo
mtodo. Mais a frente, em 2006, os mesmo pesquisadores utilizaram um algoritmo
de reduo de espao de buscas juntamente uma otimizao dada pela
combinao de um AG e um HC com a inteno de estabelecer um bom ponto inicial
para a otimizao de sinalizao semafrica do Transyt.
Cantarella et al. (2006) compararam, frente a tempos fixos de processamento,
diversos mtodos heursticos de otimizao, a saber o Hill Climbing, Tabu Search,
um AG, e mtodos hbridos. O autor identificou que os mtodos AG e Tabu Search
puros so os que convergem mais rapidamente, e constatou que o Hill Climbing foi
o nico que obteve performance consideravelmente pior, mas alertando que pode ao
mesmo tempo ser o melhor se os outros forem configurados de maneira errada.
Tambm para contemplar as mudanas nos fluxos de trfego, dois trabalhos,
de Sun et al. (2006) e Teklu et al. (2007) aplicaram ciclos simultneos de otimizao
e reavaliao de fluxos, usando diferentes AGs, com os primeiros indicando que
necessrio realizar diversas otimizaes e os ltimos que muito ainda deve ser feito
para que se saiba selecionar os melhores parmetros do AG.
Para aumentar a rapidez de execuo do AG, Stevanovic et al. (2007),
executaram um AG usando computao distribuda, e avaliaram como funo
objetivo uma composio de atrasos e paradas (o total dos atrasos da rede em
horas somado ao nmero de paradas multiplicado por um fator). Com maior
agilidade puderam avaliar diferentes conjuntos de parmetros do AG recomendando
ento o uso de nmeros de geraes no mnimo trs vezes maior que o tamanho da
populao, probabilidade de cruzamento de 40 a 70% e de mutao de 1 a 4%.
Na mesma busca por boas configuraes, Kesur (2009) avaliou outros
elementos como os tipos de codificao, cruzamento e mutao, chegando aos
indicativos de que o AG funciona melhor com o uso de cdigo gray para uniformizar
as mutaes binrias. Alm disso, em detrimento do mtodo de corte simples, os
resultados favoreceram o uso do cruzamento misturado, em que os cromossomos
dos pais so quebrados em diversos pedaos, cada um contendo um parmetro,
com os filhos recebendo esses parmetros de um ou outro pai de forma aleatria.

47



Usando um modelo macroscpico que simula a dinmica das filas e o
bloqueio de segmentos (spillback), Liu e Chang (2011a), aplicam um AG para
diversas situaes de demanda, focando em cenrios de saturao que apresentem
bloqueios e consequente propagao de filas de um segmento a outro. Para efeito
de comparao, em uma mesma rede de teste, foram gerados planos otimizados
pelo modelo apresentado e pelo TRANSYT-7F, sendo cada um posteriormente
simulado repetidas vezes no simulador microscpico CORSIM (para eliminar efeitos
estocsticos da arquitetura microscpica). Aps o processo concluiu-se que em
situaes de alta demanda e congestionamento da rede o plano originado pelo
modelo proposto apresentou nveis de atraso total 18% menores do que aqueles
originados pelo TRANSYT-7F.
Tambm usando modelos macroscpicos de fluxo de trfego, Liu et al
(2011b) simulam cenrios de bloqueio parcial de vias expressas e consequente
redirecionamento da demanda para vias arteriais vizinhas otimizando com AGs a
sinalizao da via arterial para esses casos. Os autores estabeleceram como os
ndices de mrito o fluxo total de veculos e o atraso total das viagens na via arterial
para os veculos desviados, realizando diversas otimizaes e atribuindo pesos
diferentes minimizao do atraso e maximizao do fluxo em cada uma.
concludo que essa mudana de pesos entre objetivos de controle no impacta
sistemas pouco congestionados, dispensando nesses casos a necessidade de
estabelecimento de estratgias de controle especficas. Entretanto em sistemas
congestionados a otimizao fica sensvel s mudanas de valores desses pesos.
Em Medina et al. (2010) foi realizado estudo considerando diversos nveis de
situaes saturadas e no saturadas, levando constatao de que o AG traz
ganhos evidentes em redes mais carregadas.
Pohlmann e Friedrich (2010) ajudam a quebrar a barreira do AG como
aplicao apenas offline e combinam uma ferramenta estimadora de trfego a
sistemas de monitoramento em tempo real e um modelo rpido de simulao por
transmisso celular para desenvolver uma aplicao que otimiza a sinalizao
semafrica a cada quinze minutos. A ferramenta foi aplicada em uma rede real com
bons resultados, mas indicando que o estimador apresenta problemas na hora de
lidar com o trfego mais voltil dos perodos de pico.
48



5 O SIMULADOR GENPOLIS
Neste captulo ser explicado o modelo de simulao desenvolvido, a
princpio, para este mestrado. O captulo inicia com uma breve explicao para a
escolha do desenvolvimento total de um modelo prprio passando por explicaes
de sua conceituao, arquitetura de funcionamento e detalhes pertinentes da sua
programao (motor).

5.1 Porque Fazer um Simulador Dedicado
Todo modelo de simulao criado deve levar em conta os fatores relevantes
soluo de problemas enfrentados pelo programador e pelos especialistas que o
idealizam. Logo, para apresentar eficincia, essa ferramenta deve ser projetada de
forma a atender s necessidades especficas da realidade presente na regio onde
concebida (VILANOVA, 2009). Quando no feito dessa forma especfica e o
intuito a concepo de um simulador generalista, devem ser atendidos mltiplos
conjuntos de requisitos provenientes de diversas culturas e cenrios, o que pode
aumentar em muito a complexidade do modelo e sobrecarregar a lgica e o motor
da simulao, tornando-o mais lento e pesado.
Num primeiro momento, o que interessa ao programa deste mestrado o
alinhamento do paradigma dos AGs prtica local, que a de estabelecer planos
mais generalistas que durem por perodos longos a partir de observaes de campo
onde basicamente so feitas coletas de dados agregados tpicos de simuladores
macroscpicos, como fluxo, fluxo de saturao e tempos de percurso.
Considerando que cada simulao dever compreender janelas temporais de
algumas horas e que para cada execuo de um AG necessrio realizar milhares
de simulaes, a ferramenta deve ser rpida o suficiente para que a execuo ocupe
um intervalo de tempo plausvel de, no mximo, poucas horas at chegar a uma boa
soluo e permitir a anlise e ajuste pelo engenheiro de trfego. Alm disso, o
programa possuir, enquanto prottipo dentro do tempo e recurso envolvidos em um
mestrado, diversas simplificaes para que ele atenda, neste momento, somente os
requisitos de parametrizao usuais da Companhia de Engenharia de Trfego de
So Paulo (CET-SP), mas que no comprometam sua verossimilhana.
49



Em segundo plano, deve-se pensar em um simulador que seja rpido o
suficiente para uma futura aplicao do AG resoluo de problemas em tempo
real. Apesar do estado tecnolgico da rede paulistana ainda estar longe de permitir a
aplicao de um sistema como esse, num futuro em que isso seja possvel, se o
prottipo seguir evoluindo, com inteface grfica fcil e intuitiva, mais flexibilidade de
controle semafrico e um AG mais completo, acredita-se que o AG possa trazer
ganhos maiores ainda, como observado em alguns dos artigos citados
anteriormente.
Foi levado em considerao ento que no seria o melhor caminho importar
um simulador comercial j que as solues aplicadas para a cidade de So Paulo
so mais simples e so tipicamente planos fixos de temporizao que perduram por
horrios de pico ou entrepico inteiros, e, alm disso, no que diz respeito ao prprio
controle semafrico, ainda estamos lidando com uma grande predominncia de
semforos cujo funcionamento no passa da carta de tempos configurada, salvo as
raras excees dos semforos inteligentes que esto totalmente funcionais.

5.2 Resumo Descritivo do Modelo
O GenPolis um simulador de trnsito mesoscpico, projetado para simular
rapidamente malhas complexas de vias concorrentes e semaforizadas que possuam
segmentos mais curtos. Nele, toda a rede simulada simultaneamente em passos
equivalente a um segundo real, que a prtica mais usual. Isso significa que, a cada
ciclo de clculos da rede toda (passo), o simulador apresenta uma foto virtual do
estado da rede estudada. O projeto possui um construtor preliminar responsvel por
preparar a malha viria virtual automaticamente como grafo atravs de dados
externos.

O ambiente de simulao composto basicamente de trs entidades:

Segmento de Rua (Link): Se assemelha a uma esteira, movimentando
todos os veculos com igual velocidade;
Cruzamento (N): Pode conter um semforo ou no e responsvel por
distribuir os veculos dos segmentos montante para os segmentos
conectados jusante;
50



Veculo: Partcula bsica de carga do sistema.

Do lado da herana microscpica temos apenas que o simulador descreve
seus veculos de forma unitria, enquanto que pelo lado mesoscpico predominante,
o comportamento dos veculos regido por determinaes agregadas de velocidade
fixa (em funo do tempo de percurso medido), no permite ultrapassagens e as
converses so baseadas em probabilidade, sem a existncia de caminhos pr-
traados. Logo os fluxos das malhas virtuais sero compostos de forma estatstica e
consolidada sem se preocupar em atribuir qualquer tipo de identidade a cada um
dos veculos que percorre a malha.
Os veculos so descritos dessa forma unitria no prottipo pois, alm de ser
um modo intuitivo e simples, ainda se contempla a possibilidade de se criar um
simulador microscpico com velocidades variveis e o modelo carro-seguidor a partir
dele no futuro. Ensaios e maiores detalhes acerca disso so tratados na ltima
seo do trabalho. Ao mesmo tempo, como j foi dito, os dados necessrios para a
constituio de uma simulao que esteja de acordo com o padro de coleta da
CET-SP so somente agregados e apontam para o uso de simuladores
macroscpicos ou mesoscpicos, de modo que a constituio de um simulador
microscpico aumentaria desnecessariamente a necessidade de leituras de campo e
calibragens relativas a parmetros como distanciamento entre veculos e ritmo de
frenagem/acelerao, sendo que tal processo envolveria uma equipe de
engenheiros de trfego, muito mais do que apenas um nico pesquisador.
Alm disso, vale ressaltar aqui que no do escopo deste projeto simular
corredores mais longos e vias expressas, de modo que ainda no se busca saber se
este simulador pode represent-los fielmente, ou mesmo otimiz-los de forma
plausvel e eficiente, pois geralmente as solues encontradas para estas vias
dependem mais de aspectos topolgicos como nmero e largura de pistas, traado e
velocidades mximas.

5.3 Arquitetura da Ferramenta
Nesta seo sero descritos os blocos que constituem a ferramenta para que
seja passada uma idia inicial sobre o fluxo de informao.

51



5.3.1 City Engine e OpenStreetMaps
A princpio, devido ao carter inicialmente mais experimental desse estudo a
gerao da malha viria do simulador teria formato semelhante ao das redes do
Transyt-7F e poderia ser feita de forma padronizada (Blank) ou, a partir desse
padro, seria constituda uma malha com uma conformao aleatria aparentemente
mais realista, como podemos ver abaixo na Figura 7.

Ma"a #i$ria %adro (Blank)
Ma"a #i$ria aeat&ria

Figura 7: Conceito inicial de rede viria para o simulador.
Rede padro (esquerda) e rede aleatria (direita)

Este modelo de vias perpendiculares foi escolhido inicialmente pois alm da
relativa simplicidade de implementao, parte-se do pressuposto simplificado de que
enquanto dirigimos realizamos geralmente trs escolhas: prosseguir, virar
esquerda ou virar direita.
Entretanto, foram avaliadas e escolhidas ferramentas computacionais
comerciais que trouxeram ganhos em vrios sentidos, pois ao mesmo tempo que
pouparam uma boa parte do tempo de programao para criao da malha
padronizada/aleatria devido possibilidade de automatizao, ainda assim
possibilitaram a criao de uma malha bem mais verossmil. A ferramenta escolhida
para isso foi o software City Engine, que normalmente usado para planejamento
urbano e para a criao de ambientes virtuais destinados principalmente a jogos,
demonstraes e filmes, e que possibilita a importao de malhas reais e seus
respectivos dados geogrficos disponveis no site OpenStreetMap
(http://www.openstreetmap.org/).
52





Figura 8: Captura de tela do recurso de exportao de redes virias do site
www.openstreetmap.org

As ruas enquadradas na imagem (Figura 8) so traduzidas para uma lista de
segmentos que so especificados como uma coordenada geogrfica inicial e outra
final e que respeitam o sentido da rua. Essa lista lida pelo programa City Engine
(Figura 9), aonde vrios parmetros podem ser editados atravs de um campo
especfico, de forma que a malha possa ento ser compactada e alterada de forma
prtica at ficar adequada para a simulao.

53




Figura 9: Captura de tela do software City Engine para planejamento urbano, num momento em
que uma rede extrada pelo openstreetmap editada para ser simulada. A rede em questo a
regio da Avenida Paulista, em So Paulo

5.3.2 Construtor
Uma vez editada, a malha pode ser exportada do City Engine na forma de
uma lista de segmentos com identificaes numricas para ser ento utilizada no
GenPolis. No prottipo, atualmente essa lista lida pelo programa Construtor
(Figura 10) e combinada com outro arquivo de texto que contm uma tabela os
parmetros de cada segmento, provenientes das leituras de campo, a saber: o fluxo,
fluxo de saturao e tempo de percurso, e o parmetro topolgico que indica o
nmero de faixas, e que juntamente com o comprimento (calculado pelo programa),
serve para efetuar o clculo do nmero de vagas, ou seja, a capacidade de
represamento de veculos do segmento.
Dessa forma esse programa transforma a lista de segmentos e a tabela de
parmetros em um modelo de malha viria conexo onde no s temos os
segmentos, mas um grafo provido de conexes entre segmentos e os consequentes
ns.
Todos esses dados podem ser verificados visualmente e ento salvos e
traduzidos para uma tabela que dever ser lida pelo construtor interno do Simulador.
54





Figura 10: Captura de tela apresentando a rede apresentada na Figura9, aps edio no
sotware City Engine e compilada no construtor do GenPolis

5.3.3 Simulador
Cada execuo do construtor cria um arquivo de texto com o grafo e todos os
parmetros pertinentes malha viria a ser simulada. Caso seja necessrio esse
arquivo manipulado e tratado para ser aberto e lido pelo Simulador, que recria o
grafo na memria do computador e prepara a simulao.
Em cada simulao o simulador responsvel por transformar os dados
binrios de um cromossomo recebidos do AG em um plano semafrico fixo para a
rede executada. Isso tambm pode ser feito diretamente atravs de um arquivo de
texto onde o tempo de ciclo e os tempos de abertura e fechamento dos sinais so
descritos explicitamente. Aps esses clculos o simulador carregado seguindo um
ritmo inicial fixo at que se atinja certa estabilidade, para da iniciar a avaliao e a
simulao efetiva (maior detalhamento na seo 5.4.4.).
Durante a execuo do AG o simulador executado sem qualquer tipo de
visualizao, mas naturalmente foi criada uma interface simples em OpenGL para
que o usurio possa checar visualmente o funcionamento e comportamento da rede,
enquanto ao lado o console passa informaes consolidadas de funcionamento e do
estado de congestionamento da rede, como observado na Figura 11.
55



Para maior entendimento: os pontos luminosos so veculos em circulao, as
barras vermelhas so as filas e os segmentos pintados em rosa so aqueles em que
o fim da fila calculado se encontra na extremidade montante do segmento (bloqueio,
ou queue spillback em ingls), impedindo a entrada de mais veculos neste.


Figura 11: Captura de tela de simulao de teste. Valendo ressaltar que esta rede se assemelha
somente geometricamente regio da Av.Paulista pois aqui os parmetros utilizados para as
vias foram todos padronizados, sendo que existem semforos em todos os cruzamentos para
se estressar o modelo

5.3.4 Algoritmo Gentico
O AG consiste de uma camada superior de controle que passa
sequencialmente ao simulador cada um dos cromossomos gerados ao longo da
evoluo para interpretao e criao dos planos de sincronizao semafrica a
serem testados. Ao final de cada simulao o AG registra o ndice de mrito
conferido quele cromossomo para posterior classificao, seleo cruzamento e
mutao, que sero realizados para constituio da gerao seguinte de planos
candidatos.

5.3.5 Fluxograma da Ferramenta
Abaixo, na Figura 12 temos uma ilustrao que resume o fluxograma do GenPolis.
56




GenPolis City Engine:

Extrao de mapa, edio e
definio manual dos parmetros
especficos de cada segmento
(flux, fluxSat, el!"#$
Excel:
%a&ela do grafo
compilado
Construtor:
Compilao da lista
de segmentos em
grafo e display deste
em 'penG(
Simulador
"lgoritmo
Gen)tico
Excel:
*esultados do "G

%a&ela de n+s com respectias
cartas de tempo e fases
encontradas

Figura 12: Fluxograma do GenPolis

5.4 Detalhes do Funcionamento (Modelo de Simulao)
5.4.1 Movimentao dos Veculos Pelo Segmento
Diretamente falando, para o GenPolis a velocidade de deslocamento dos
veculos dada em funo do tempo de percurso medido para cada segmento
simplesmente pela equao:
.
(Eq.1)

Essa velocidade ento constante e inaltervel na simulao, para todo
veculo, durante todo o percurso e independente da condio de congestionamento
em que se encontra o segmento. Dessa forma, todos os veculos seguem da entrada
do segmento para a linha de reteno ininterruptamente e, uma vez que chegam
nesse ponto, no caso de haver um sinal vermelho, eles so empilhados como em
uma fila vertical, retratada na Figura 13 (de forma anloga ao que era implementado
no TRANSYT antigamente). Mas no caso do GenPolis, as desvantagens dessa
57



abordagem foram eliminadas pois a fila calculada e dissipada de forma explcita
usando mtodos que sero descritos mais a frente.
'in(

Figura 13: Em um segmento/link, veculos em movimento (verdes),
veculos empilhados (vermelhos)

Vale observar que, durante o desenvolvimento, modelos mesoscpicos de
controle de velocidade foram implementados e avaliados, mas, uma vez que foram
desenvolvidos mecanismos especficos para o clculo da extenso e dissipao de
filas preferiu-se deix-los para um estudo futuro. No Apndice A encontra-se uma
descrio desse modelo de controle.

5.4.2 Servidor de Filas
Como j visto, quando um veculo termina de percorrer o segmento, no ponto
de sada do segmento ele incrementa a pilha de veculos que podem ser transferidos
para os segmentos jusante. Assim, existem dois mtodos elegveis para se
distribuir a demanda (Ilustrados na Figura 14):

i) Roteamento por porcentagem de converses do segmento:
Os veculos que so passados adiante dessa forma so sorteados de acordo
com as porcentagens de veculos que seguem em frente e de veculos que fazem
cada uma das converses possveis, como em uma roleta em que aos movimentos
com maiores probabilidades destinada uma fatia maior. Este tipo de roteamento
aplicado aos segmentos mais relevantes da rede, sendo normalmente os que
possuem semforos na linha de reteno (segmentos de aproximao) e aqueles
cujos movimentos possuem relevncia direta para outros segmentos que sejam
aproximaes de semforos.

ii) Roteamento por fluxo dos segmentos jusante:
Os veculos que so passados adiante dessa forma so sorteados de acordo
com os fluxos medidos dos segmentos candidatos (jusantes), como em uma roleta
em que aos segmentos com maiores fluxos destinada uma fatia maior (VILANOVA,
58



2009). Este tipo de roteamento aplicado aos segmentos da rede que no possuem
semforos e no se encontram no meio do caminho entre dois semforos prximos,
ou seja, o perfil de envio de veculos no importante, s sendo necessrio que os
segmentos jusante sejam carregados ao longo da simulao com quantidades de
veculo condizentes com as leituras de campo.
1


'in( 1
'
i
n
(

)
'
i
n
(

*
'in( +
,000 #e-/"
*000
1000
1000
*000
1000
1000
'in( 1
'
i
n
(

)
'
i
n
(

*
'in( +
1
0
0
0

#
e
-
/
"
+000 #e-/"
)
0
0
0

#
e
-
/
"
+000
)000
1000

Figura 14: Mtodos de roteamento por i:porcentagens de converso no segmento montante
(esquerda) e ii:fluxo total dos segmentos jusante (direita)

Por ltimo, a cada ciclo de simulao, se o segmento possui um ou mais
veculos para serem transferidos, incrementado em um contador de transmisses
do segmento um valor igual ao fluxo de saturao, mas que agora convertido em
veculos equivalentes por segundo. Nos ciclos em que este contador possui valor
maior do que um, o segmento entra em um ciclo de decremento seguido de
passagem de veculo at o contador voltar a ter um valor menor do que um, e nos
momentos em que no h veculos para serem transferidos, a esse contador

1
Essa diferenciao existe, pois na verso prottipo do GenPolis, desde que a primeira lista de
segmentos extrada do OpenStreetMaps, no h uma ordem bem definida de quais segmentos da
malha escolhida so registrados primeiro e quais so registrados por ltimo. Ento quando essa lista
passada para o construtor, a montagem das tabelas de relao link_montante link_jusante no
segue uma regra. Assim, um segmento que tenha dois outros segmentos ligados a ele aps a linha
de reteno, ter os dois segmentos referenciados na sua lista de segmentos jusante, mas no se
pode dizer automaticamente nesse momento qual deles o de seguir em frente e qual o de
converso. Desse modo, a segunda regra de roteamento adotada como padro no construtor, pois
os dados de fluxo j esto referenciados no arquivo que possui a tabela de consulta. Finalmente, para
que a primeira regra de roteamento seja implementada, necessrio, atualmente, abrir o arquivo e
atribuir essas porcentagens manualmente, baseando-se tambm, nas leituras de converso
realizadas ao mesmo tempo que as leituras de fluxo.

59



atribudo valor nulo. Este tipo de truncamento foi escolhido pelo fato deste simulador
no trabalhar com pacotes de mltiplos veculos (ou parcelas) como normalmente
feito em simuladores mesoscpicos, mas sim elementos unitrios.
Quando um veculo passado para outro segmento, ele vira o veculo
apontado como o veculo do fundo pelo segmento receptor, e o veculo apontado por
ele como o veculo de trs designado como o veculo frente da fila do segmento
transmissor.

5.4.3 Clculo Explcito de Filas e de Bloqueio de Segmento
Uma das variveis mais importantes que devem ser calculadas o tamanho
da fila ou, mais importante ainda, a posio do final dela e, eventualmente, a
ocorrncia de bloqueio do segmento caso essa posio seja o ponto de entrada
deste. J de incio importante ilustrar como a fila mais simples, a que cresce atrs
de um perodo de sinal vermelho que acabou de iniciar em uma rede no saturada,
calculada no GenPolis.
J foi dito que os veculos so empilhados no ponto de sada do segmento
enquanto o atravessam por inteiro. Observe a Figura 15 para melhor entendimento
do raciocnio que vem a seguir. No simulador, em todo passo de simulao e para
cada segmento, os veculos empilhados so contados (Figura 15, parte A) e o
correspondente comprimento horizontal dessa primeira parcela da fila calculado,
tendo-se por consequncia uma medida preliminar da posio do fim da fila (Figura
15, parte B). Num segundo momento do clculo executado um ciclo que inicia por
observar se o veculo que est em movimento e com posio mais avanada j se
encontra em uma posio mais adiantada do que a posio preliminar do fim da fila
(Figura 15, parte B). Em caso positivo, o programa acrescenta o comprimento desse
veculo posio do fim da fila (Figura 15, parte C) e repete essa rotina para os
outros veculos em movimento e mais avanados at no haver mais veculos a
serem checados ou at um veculo ser checado como em posio mais atrasada em
relao ao fim calculado da fila (Figura 15, parte C e parte D). Em uma analogia,
estes veculos em movimento que so capturados nessa rotina so aqueles que, na
realidade j estariam parados na fila caso o cenrio fosse o de uma simulao
microscpica, com a implementao de uma fila horizontal.
60



"
,
C
-
posio preiminar do .imda .ia
posio .ina do .imda .ia

Figura 15: Exemplo de clculo do fim da fila realizado em um passo de simulao

Uma vez entendido isso, adiciona-se somente a observao de que, como o
link do GenPolis apenas uma esteira homognea, independente do nmero de
faixas da sua contraparte real, cada veculo ocupa um espao proporcional ao seu
tamanho real, dividido pelo nmero de faixas, o que significa que se um carro ocupa
seis metros de sua faixa de rolagem, em um link de uma faixa do GenPolis ele
ocupa esses mesmos seis metros, mas em um link de duas faixas ocupa trs metros
e em um link de trs faixas, ocupa dois metros.

Propagadores de Espao
Em uma fila, normalmente, temos partculas que se movimentam para frente,
do fim at o incio dela. Eventualmente, quando o elemento da frente da fila sai, ele
libera um espao que dever se propagar para trs na medida em que o elemento
que estava logo atrs anda para frente para ocupar o espao vago, seguido pelo
elemento que est atrs dele e assim sucessivamente at o fim da fila. Logo, o que
se adotou para este simulador foi o uso de propagadores de espao que andam
para trs no segmento e que funcionam como uma memria que continua
considerando, durante mais algum tempo, os espaos previamente ocupados pelos
veculos que saram do segmento. Em todo passo de simulao, para cada link
criado um propagador, que possui armazenada a contagem de veculos que foram
liberados no segundo em que ele foi criado. Dessa forma, qualquer link onde houver
61



fila formada possuir no s veculos como tambm uma sequncia de
propagadores em movimento contrrio.
Pensando de forma intuitiva, quando estamos parados em uma rua com o
semforo fechado e em algum ponto intermedirio de uma fila, normalmente no
iniciamos o movimento no mesmo instante em que o semforo abre, pois devemos
esperar que os espaos se propaguem at o ponto onde estamos. Assim, como
dizer que estes espaos propagados so os nossos semforos efetivos, semforos
mveis que esto constante e exatamente nos dizendo quando andar e quando
parar no momento em que passam pela nossa posio, podendo essa sequncia de
sinais ser mais ou menos bem comportada. Pensando nisso, foi determinado que
cada propagador carregaria consigo no s a informao de quanto espao foi
liberado no momento da sua criao, mas tambm o prprio fato mais fundamental
de se o segmento pde ou no liberar veculos no referido passo de simulao.
Assim, num primeiro momento um propagador criado como semforo mvel
vermelho se o semforo do n est vermelho para o segmento e como um semforo
verde se o semforo do n est verde para o segmento. Normalmente quando o
semforo do n est verde, o segmento pode liberar veculos, porm isso no
significa que ele vai conseguir. Supondo que o segmento transmissor s possa
liberar um nico veculo neste ciclo e que o segmento sorteado para o qual esse
veculo ser transmitido seja um que se encontra lotado, ou bloqueado, o segmento
no liberar o veculo e o propagador ser criado como um semforo mvel
vermelho no lugar de um verde. Ou seja, o semforo mvel vermelho se o
segmento tenta liberar veculos sem sucesso, apesar do semforo do n estar verde
sua frente.
Abaixo temos na Figura 16 uma ilustrao exemplo para facilitar a
visualizao do processo que ocorre em alguns passos de simulao em seguida ao
instante t0, o passo de simulao que foi retratado na Figura15. Nessa passagem,
num primeiro momento, o semforo fica verde, alguns veculos so liberados e
propagadores 1 e 2 relativos aos espaos desses veculos so criados (t0+1 e t0+2),
ocupando cada um 6 metros de fila. Esse semforo fechado logo depois (t0+3),
mas o espao ocupado pelos veculos liberados continua contribuindo para o
tamanho da fila enquanto mais veculos (8 e 9) passaram pelo fim da fila em t0+1.
62



Com isso o fim da fila fica mais longe da linha de reteno apesar do segmento
possuir menos veculos dentro dele, bem como acontece no mundo real.
/ 0 1
/ 0 1 , 1
)
+
*
2
)
+
*
2
/ 0 1 +
*
2
,
/ 0 +
*
2
,
1
t.
t./0
t./1
t./2
0
,
1 )
1
1 0
)
1
propagador #erde 1 (espao ,m) criado
propagador #erde ) (espao ,m) criado
propagador #erme"o (espao 0m) criado
propagador #erme"o (espao 0m) criado
+
*
2
,
1
t0
0 1
0
/
)
+
*
2
,
1
t0/0
0
/
) 0 1
+
*
2
,
1
t0/1
0
/
) 0 1
+
*
2
,
1
t0/2
0
/
)
0
propagadores andaram
%ropagadores #erdes c"egamao .imda .ia e segmento 3 desbo-ueado
4egmento 3 bo-ueado

Figura 16: Exemplo de propagao de espaos com bloqueio e liberao de segmento
Aps algum tempo, supondo que em t1 mais um veculo tenha entrado no link
com o semforo fechado, os propagadores ainda esto percorrendo a fila e o
resultado o de que o segmento fica bloqueado por algum tempo (t1+1 e t1+2) at
os propagadores chegarem ao ponto de entrada, finalmente liberando espao para
mais veculos entrarem.
Essa intermitncia dependente da possibilidade de andar ou no a cada
segundo, principalmente ao longo do tempo em que o veculo est em uma fila
63



congestionada, sendo feita no intuito de que se possa calcular precisamente a
propagao de uma ou mais ondas de choque pela fila principal do segmento, e
assim simular a existncia de diversas sub-filas, como podemos observar na figura
mais a frente, que contm uma imagem retirada do simulador.
A velocidade de propagao destes sinais fixa e refere-se ao tempo
necessrio, quando o segmento est lotado, para um espao se propagar do
comeo (primeiro veculo) ao fim da fila (ltimo veculo) (Eq.5). Essa velocidade
calculada primeiramente a partir do tempo de esvaziamento do link, que por sua vez
calculado diretamente a partir do nmero de veculos que ele pode represar
dividido pelo seu fluxo de saturao em veculos por segundo (Eq.2). Entretanto, o
tempo de esvaziamento da fila envolve o escoamento do primeiro ao ltimo veculo
de um segmento lotado para o segmento seguinte e somente usar esse fator criaria
o erro de que o final da fila s seria liberado quando todos os veculos j tivessem
sado do segmento.
Dessa forma, deve ser subtrado do resultado obtido anteriormente (Eq.4) o
tempo que o ltimo veculo leva para atravessar o segmento inteiro (Eq.3), pois
assim obtemos o intervalo de tempo entre o primeiro veculo ser liberado e o ltimo
veculo comear a andar a partir do ponto de entrada do segmento. (conceito
fechado em reunio com VILANOVA em 2011). Abaixo, temos o processo resumido
do clculo dessa velocidade de propagao.
.
(Eq.2)

.
(Eq.3)

.
(Eq.4)

.
(Eq.5)

Com

sendo o nmero mximo de veculos admitidos pelo link e o
comprimento do link. Valendo observar que, em segmentos de entrada da rede essa
lgica no deve ser implementada, pois teoricamente eles possuem capacidade
infinita de represamento por possurem segmentos ligados montante que sejam
passivos de serem bloqueados. Segmentos que no possuem veculos empilhados
no geram propagadores.
64



A cada passo de simulao um propagador criado e ele e todos os outros
propagadores existentes so deslocados velocidade de propagao na mesma
rotina em que os veculos so deslocados, ou seja, antes da rotina de clculo do fim
da fila.
Com essa modelagem desenvolvida para o GenPolis o intuito o de se
respeitar explicitamente os fluxos de saturao medidos e os tempos de dissipao
de fila, que so os dados que vo impactar no comportamento da posio do fim da
fila, varivel essencial para a determinao da disponibilidade que cada segmento
tem de receber veculos ou no a cada passo de simulao.

Sequncia do Clculo da Fila
Concluindo, podemos dividir a populao de elementos mveis contida no
segmento em trs, aquela composta pelos veculos que esto na pilha esperando
pela sua liberao, aquela composta pelos veculos que esto percorrendo o link e
aquela composta pelos propagadores de espao, Cada um destes conjuntos ter
uma parcela de responsabilidade no clculo do ponto em que se encontra o fim da
fila a cada passo de simulao.
Inicialmente, tendo sido exatamente contabilizados todos os veculos
empilhados o fim da fila calculado da seguinte maneira:

.
(Eq.6)


Com sendo o nmero de pistas do segmento, relembrando que esta
diviso feita, pois no GenPolis, o link, independente do nmero de pistas que a
contraparte real possui, constitui um nico canal homogneo de passagem de
veculos onde no h diferenciao de pistas.
Em seguida, todos os contadores armazenados nos propagadores so
somados e multiplicados pela relao , e, por ltimo executada a
rotina de adio dos veculos ainda em movimento, e que logicamente no esto na
pilha. Por fim a cada passo de simulao o trem de propagadores tem sua extenso
controlada seguindo duas regras:

65



i. Aps a movimentao dos propagadores o propagador que estiver
localizado aps o fim da fila atual eliminado
ii. Quando um propagador verde o propagador eliminado, o programa entra
em um ciclo de eliminao de propagadores at encontrar um propagador vermelho.

A regra i traduz o fato de que no h necessidade de se haver um semforo
mvel em propagao aps o fim da fila se o sentido de sua existncia a prpria
fila, e a regra ii anloga ao fato de que uma sequncia de semforos mveis
verdes que chega ao fim da fila representa que o novo fim da fila est mais frente,
pois o espao referente a eles um espao vago.
Abaixo, na figura 17 podemos ver parte de uma tela do simulador em
funcionamento seguido de legendas que ajudam a clarificar o funcionamento do
clculo das filas e propagao de espaos

A Link Bloqueado (fim da fila no final do segmento);
B e F Espao se Propagando;
C Carros em Movimento;
D Fim da ltima Fila do segmento;
E Segunda Sub-Fila;
G Primeira SubFila

Figura 17: Detalhe legendado do ambiente de simulao


66



5.4.4 Manipulao de Demanda
Nesta seo ser explicado como o simulador alimentado, ou em outras
palavras como so inseridos os veculos na malha virtual.
Curva de Insero e Pontos de Entrada
Para podermos simular uma situao de trnsito real, e como j fora
abordado no incio deste trabalho, necessrio que se pense em atribuir ao
prottipo uma demanda dinmica que permita simular os efeitos de carregamento e
descarregamento da rede. Logo para este projeto foi escolhido um sistema de
insero de veculos que represente no somente o momento de pico de trfego
mas sim todo o perodo em que se d o aumento e a diminuio da demanda,
fazendo com que o perfil de entrada de veculos na malha virtual lembre situaes
reais como as observadas na Figura 1, e ento, a situao tpica a ser simulada
aquela cuja curva de insero (em nmero de veculos por segundo) se assemelha a
uma gaussiana, sendo que esse processo de insero faz uso de tcnica de
truncamento semelhante quela relativa liberao de veculos por meio dos links.
Em outras palavras, se de acordo com a curva, em um ciclo de simulao devem ser
inseridos 2.5 veculos, e no prximo ciclo, 2.7, no primeiro ciclo sero adicionados 2
veculos e no prximo 3, sobrando 0.2 para futuros truncamentos (Figura 18).

0
1
)
+
*
2
,
1
0
0 )00 *00 ,00 000 1000 1)00 1*00 1,00 1000 )000 ))00 )*00 ),00 )000 +000 +)00 +*00 +,00
5ur#a Truncada 5ur#a 5ont6nua

Figura 18: Perfis contnuo (vermelho) e discreto (azul) de insero de demanda.

O processo de clculo da insero no simulador consiste primeiramente em,
ainda no construtor, somarmos todos os fluxos (veq/h) dos links de entrada, que
ento multiplicado pelo nmero de horas reais que a simulao vai representar para
termos ento o nmero total de veculos a serem simulados. Os veculos podero
ser inseridos no simulador de duas maneiras distintas, primeiramente, e em quase
67



sua totalidade, pelos prprios links de entrada que constituram essa soma e que
representaro a grande maioria dos veculos que apenas passam por qualquer sub-
rede viria real e, complementarmente, em uma parte menor, pelos links internos,
sendo esses veculos por sua vez aqueles que representam os veculos que saem
de plos geradores de trfego como estacionamentos, shoppings, escritrios e
vagas de rua homogeneamente distribudas pela rede. Normalmente esse segundo
contingente modelado atravs de links de entrada que se encontram dentro da
rede e representam esse plos geradores mencionados, mas para o estudo de caso
desse trabalho, foi avaliado ser desnecessrio simular tais links, pois a coleta de
dados que seria destinada a eles ocuparia um tempo importante que foi destinado a
executar as medidas de segmentos mais relevantes. Ento a medida adotada para
insero interna foi a de 2% (seguindo orientao de Luis Vilanova, especialista em
trnsito da CET-SP, em 2011).
Para regular isso, um fator deve ser definido no incio da simulao para que
se crie uma proporo entre o nmero de veculos que esto apenas de passagem e
o nmero de veculos que inicia seu movimento dentro da rede. Determinado esse
fator, a insero ao longo da simulao de cada veculo segue duas regras distintas:
Quando sorteado que o veculo deve ser inserido na malha atravs de um
link de entrada, o link por onde esse veculo vai ser adicionado sorteado
atravs do uso de uma roleta em que cada link de entrada possui uma fatia
proporcional ao seu fluxo.
Quando sorteado que o veculo deve ser inserido na malha atravs de um
link interno, feita a mesma coisa, mas nesse caso a fatia proporcional ao
peso do segmento na malha interna, que dado pela multiplicao de seu
fluxo pelo seu tamanho.
No caso dos links de entrada, a insero sorteada de acordo com o fluxo
porque estes segmentos so tratados como se tivessem comprimento
indeterminado, pois representam toda a demanda de origem externa ao sistema e
que envolve inmeros links no simulados que estariam contribuindo de forma virtual
para alimentar o sistema. Enquanto isso, no caso dos links internos, os sorteios so
feitos de acordo com o peso dos segmentos da malha interna, pois como essa
insero feita de forma homognea, deve-se considerar o tamanho de cada
segmento alm do fluxo deste.
68



importante lembrar que para ambas as possibilidades de entrada ignora-se
o fato do segmento estar bloqueado ou lotado e trata-se a insero como um
represamento que, no caso dos links de entrada representa os veculos que esto
esperando para entrar nas vias externas malha simulada e, no caso dos links de
entrada a situao semelhante tentativa de sada de um estacionamento quando
sua frente a rua encontra-se com o trnsito parado.
Carregamento Inicial
Toda simulao precisa ter suas condies iniciais bem definidas para que
no haja transitrios anmalos. No caso de uma simulao de trnsito, qualquer
perodo que se deseje representar traduz uma situao real ao longo de um
determinado perodo, e em situaes reais os veculos e o trnsito no
simplesmente aparecem na malha viria, pois no momento em que se comea a
observar o trnsito, muitas coisas j estavam acontecendo, como veculos no meio
de seus percursos e at mesmo congestionamentos. Ento, ao invs de se regular
manualmente essas condies at que se encontre um resultado satisfatrio, a
soluo encontrada foi deixar a prpria malha virtual criar as condies iniciais que
recriem a situao do sistema virio simulado no instante em que a simulao de
fato iniciada, ou seja, dado um tempo para o sistema entrar em regime, quando
de fato iniciada a simulao. Foi escolhido fazer isso, pois a princpio a rede deve
possuir uma capacidade de auto regulao de sua populao na medida em que, ao
mesmo tempo em que determinadas quantidades de veculos entram na rede, outra
quantidade de veculos sai dela.
Assim, para evitar transitrios abruptos, o que se faz neste sistema usar o
valor inicial da gaussiana escolhida como o ritmo de entrada padro para cada
segundo simulado e, ao longo dessa simulao prvia, aps determinados perodos
so feitas leituras do nmero de veculos (normalmente dois minutos) e comparadas
com as leituras dos perodos anteriores. Quando a diferena percentual de
contagem entre as ltimas duas leituras tal que no supera pequenos valores
definidos (1% a 5%) previamente simulao o sistema tem naquele momento a
sua condio inicial satisfeita e comea ento a simulao pretendida, com o relgio
de insero percorrendo a gaussiana de fato.
69



Retirada ou Recolocao de Veculos
Mesmo com dados confiveis que remontam uma situao real, no h
garantia de que a malha virtual alimentada por esses dados no ficar instvel e
apresente um de dois comportamentos extremos, a saber, o quase completo
esvaziamento da rede durante a simulao ou o estabelecimento de um
congestionamento total da rede, quando tanto uma situao quanto outra no
correspondesse realidade no momento da coleta de dados.
Nesse caso, para regular o sistema haver um parmetro que definir uma
proporo de reinsero ou de retirada de veculos e que servir assim para ajust-
la ao comportamento da rede real, sendo que, no primeiro caso, esse parmetro
desafogaria a rede e, no segundo caso, iria fazer alguma manuteno para mant-la
com uma populao de veculos mais prxima quela observada na realidade. At o
fim do projeto no se julgou necessrio realizar esse ajuste, entretanto isso no
significa que isso no venha a ser feito no futuro.

5.4.5 Programao Semafrica
Nesta seo ser retratado o processo utilizado pela CET para a
determinao do funcionamento dos semforos na cidade e que, consequentemente
o adotado para o mesmo fim neste simulador. O processo em questo o mtodo
dos graus de saturao (VILANOVA, 2005a) que se baseia nos nveis de ocupao
e uso das capacidades das vias para determinar tempos timos de ciclo e de verdes
para cada movimento, fazendo uso de ndices experimentais de ajuste para permitir
ao sistema mais ou menos flexibilidade no que diz respeito s flutuaes
comportamentais da rede viria.
Descrio da Carta de Tempos
Considerando como exemplo um cruzamento com dois movimentos
transversais, temos alguns perodos de tempo a serem considerados que vo alm
de simplesmente discretizar todo o ciclo como verde ou vermelho. Aqui vale explicar
sequencialmente qual o perfil do fluxo em vias concorrentes.
Partindo de um sinal vermelho em um segmento com um nmero
considervel de veculos, quando este passa para verde existe um perodo de
transitrio em que o fluxo de veculos passa de nulo at o nvel de saturao. Como
70



j dito, o fluxo de saturao a mxima vazo que um segmento pode dar aos
veculos no seu ponto de sada (linha de reteno). Ento temos um perfil inicial de
fluxo que se assemelha a uma rampa que parte do nvel nulo e sobe at um patamar
grampeado no valor do fluxo de saturao. Para fins de simplificao de clculo de
tempos de verde e de simulao, este perodo de transitrio pode ser dividido em
duas partes, sendo a primeira um tempo perdido do movimento com fluxo virtual
zero e a segunda metade o tempo aproveitado com fluxo virtual igual ao de
saturao.
Ao fim do movimento, no momento em que o sinal troca de verde para
amarelo, existe um tempo de acomodao em que esperado que alguns veculos
ainda cruzem a linha de reteno apesar do sinal de bloqueio iminente. Dessa
forma, neste momento do ciclo se observa uma rampa contrria anteriormente
descrita, onde se aplicam as mesmas simplificaes relativas a tempo perdido e
aproveitado. Dessa forma a simplificao leva a um perfil de fluxo que se assemelha
a um pulso de durao igual ao tempo de verde dimensionado, diminudo dos
tempos perdidos no incio e no fim do movimento.
Alm dos perfis de fluxo, ao serem considerados os dois movimentos
concorrentes, para fins de segurana necessrio dimensionar um tempo de
vermelho comum s duas vias para tentar fazer com que nenhum dos veculos que
atravessam o cruzamento no transitrio final do ciclo colidam com veculos do outro
movimento que estaro no incio do seu ciclo. A esse perodo dado o nome de
vermelho de limpeza.
Assim, ao final temos que intrnseco a todo sistema de vias concorrentes
certa quantidade de tempo sem movimentao efetiva, chamado de tempo morto,
que retratado por dois perodos (podendo ser mais do que dois no caso de
cruzamentos com mais movimentos concorrentes) compostos cada um pela soma
do tempo perdido no fim de um movimento, o tempo de vermelho de limpeza e
finalmente o tempo perdido do incio do outro movimento (VILANOVA, 2005c).
Para maior clareza, a Figura 19 consolida toda a descrio da carta de
tempos de uma forma ilustrativa, valendo citar que na realidade as transies so
mais abruptas e esto representadas desta forma para facilitar a visualizao da
carta.
71




%empo !orto %empo !orto
Patamares34luxos de Saturao
%empos Perdidos
5erm6 (impe7a
A
B

Figura 19: Perfil de Fluxo em ambos sentidos de uma linha de reteno e suas respectivas
cartas de tempos. Acima a linha azul se refere carta de tempos A abaixo e a linha laranja se
refere carta de tempos B abaixo. As linhas contnuas se referem ao comportamento real
enquanto as linhas pontilhadas se referem ao modelo com as devidas simplificaes.

Clculo da Carta de Tempos
Como j citado, o mtodo utilizado para os clculos de temporizao de
semforos o mtodo dos graus de saturao. O grau de saturao de um link, que
varia de 0 a 100%, significa o quanto da capacidade da via dever ser utilizado para
a passagem efetiva de veculos. Assim, quanto mais prximo de 100% esse ndice
menor a janela de tempo que sobra para os veculos que passarem acima do nvel
esperado, e desse modo menor o tempo de verde alocado e consequentemente
menor o tempo de ciclo calculado. Por outro lado, quanto menor o grau de
saturao, mais tempo de verde do que o necessrio ser destinado via, de forma
que maior ser o verde ocioso do sistema quando o fluxo de veculos estiver no nvel
esperado, mas que servir para acomodar eventuais fluxos adicionais no
contabilizados nas observaes. Para So Paulo, de acordo com a experincia dos
especialistas, os graus de saturao recomendados encontram-se na faixa de 80% a
90%. (VILANOVA, 2005), supondo ento flutuaes de fluxo que variam dos 11%
aos 25% acima das medidas.
Para definir o tempo de ciclo de uma rede inteira, deve-se determinar qual a
interseco crtica desta, ou, em outras palavras, aquela que possuir os links crticos
com o maior fluxo de veculos no sistema. Uma vez encontrada essa interseco,
deve-se definir o nvel de saturao para seus links montantes, em seguida calcula-
se a taxa de ocupao de cada um deles (Eq.7). Essas taxas sero ento divididas
72



pelos respectivos graus de saturao (Eq.8) e os resultados sero somados para a
obteno da porcentagem total de verde demandada a cada ciclo de operao do
semforo (Eq.9).

.
(Eq.7 )
.
(Eq.8 )
.
(Eq.9 )
.
(Eq.10)
.
(Eq.11)


De forma intuitiva, com o que temos at agora, se pensarmos no ciclo inteiro
simplificado de um semforo com dois movimentos, temos trs perodos a
considerar, o tempo de verde do primeiro movimento, o tempo morto e o tempo de
verde do outro movimento. Assim, aps calcularmos a porcentagem de verdes
necessria para cada movimento e somarmos ambas, o que faltar, se faltar, para se
atingir os 100% de capacidade do tempo de ciclo ser a parte destinada ao tempo
morto.
Uma vez calculado o tempo morto e tendo em mos a porcentagem de tempo
de ciclo referente a ele chega-se diretamente ao tempo de ciclo desejado para os
graus de saturao selecionados (Eq.10) e assim que forem aplicadas as
porcentagens teremos o tempo de verde efetivo para cada movimento do
cruzamento (Eq.11) e, consequentemente, a carta de tempos simplificada. Por
ltimo, uma vez tendo os tempos perdidos e aproveitados do incio e fim de cada
movimento, possvel traar a carta de tempos real includa dos tempos de amarelo.
Para o caso da soma das porcentagens de verde ser maior que 100%, o
cruzamento encontra-se saturado e necessrio grampear o tempo de ciclo no
maior permitido (tpicamente 120 segundos para o caso de So Paulo), subtrair o
73



tempo morto, e atribuir os tempos de verde ao tempo que restar de acordo com as
porcentagens obtidas.
Tempos de Ciclo Mximo e Verde de Segurana
Ao se calcular os tempos de ciclo e as distribuies de tempos de verde deve-
se tomar alguns cuidados baseados principalmente na experincia dos especialistas
de trnsito. Esses cuidados tm cunho mais prtico e so alguns dos que levam em
considerao aspectos psicolgicos no controle de trnsito.
Primeiramente, independente do que os clculos forneam como os tempos
de verde para quaisquer cruzamentos, eles no podem ser muito curtos, isso se
deve ao fato de que necessrio impedir situaes em que motoristas que saibam
do tempo curto de verde tentem chegar ao cruzamento e atravess-lo com pressa e
de forma arriscada, no intuito de evitarem ficar parados por mais um ciclo inteiro
esperando o prximo semforo verde curto. Assim, convenciona-se o perodo
mnimo possvel de qualquer sinal verde em teoria como sendo o de 12 segundos
(segundo recomendaes de VILANOVA, especialista da CET, em 2010).
Alm disso, tempos de ciclo demasiadamente grandes podem ser arriscados
na medida em que confundem e desconfortam motoristas e pedestres que esperam
em um farol vermelho muito longo. Dessa maneira, recomenda-se (VILANOVA,
2005b) adotar um tempo mximo de ciclo da ordem de 120 segundos, no podendo
este ultrapassar os 180 segundos.


5.4.6 Algoritmo Gentico
Nesta seo ser explicado com algum detalhamento o algoritmo gentico
usado no GenPolis.
Elementos do AG
Para que durante a seo de resultados se possa entender melhor o que ser
descrito, essa seo apresentar a analogia entre cada elemento do algoritmo
gentico e sua contraparte real no processo de seleo natural.
Cromossomo
74



No caso deste projeto, cada conjunto de valores que constitui o cdigo
gentico de uma soluo uma linha de cdigo binrio salva em arquivos que
reuniro vrias delas. O cdigo ser composto pelos seguintes parmetros:
- Graus de saturao de cada segmento que for aproximao de semforo;
- Defasagens para cada n da rede.
Neste projeto, como os graus de saturao recomendados (VILANOVA, 2005)
situam-se entre 80% e 90%, optou-se por trabalhar com 16 nveis de discretizao
(4 bits) entre 76% e 91%. Enquanto isso, como o tempo de ciclo mximo adotado
para o estudo de caso foi o de 120 segundos, optou-se trabalhar com 128 nveis de
discretizao de defasagem (7 bits). Na Figura 20 se encontra um cromossomo
exemplo usado para a otimizao da rede do estudo de caso, nela existem seis
semforos e treze aproximaes, totalizando 42 bits para as defasagens (6
semforos x 7 bits/semforo) e 52 bits para os graus de saturao (13 aproximaes
x 4 bits/aproximao).


Figura 20: Exemplo de cromossomo usado pelo GenPolis na codificao de um plano de
temporizao semafrica para o estudo de caso
Espcime e Espcie
Cada soluo que for parametrizada por um cromossomo, ou seja, cada
configurao da rede semafrica que for simulada constituir um espcime, um
indivduo, que ser avaliado, selecionado e, dependendo do seu desempenho,
poder participar de um cruzamento e mutao. No GenPolis, os indivduos usados
para representar uma mesma malha viria virtual simulada constituiro a espcie,
que, em outras palavras, ser o estudo de caso.
Processo de Seleo
O tipo de seleo escolhida foi a baseada em janelamento onde os mais
fortes sero mais favorecidos e para que assim aumente a presso evolutiva e se
permita rpidas convergncias. Espera-se que haja grande diferenciao entre as
alternativas da populao inicial, de modo que aquelas que apresentarem
desempenhos extremamente ruins j sejam eliminadas no comeo. Existe alguma
75



dvida se isso pode levar a convergncias prematuras, mas por enquanto a
prioridade provocar a execuo de um algoritmo gentico um pouco mais rpido,
dados os longos tempos de execuo. Ento outros mtodos de seleo sero
testados no futuro.
Tcnica de Cruzamento Escolhida
Neste Algoritmo Gentico a tcnica de cruzamento escolhida ser o corte
duplo circular, representado na Figura 21, onde ao filho ser atribuda uma metade
do cromossomo de cada pai, sendo que o ponto de corte ser definido
aleatoriamente para cada cruzamento. Abaixo se encontram alguns exemplos
ilustrativos desses cruzamentos.
Mutao
Cada novo indivduo da nova gerao poder sofrer alteraes simples e
aleatrias em cada um dos pedaos do seu cdigo. Ento, cada bit do cromossomo
ter uma probabilidade padronizada (normalmente definida entre 1% e 4%) de trocar
de valor, efeito tambm representado na Figura 21.
0 0 0 1 0 0 1 0 0 1 0 0 0 0 0 1 0 1 1 0 0 0 0 0 1 0 0 1 1 1 0 1
0 1 1 0 0 0 0 0 0 1 0 0 0 0 0 1
0 0 0 1 0 0 1 0 0 1 0 0 0 0 0 1 0 1 1 0 0 0 0 0 1 0 0 1 1 1 0 1
0 1 1 0 0 0 1 0 0 1 0 0 1 1 0 1
0 0 0 1 0 0 1 0 0 1 0 0 0 0 0 1 0 1 1 0 0 0 0 0 1 0 0 1 1 1 0 1
0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 1

Figura 21: Exemplos de corte duplo circular para cruzamento de cromossomos, com uma
mutao no terceiro caso (bit em vermelho)
76



ndices de Mrito
Existem diversos dados passivos de serem eleitos para realizar a avaliao
de cada indivduo simulado. Apesar da alta correlao que h entre eles, avaliou-se
executar o algoritmo gentico usando todos, um de cada vez, para identificar qual o
vis do conjunto de solues encontrada para cada um. Nesta seo ento so
descritos cada um dos ndices de mrito que o simulador permitir aferir.
Soma total dos atrasos de percurso
Cada segmento possuir um tempo de percurso livre que depender da
velocidade mxima permitida nele e seu de comprimento. Logo qualquer veculo que
demorar mais do que este tempo para cruz-lo de ponta a ponta j estar somando
um atraso que penalizar a simulao. Assim, a cada ciclo (segundo) de simulao
a quantidade de veculos atrasados (empilhados) somada a um contador at que a
simulao acabe. Este valor ser a consolidao do atraso de todos os veculos da
simulao e servir para classificar os cromossomos. Essa a medida de
desempenho mais importante e mais comumente utilizada devido ao seu
desempenho, pois diz diretamente por quanto mais tempo os congestionamentos
mantiveram os condutores na rua.
Nmero de paradas
Na prtica, tambm deve ser considerado o custo psicolgico pago pelo
motorista, principalmente por aquele que se encontra em redes congestionadas, ao
se realizar movimentos intermitentes de acelerao e frenagem. Alm disso, essa
movimentao incorre tambm no aumento da emisso de poluentes e portanto,
pode ser considerada como medida complementar ao atraso se multiplicada por um
fator arbitrrio de at 30 (como usado no simulador SIRI, em Vilanova, 2009)
2
.
No GenPolis o nmero de paradas de cada veculo incrementado uma vez
em que este entra na fila e sucessivas vezes para cada vez em que passar um
tempo de ciclo inteiro e ele ainda estiver localizado no mesmo segmento,
independente da posio.

2
Durante o estudo de caso, aps algumas simulaes de teste com planos aleatrios o valor
determinado para esse fator foi de 20 pois dessa forma a parcela do fitness relativa soma das
paradas se assemelhava dada pela soma dos atrasos.

77



Penalizao por bloqueio de transmisso (queue spillback)
Assim como com o contador de vias congestionadas, aqui as penalidades
podem ser conferidas aos indivduos a cada segundo dependendo da extenso dos
segmentos que se encontram bloqueados, ou seja, cujo fim da fila se encontra na
entrada deste, de modo a no permitir a entrada de mais veculos, fazendo a fila se
propagar alm do comprimento do prprio segmento.

5.4.7 Testes Iniciais de Funcionamento
Algumas simulaes de teste foram rodadas com a rede da Figura 10 para
avaliar a sensibilidade do simulador s curvas de demanda impostas e o
comportamento das filas. Uma curva de demanda com um pico curto foi inserida
com a janela simulada representando uma hora de tempo real (curva azul).
No geral o comportamento da rede mostrou-se dentro do esperado,
apresentando uma defasagem de carregamentos e de pico e outra de
descarregamento atrasadas em relao ao perfil de insero de demanda escolhido.
Abaixo, na Figura 22 podemos observar uma anlise de sensibilidade do
modelo em que a rede recebe um mesmo curto perfil de demanda com diferentes
amplitudes para que se observe o comportamento de carregamento e
descarregamento da rede de teste.
.
0
1
2
8
9
:
;
<
=
. 9 0. 09 1. 19 2. 29 8. 89 9. 99 :.
5
e
>
3
s
!inutos
.
9...
0....
09...
1....
. 9 0. 09 1. 19 2. 29 8. 89 9. 99 :.
S
o
m
a

d
e

4
i
l
a
s

(
m
$
!inutos

Figura 22: Perfis de insero de veculos em veculos equivalentes por segundo (acima e perfis
de comprimento somado de filas em metros para cada perfil de demanda (abaixo/em vermelho)

78



Pelos grficos possvel notar que existe uma mesma defasagem de
aproximadamente 12 minutos entre o valor de pico de insero de demanda e o
valor de pico de soma de filas medido na rede. Alm disso uma vez que a simulao
passa pelo valor de pico e o ritmo de insero de carros cai rapidamente, o ritmo de
descarregamento da rede (a inclinao das curvas vermelhas) o mesmo pois isso
depende do fluxo de saturao nos pontoos de sada da rede
5.4.8 Teste de Simulao Microscpica
Apesar do modelo como foi explicado j estar suficiente para a aplicao
pretendida, no intuito de tentar deixar o simulador mais semelhante realidade, foi
desenvolvido um modelo microscpico incipiente baseado em atenuao da
velocidade de locomoo em funo de distncia a barreiras efetivas ao movimento
(tanto linha de reteno em farol vermelho quanto o veculo da frente). Essa lgica
foi feita para simular de forma indireta as frenagens e aceleraes onde foram
usados os parmetros descritos a seguir, valendo ressaltar que todo o clculo dessa
atenuao feito frente velocidade mxima do segmento e que o leitor pode
conferir o cdigo no CD-ROM que acompanha a obra:

Distncia de Frenagem com Semforo Vermelho (dFV): No caso do segmento
estar com sinal vermelho frente, esta a distncia linha de reteno em que o
veculo mais a frente no segmento inicia a frenagem
Atenuao de Velocidade com Semforo Vermelho (aVV): Este o fator, de 0
a 1, responsvel pela atenuao da velocidade mxima (VMax) do veculo no
segmento em funo da distncia em que ele se encontra da linha de reteno
(dLR). Quanto menor for essa distncia, menor a velocidade. Esse fator indica ao
mesmo tempo qual a velocidade mnima de deslocamento admitida no segmento (
(1-aVV)*Vmax ), uma vez que sem isso o tempo de frenagem seria praticamente
infinito pois o veculo nunca chegaria de fato linha de reteno, pelo fato da lgica
se assemelhar a uma soma de PG infinita de razes menores que 1. Assim, quando
essa expresso de clculo de deslocamento faz com que o veculo ultrapasse a
linha de reteno, por uma regra simples ele mantido logo atrs dela.

79



A partir dessas duas variveis possvel calibrar o movimento de frenagem
frente a um farol vermelho com a seguinte equao, que a cada passo de simulao
indica quanto o veculo se desloca (D):


(Eq.12)


Fator de Segurana (fSG): Este parmetro um fator que, multiplicado pela
velocidade mxima do segmento estabelece uma distncia segura que, assim como
o dFV, determina a distncia inicial de frenagem, mas em relaao ao veculo da
frente
Atenuao de Velocidade com Carro Frente (aVC):: Assim como o
parmetro aVV, este responsvel por uma atenuao de velocidade, mas em
funo da distncia do veculo frente (dVF) e o estabelecimento de velocidade
mnima de deslocamento ( (1-aVC)*Vmax ).

Da mesma forma o deslocamento para um passo de um segundo de
simulao calculado da seguinte maneira:


(Eq.13)


Distncia de Largada (dL): em uma fila quando o veculo apontado encontra-
se parado, este parmetro define a que a distncia o veculo frente dele precisa
estar, logo aps iniciar seu movimento, para que este possa iniciar seu
deslocamento.

A partir da variao desses fatores foi possvel experimentar a sensibilidade
que um simulador microscpico pode ter aos seus parmetros. Foi notado que
pequenas alteraes faziam grande diferena no comportamento das filas. Ento
aps um longo processo de calibragem, a simulao, com captura de tela
observvel na Figura 23 ficou visualmente plausvel com a seguinte parametrizao:

80



dFV = 100; aVV = 0.8; fSG = 4 ; aVC = 0.99; dL = 4

Assim pde-se observar de uma forma mais verossimilhante a formao de
filas em linhas de reteno, a propagao delas (como ondas de choque) aps a
abertura do sinal verde e os efeitos do acumulo de vrias filas uma aps a outra em
situaes de congestionamento.
Apesar deste no ser o convencional modelo veculo-seguidor (ROTHERY,
1992 e ZHANG, 2005) onde o deslocamento se d explicitamente com o uso de
acelerao e frenagem, pde-se observar que, pelo fato de com o uso dessa
formulao no ser necessrio o uso de propagadores, a execuo da simulao
ficou consideravelmente mais leve e rpida. A partir desse ponto, para que o
simulador se tornasse microscpico de fato seria necessrio alter-lo para
representar vrias faixas e incluir procedimentos para troca de faixas.



Figura 23: Captura de tela da simulao com modelo microscpico testado
81



6 ESTUDO DE CASO
Aps a programao do simulador e do algoritmo gentico, em reunio com
especialistas da CET-SP, foi escolhida uma rede que possusse semforos com
apenas duas fases para ser usada como estudo de caso.
Na mesma reunio foi proposto o uso de ambos os modelos, o mesoscpico,
que j estava pronto e o microscpico que estava sendo experimentado. A deciso
foi a de usar apenas o modelo mesoscpico por ser mais simples e por j
representar a propagao de filas enquanto que seria muito difcil fazer a calibragem
do mesmo efeito no modelo microscpico.
6.1 Rede Escolhida
O estudo de caso selecionado foi o de um conjunto de seis semforos de duas
fases em uma via coletora de mo nica na zona Sul de So Paulo, a Avenida Padre
Antnio Jos dos Santos, no bairro do Brooklin, em So Paulo (Figuras 24 e 25). Os
semforos da rede ficam nos seguintes cruzamentos:

Av. Padre Antnio Jos dos Santos X Av. Portugal
Av. Padre Antnio Jos dos Santos X Rua Nova York
Av. Padre Antnio Jos dos Santos X Rua Califrnia
Av. Padre Antnio Jos dos Santos X Rua Ribeiro do Vale
Rua Ribeiro do Vale X Rua Indiana
Av. Padre Antnio Jos dos Santos X Rua Guaraiva

A escolha foi feita primeiramente por esta via ter, poca do estudo, a maior
rede sincronizada de duas fases que a CET colocou disposio para estudo de
caso, o que favorece o uso do AG por representar uma exploso combinatria. A via
tambm foi escolhida por ser uma coletora, o que a evidencia como sendo
pressupostamente mais turbulenta e congestionada. Ela usada por uma demanda
que precisa principalmente acessar rapidamente a Avenida Santo Amaro, em ambos
os sentidos ou seguir em direo ao Aeroporto de Congonhas, e assim possuir alta
capacidade, possuindo trs faixas em toda esta extenso. Alm disso, esta via
possui interseco semaforizada com a rua Ribeiro do Vale, muito usada como via
de acesso Avenida dos Bandeirantes em ambos os perodos de pico.
82



Outro motivo importante foi o fato dessa via j ser bem conhecida e usada. e
frequentemente saturada, pelas pessoas por ser uma alternativa aos
congestionamentos da Av. dos Bandeirantes (sentido Rodovia dos Imigrandes) ou
da Marginal Pinheiros logo aps a ponte do Morumbi, perto da Av. Eng. Luis Carlos
Berrini, importante centro comercial da cidade.


Figura 24: Imagem de Satlite da Regio Simulada

Figura 25: Mapa Correspondente da Regio Simulada
83




6.2 Coleta de Dados
Esta sesso passa por mais prticas acerca da coleta de dados realizada para
o estudo de caso. De incio vale dizer que a atividade foi realizada apenas pelo
pesquisador com suporte eventual de outras pessoas, de modo que algumas
extrapolaes e compactaes tiveram de ser realizadas, mas sem comprometer a
qualidade das leituras de forma a inviabilizar o estudo. Mais especificamente, a
compactao da rede se deu por meio de um reconhecimento inicial para que se
pudesse montar uma tabela de parmetros fsicos de cada segmento, como placas
de pare, valetas, pistas estreitas e aclividade/declividade, de forma a determinar
pequenos grupos de segmentos que possussem caractersticas semelhantes. Isso
foi feito no intuito de replicar alguns ou todos os parmetros de alguns segmentos
para outros, de forma a reduzir o nmero de medidas necessrias para se construir
a rede. No caso do fluxo de saturao, com essa compactao, foi necessrio
realizar a medida de apenas 32% dos segmentos da rede enquanto que no caso do
tempo de percurso essa taxa foi de 45%.
Revisando, os parmetros que foram obtidos so os mesmos aplicados nas
otimizaes da CET-SP, a citar: fluxo de saturao, o parmetro que diz qual a
mxima vazo instantnea que um segmento pode ter em sua linha de reteno,
medida em veculos/hora; fluxo, que diz a frequencia com a qual os veculos passam
pela linha de reteno em um determinado perodo, dado tambm em veculos/hora;
e o tempo de percurso ideal que usado para se determinar a velocidade mdia
livre dos veculos que percorrem o segmento. Em seguida, ao leitor sero
apresentadas algumas orientaes para que se faam as medidas de campo, na
forma ideal, e na forma simplificada, no caso da atividade ser realizada sem suporte.
No Apndice B podem ser conferidas as tabelas que resultaram das coletas de
dados, bem como as compactaes e extrapolaes realizadas, caso o leitor queira
reproduzir o experimento.
Primeiramente, para medio do tempo de percurso recomendvel ter a via
observada totalmente livre, de maneira que o veculo possa entrar no segmento com
sua velocidade normal, percorr-lo por inteiro e atravessar um sinal verde no fim.
Durante as medidas de campo preliminares realizadas para reconhecimento da
rede, a cada ciclo de operao semafrica, com sorte foi possvel obter apenas uma
84



leitura dessas, e isso se as defasagens entre o semforo anterior e o do segmento
observado favorecessem essa medida. Normalmente os engenheiros de trfego
possuem equipamentos que permitem a eles atuar no semforo da forma como
preferirem, o que possibilita manipular a rede para que os veculos faam esse
percurso livre com uma frequencia maior. Ento, sem esse equipamento e estando
sozinho possvel cronometrar os veculos pelo fato de uma medida isolada ser
uma atividade tecnicamente simples, mas o processo de medio em grandes
nmeros (10 medidas limpas para cada segmento no mnimo) com muitos
segmentos acaba por ser extremamente lento e, no caso, a rede em questo possui
mais de sessenta segmentos para serem parametrizados.
Para contornar esse problema foi necessrio realizar as cronometragens em
horrios de baixo fluxo, a partir das 22h, posicionando-se no assento de passageiro
de alguns veculos (a citar, um compacto, um station wagon e um sed grande),
emprestando os referidos veculos a diferentes condutores em horrios com baixo
fluxo e pedindo para eles adotarem direes mais ou menos agressivas a cada
passagem pela rede. Mesmo desse modo, para alguns segmentos foi necessrio
fazer aproximaes por inspeo visual e pela sensao de velocidade, pois o
semforo fechava antes de se conseguir realizar todo o percurso do segmento e era
necessrio, durante uma frenagem, projetar o deslocamento livre do veculo,
estimando quando este passaria livremente pela linha de reteno.
Alguns outros detalhes devem ser considerados para as medidas, como o
tempo necessrio para a passagem sobre uma valeta e, no caso do GenPolis que,
para segmentos no semaforizados, no trata a questo das vias preferenciais e
placas de pare, o tempo de percurso livre pode envolver as redues e frenagens
frente a placas de pare ou para a passagem de um ou dois veculos na via
concorrente com fluxo preferencial.
Para medir o fluxo de saturao a recomendao que se faam histogramas
onde a quantidade de veculos que atravessou a linha de reteno no ciclo
observado registrada a cada cinco segundos. Assim, as diferenas de quantidades
aferidas entre cada perodo de cinco segundos permitem o traado de um perfil de
vazo de veculos para intervalos de verde no segmento. A partir desse perfil,
determina-se o intervalo onde esse fluxo est em um patamar e a mdia dos valores
nesse perodo d o fluxo de saturao daquela medida.
85



Entretanto essa medida precisa ser feita com duas pessoas, sendo que uma
conta as passagens e outra registra manualmente o valor da contagem a cada cinco
segundos em uma tabela. Alm disso, para essa medida, o segmento observado
precisa estar quase cheio e o segmento jusante no, uma condio que se
apresenta em perodos curtos logo antes e logo aps horrios de pico, devendo-se
atender ao fato de que diversos fatores como sadas de estabelecimentos, entradas,
embarques e desembarques demorados no incomumente comprometem a leitura
de um ciclo inteiro de descarga. A leitura que se tirou desses problemas a de que,
uma vez estando sozinho, no possvel operacionalizar a medida por histograma.
Alm disso, conseguir registrar patamares consistentes de fluxo de saturao de
todos os segmentos se torna uma tarefa muito difcil e pouco eficiente na medida em
que as janelas horrias ideais para a coleta desse dado so curtas e que muitas
medidas devem ser descartadas por conta de longos bloqueios de faixas.
Alm disso, para o estudo de caso, somente foram analisadas vias de duas
ou trs faixas, logo a resoluo da medida era baixa uma vez que entre um
momento transio e os perodos de fluxo de saturao ou no se notava grande
diferena na contagem de veculos passantes ou, mais notavelmente, nos primeiros
cinco segundos j era possvel dizer que o segmento estava em fluxo de saturao
pois no havia diferenciao alguma com os perodos de alta vazo.
Logo, foi testado um procedimento alternativo consideravelmente mais simples,
mas que requer certa familiarizao de quem coleta os dados com a via observada,
que o de durante cerca de 15 minutos, por inspeo visual e considerando a
velocidade mdia livre do segmento (baseada na impresso que se tem aps algum
tempo observando a via), determinar quando um peloto que est prestes a passar
se encontra compactado o suficiente de forma que se possa concluir que o
segmento entrar em vazo mxima. Nesse momento o cronmetro disparado e a
contagem iniciada, devendo durar o tempo que for necessrio para o peloto
atravessar a linha de reteno ou at que os veculos que passam estejam a uma
distncia maior um do outro.
Existem duas consideraes importantes acerca dessa medida. A primeira o
fato de que no devem interromper ou invalidar a medida pequenas obstrues
tpicas da via como rpidos desembarques, embarques, acessos e sadas de vagas
na rua, estacionamento, ou supermercados e fatores de reduo instantnea de
86



fluxo como condutores extremamente lentos, dentre eles, por exemplo, os indecisos
entre seguir um caminho ou outro, ou os que demoram muito para atravessar o
cruzamento por conta de cuidado excessivo com as valetas (comuns no estudo de
caso). A outra considerao a de que no necessrio realizar a medida apenas
com o primeiro peloto que deixa o segmento na abertura de um sinal verde, mas
outros pelotes mesmo que menores (a partir de trs ou quatro veculos por faixa)
que chegarem mais tarde podem ser contados tambm. Em resumo, pode-se dizer
que o bom senso aliado ao conhecimento da via do quele que realiza as
contagens a capacidade de decidir quando que cada peloto inicia a sua passagem,
quando que ele termina e, dentro desse perodo, quando o ritmo de passagem o
maior.
A contagem de fluxo, por sua vez simples, entretanto precisa ser feita em
todos os links sem exceo durante todo o perodo de pico no caso das
aproximaes de semforos e no mnimo 10 minutos de leitura para cada trecho
menos importante ou no crtico (grosso modo os no semaforizados). Novamente
aqui houve a restrio de que com apenas uma pessoa no possvel observar toda
a rede logo foi necessrio realizar algumas extrapolaes.
Como a inteno da otimizao gerar um plano que vise um funcionamento
coordenado da rede, necessrio que a parametrizao com extrapolaes vise
traar um comportamento geral da rede. Para isso foi necessrio eleger o
cruzamento crtico que seria mais acompanhado, no caso o cruzamento 5, da Padre
Antnio Jos dos Santos com a Rua Ribeiro do Vale, por serem essas as coletoras
representativas de dois movimentos principais do regio, da demanda que acessa a
Avenida Santo Amaro e demanda travessa que segue Avenida dos Bandeirantes.
Em determinada semana, durante tera, quarta e quinta-feira, para os dois perodos
de anlise, o pico da manh e da tarde, das 06:00 s 10:00 e das 16:00 s 20:00
respectivamente, uma medida de fluxo de 10 minutos era feita em mdia a cada 15
minutos, sendo que essas medidas alternavam entre uma medida no cruzamento
principal e outra medida em outro cruzamento at que todos os cruzamentos,
semaforizados e no semaforizados, tivessem sido contemplados.
Com isso, ao final da semana para cada perodo de pico, temos trs leituras de
cada cruzamento ao lado da aproximao de um perfil temporal de demanda da
rede baseado nas vrias leituras de fluxo realizadas no cruzamento principal. Para a
87



determinaao dos fluxos de cada segmento, inicialmente deve-se determinar o
horrio exato de pico que essa aproximao indica e usar o respectivo valor de fluxo
mdio nos segmentos do cruzamento principal. Em seguida, como as medidas dos
outros cruzamentos foram feitas em horrios variados, estas medidas devem ser
multiplicadas por um fator de forma que se aproximem de um valor de pico
esperado. Esse fator deve ser calculado para cada uma, obtendo-se, no perfil do
cruzamento principal, a razo entre a demanda do horrio de pico e a demanda do
horrio da medida a ser ajustada.
No h evidncias cientficas de que qualquer desses mtodos alternativos
sejam vlidos para parametrizar uma simulao, tampouco se pode garantir que
sejam precisos (o que no um fator crtico considerando a volatilidade de qualquer
medida na engenharia de trfego), mas uma vez que os mtodos tradicionais no
foram viabilizados, recorrer a esse procedimento permitiu dar uma vazo prtica aos
dados necessrios para a continuidade do trabalho.
Como recomendao geral, a primeira coleta de cada parmetro deve servir
principalmente para o observador se habituar com os segmentos observados e o
tipo de medida que estiver sendo feito, bem como para obter uma idia preliminar da
faixa de valores com que a rede do estudo opera, valendo lembrar que as
alternativas aqui adotadas foram pensadas durante o estudo de caso para sua rede
especfica, e que podem no ter aplicao nenhuma em estudos de redes
diferentes.

6.3 Calibragem
Uma vez com todos os dados coletados e organizados a rede foi
parametrizada e simulada algumas vezes usando-se a temporizao antiga para
checagem do volume de veculos que passava por cada link virtual, com isso
percebeu-se a necessidade do uso de um algoritmo de gerao de nmeros
aleatrios com distribuio regular, o que levou adoo do Mersenne Twister
(Matsumoto, 1998). Dessa maneira foi possvel observar que o comportamento da
rede simulada estava dentro do que se esperava uma vez que os fluxos medidos em
cada link de interesse (todas as aproximaes) correspondiam aos parametrizados,
com desvios de at 7% para cima ou para baixo, sendo que alguns links no
semaforizados e com fluxos baixos apresentaram desvios maiores.
88



No Apndice B encontram-se os ajustes realizados com maiores detalhes.

6.4 Otimizaes
Aps a coleta de dados, foi feita a parametrizao manual da rede para cada
perodo de pico (manh e tarde) de forma que todos os segmentos de entrada da
rede possussem os fluxos de saturao aferidos, os tempos de percurso medidos,
os fluxos calculados e as porcentagens de converso observadas, bem como o perfil
de demanda obtido.
Seguindo as recomendaes encontradas no manual do software Transyt-7F
(Hale, 2008), o tamanho da populao do AG escolhido foi de 20 indivduos e o
nmero de geraes escolhido foi 200, sendo que cada cromossomo ou indivduo
era simulado trs vezes para que se retirasse o fitness mdio das execues e se
mitigasse o efeito da volatilidade, resultando em 12000 simulaes. Assim no caso
da rede escolhida, usando um computador provido de processador Intel Core i5 de
2.4 GHz e 4 GB de memria RAM DDR3 1333 MHz, com a demanda do pico da
manh a execuo de cada simulao demora de 0,5 a 0,7s, o que implica em cada
otimizao demorar cerca de 100 a 140 minutos. A funo de fitness escolhida para
as otimizaes foi a soma do atraso total (A) da simulao com o nmero de
paradas (P) multiplicado por 20 (Fit=A+20*P). A escolha desse valor foi arbitrria,
mas fica dentro da faixa de valores observada em outros trabalhos de otimizao
citados ao longo da obra.
Outras configuraes como maiores tamanhos de populao (at 100) e
geraes (300 ou mais) foram testadas antes, mas o aumento na demora da
execuo, que chega a 10 horas, no compensa o pouco ganho no resultado da
otimizao, de cerca de mnimos de fitness apenas at 5% menores.
No caso da manh, como no foi identificada saturao da rede, foi possvel
realizar otimizaes com alguns nveis de demanda alm daquele aferido. No caso
ento foram escolhidos quatro cenrios sobre os quais foram realizadas seis
otimizaes, a comear por aquele representante da situao observada seguido
pelos cenrios com 110%, 120% e 130% da demanda aferida. No ltimo cenrio, de
130% de demanda, a rede apresentou saturao e os planos otimizados atingiram
tempo de ciclo prximo ao mximo de 120 segundos permitido no estudo. Os
resultados das otimizaes encontram-se na Figura 26.
89



Uma vez com as seis otimizaes realizadas para cada cenrio, as cartas de
tempo resultantes foram comparadas e o plano foi escolhido de forma arbitrria
levando-se em considerao o fitness encontrado e a quantidade de semelhanas
com os outros planos.
2)0
2*0
2,0
200
,00
,)0
,*0
,,0
,00
0 20 100 120 )00
1)07
100
0)0
0,0
/00
/*0
/00
10)0
10,0
1100
11*0
1100
0 20 100 120 )00
1+07
+20
+10
+/0
*10
0 20 100 120 )00
1007
*)0
**0
*,0
*00
200
0 20 100 120 )00
1107

Figura 26: Curvas de evoluao do melhor fitness de cada gerao em funo do nmero de
geraes. Foram realizadas seis otimizaes (cores distintas) para cada nvel de demanda (de
100 a 130% do esperado), cada qual com uma semente de pseudo-aleatoriedade distinta.

Uma vez tendo todos os planos otimizados em mos foi possvel executar
cada um deles com os diferentes nveis de demanda para test-los fora da situao
para os quais foram concebidos (por exemplo, o plano otimizado de 110% com uma
demanda de 130%) e criar a tabela 2 que comparasse, frente aos diferentes nveis
de demanda, os desempenhos simulados dos planos otimizados para cada cenrio
e o resultado do plano anterior para cada cenrio tambm.
Com essa tabela foi possvel escolher o plano que ainda apresentasse
resultados aceitveis fora do nvel de demanda para o qual foi otimizado, ou seja,
no necessariamente o melhor plano para os fluxos de pico observados, mas aquele
mais robusto e mais confivel que ainda possa lidar com flutuaes de demanda,
para ser implantado na rede real.
90





Tabela 1: Plano antigo da manh (esq.) e plano atual otimizado (dir.)
tCiclo
tG t8 %G pG
%e9 Antonio 0 +2 29 8=?
%ortuga *0 ,1 1; 2<?
%e9 Antonio 0 +1 2; 90?
:o#a ;or( *) ,1 19 29?
%e9 Antonio 0 +/ 2= 98?
5ai.&rnia ** ,1 12 21?
%e9 Antonio 0 +1 2; 90?
8ibeiro do <ae *) ,1 19 29?
=ndiana 0 )) 11 20?
8ibeiro do <ae )1 ,1 8. 9:?
%e9 Antonio 0 +1 2; 90?
Guaraiu#a *) ,1 19 29?
%ano Antigo
Man"
;1
tG t8 %G pG
++ ,2 21 89?
10 )0 1= 80?
1/ 20 20 88?
22 1* 2. 81?
10 )/ 2. 81?
+* ,2 20 88?
20 11 2. 81?
)) 2+ 20 88?
) )/ 1; 2<?
+* ,1 22 8:?
*1 + 22 8:?
0 +, 1< 2=?
%ano Atua
;0


Tabela 2: Desempenhos de planos otimizados e do anterior para pico da manh
1007 1107 1)07 1+07 1007 1107 1)07 1+07 1007 1107 1)07 1+07
1007 > 2,? 1+/ 100 *+/ 1))0 ))) )21 +,1 ,21 +,1 **2 00, 100,
00.? @ ;0A 092 0<< 292 :1. 10; 182 2.8 2;< 2;0 82. :9; ==;
P" @ ;1A 1.< 2;= 0910 20;= 112 1=0 :22 0008 821 :;. 1092 81=8
1)07 > /0? 1/1 )+1 +01 ,)1 )1, )+/ )11 +,) *1+ *10 21) /0/
1+07 >111? )2) )/+ +12 200 )11 )+/ ),0 +1) *,/ 2+) ,)2 01+
%

a
n
o
s
"traso )0@Paradas 4itness ("+)0@P)
Demanda
'egendaA Plano "plicado, Plano "nterior, @tempo de cicloA



Ao observar a tabela, percebe-se que a rede no est saturada para as
demandas de at 120%, pois no se observa para cada um dos planos uma grande
diferenciao no nmero de paradas conforme a demanda aumenta, o que significa
que ainda no registrada com muita frequncia a situao em que veculos
demorem mais de um ciclo para atravessar algum semforo. J para a demanda de
130% onde foi identificada a saturao, o tempo de ciclo do plano otimizado de
111 segundos e h um salto no fitness de cada plano frente esse cenrio.
Considerando que nos horrios de pico, os nveis aceitveis de flutuao de
demanda so de cerca de 10% (informao verbal, CET-SP, 2011), esperado que
os semforos tenham de lidar tipicamente com demandas de at 110%. Assim, o
91



plano escolhido foi aquele otimizado para a demanda de 110% (Tabela 1), visto que
com esta ltima considerao este plano mantm nveis aceitveis de atraso e
paradas em demandas consideravelmente maiores, sem comprometer a rede
quando o volume de trfego igual ao esperado.
Para o pico da tarde, como j foi identificada saturao da rede durante as
leituras, somente se otimizou o nvel de demanda aferido e, assim como nas
otimizaes para o pico matutino, foi escolhido o plano otimizado que possuia maior
quantidade de semelhanas com os demais. Na Figura 27 h uma sntese com a
curva de evoluo do fitness, a tabela comparativa entre os desempenhos do plano
otimizado aplicado e do anterior e as temporizaes dos semforos para cada um.
Os outros planos otimizados, alm do escolhido podem ser conferidos no Apndice
C.

tCiclo
tG t8 %G pG tG t8 %G pG tG t8 %G pG tG t8 %G pG tG t8 %G pG
*+ 11* ;0 9=? )0 01 :; 9:? 0 2+ 92 92? %e9 Antonio +1 // :< 9;? 0 2+ 92 92?
0 +0 2< 21? /+ 12 81 29? 20 /2 2; 2;? %ortuga 10* ), 81 29? 20 /2 2; 2;?
21 111 :. 9.? 1* 10 :8 92? 0 22 99 99? %e9 Antonio 11 0) :9 98? 0 22 99 99?
1 *, 89 2<? 01 / 81 29? ,0 /2 29 29? :o#a ;or( 01 1) 89 2<? ,0 /2 29 29?
0 2/ 9= 8=? 0 ,0 :. 9.? 0 21 9; 9;? %e9 Antonio 11/ 2/ :. 9.? 0 21 9; 9;?
,* 11* 9. 81? ,2 BB 8= 80? ,) /2 22 22? 5ai.&rnia ,* 11* 9. 81? ,) /2 22 22?
0, )1 :0 90? 2) BB :: 99? 0 2) 91 91? %e9 Antonio 01 )/ :1 91? 0 2) 91 91?
+) 1/ 8; 2=? + */ 8: 2<? 21 /2 2< 2<? 8ibeiro do <ae +* 0) 8< 8.? 21 /2 2< 2<?
0 *0 21 1;? 12 BB 28 1<? 0 )2 19 19? =ndiana 111 )* 22 1<? 0 )2 19 19?
*2 ) ;; :8? BB ,/ ;9 :2? +0 /2 :9 :9? 8ibeiro do <ae )/ 10, ;; :8? +0 /2 :9 :9?
2/ 11/ :. 9.? 1, 1, :. 9.? 0 20 9. 9.? %e9 Antonio 20 11/ :0 90? 0 20 9. 9.?
* 2+ 8= 80? 01 10 8= 80? 22 /2 8. 8.? Guaraiu#a * 2+ 8= 80? 22 /2 8. 8.?
01. 0..
%ano esco"ido %ano Anterior
01. 01. 0..
%ano Antigo
100
0+0
000
/+0
/00
10+0
1000
11+0
1100
0 20 100 120 )00
" )0@P "+)0@P
Pl6 "plic6 981 1=; <2<
Pl6 "nter6 ;91 2;1 0018
%ano Apicado
%ano Anterior

Figura 27: Curvas de evoluao do melhor fitness de cada gerao em funo do nmero de
geraes (esquerda); Tabela com os fitness do plano escolhido e do plano aplicado (centro);
Planos anterior e escolhido para implantao (direita)

6.5 Resultados
Aps alguns ajustes, especificados no apndice C, os planos otimizados
encontram-se aplicados na rede real e, analisados por engenheiros da CET-SP, j
apresentaram bons resultados em casos isolados de demanda atipicamente alta
devido a redirecionamentos de trfego causados por ocorrncias em redes
prximas, mas leituras mais conclusivas e acompanhamentos mais consistentes
como os que foram feitos poca da coleta de dados ainda precisam ser feitos, pois
a implantao foi realizada no perodo de frias escolares e portanto, a demanda
mdia diria encontrava-se abaixo do esperado.
92



Mas de forma geral, como esperado, a ferramenta desenvolvida obteve
resultados simulados mais expressivos no caso das redes congestionadas e se
apresentou como boa alternativa para obteno de solues para temporizao de
semforos j que os ganhos em relao aos planos anteriores se encontram na faixa
de 15 a 30%, dependendo do nvel de congestionamento da via.
Alm disso, independente de qual plano anterior estivesse aplicado, a
ferramenta foi capaz de encontrar bons planos otimizados e coerentes uma vez que
seu espao de busca delimitado pela restrio dada com o intervalo de graus de
saturao de 76% a 91% aceito pela experincia dos especialistas da CET-SP. Vale
citar que mesmo dentro destas restries as simulaes apresentavam grande
variao de valor de fitness entre os cromossomos testados, variao esta
contemplada pelo algoritmo gentico o que lhe permitiu descartar as piores
alternativas e fazer emergir planos de semaforizao que fossem pontos timos
globais.

93



7 CONCLUSES
Apesar da situao de escassez de dados e recursos, e das consequentes
aproximaes e extrapolaes das leituras, os procedimentos aqui relatados e o
modelo de simulao adotado foram pensados para que todo o processo de
desenho e parametrizao de uma sub-rede sincronizada e da sua simulao e
otimizao com a aplicao de um AG fossem simplificadoss e possveis de ser
realizados por uma nica pessoa, sem comprometer a qualidade do estudo. Nisso
os resultados da aplicao real trouxeram bons indcios para que o desenvolvimento
de um simulador mais avanado, juntamente implementao de tcnicas de AGs
mais elaboradas e com melhores desempenhos, tragam simulaes mais prximas
realidade e resultados melhores do que os obtidos com a verso atual.
Alm disso, no futuro seria interessante realizar o mesmo estudo, mas
dispondo de maior contingente para a obteno de dados mais precisos que
permitam traados de perfis de demanda dinmicos em cada aproximao ao invs
de fazer isso para apenas um cruzamento principal, extrapolando essa curva para os
outros cruzamentos.
Outro resultado interessante alcanado na elaborao do modelo foi o relativo
velocidade da simulao, que, mesmo sem qualquer otimizao na codifiao,
comparvel quela da aplicao online no trabalho de Pohlmann e Friedrich (2011),
indicando que a arquitetura aqui desenvovida favoreceria AGs para a otimizao de
planos semafricos em tempo real mesmo sem o uso de computao paralela, que
uma tima alternativa para a viabilizao e acelerao desse tipo de aplicao, dado
o carter paralelo tanto explcito quanto implcito do AG.
Por fim, de modo geral foi importante e bastante imersivo realizar um trabalho
que passou pela definio de um tipo especializado de estudo, no caso o de
otimizao semafrica realizado pela CET, e pela criao de um modelo prprio de
simulao que atendesse especificamente a esse propsito. Dessa forma o trabalho
acabou tendo uma integrao forte entre a implementao e aplicao real, que
provocaram aprendizado acerca tanto de questes computacionais quanto de
questes prticas nos trabalhos de campo. Nisso o trabalho foi feito sempre mirando
a simplicidade, com uma formulao voltada coleta de dados agregados e que
permitiu seguir uma metodologia voltada realizao de extrapolaes e estimativas
94



importantes, o que levou a um modelo mais explcito de simulao e clculo de filas
que aparentemente dispensa processos exaustivos de calibragem e a um estudo de
caso enxuto.

7.1 Futuros Desenvolvimentos
A partir deste trabalho, pode-se indicar uma srie de melhorias a serem feitas
no caso do intuito ser o desenvolvimento de uma ferramenta profissional ou semi-
profissional de clculo de filas e otimizao semafrica.
Primeiramente, este prottipo s trabalha com semaforizao de duas fases,
sendo que grande parte dos semforos de redes reais possuem mais fases, de
pedestre, fases de retorno, de giro esquerda e outras. Nisso o sequenciamento
dessas fases algo que tambm influencia na obteno de bons resultados de
temporizao semafrica e que tambm contribuem consideravelmente para
exploses combinatrias, que dificultam a obteno de planos otimizados e
favorecem o uso dos AGs.
Alm disso, de forma geral, como j comentado, a elaborao de um modelo
microscpico simplificado paralelo a partir de uma verso modificada do GenPolis,
apesar de criar a necessidade de calibragem de parmetros no agregados, traria
ganhos na obteno de uma simulao mais realista e transparente aos analistas,
bem como ganhos em velocidade por eliminar o uso dos propagadores, que ocupam
grande espao da memria e do processamento destinados ao programa.
Para isso, alguns elementos precisam ser implementados, iniciando pelo
modelo carro-seguidor, para que o comportamento das filas no se d de forma
explcita como no prottipo, mas implcita a partir dos parmetros de simulao
microscpica. Uma vez implementado, esse modelo seria necessrio fazer a diviso
dos segmentos por faixas para que se possam simular as filas de cada uma e no
uma nica fila agregada. Por ltimo seria necessrio aplicar um procedimento que
simule as mudanas de faixa, bem como implementar os comportamentos de faixa,
que determinam quais faixas de cada segmento que permitem ou no determinados
tipos de converso. Outro ponto interessante seria, uma vez desenvolvido este novo
modelo, que as duas arquiteturas poderiam ser usadas para a realizao de auto-
calibragens atravs do uso do prottipo atual, que possui um funcionamento e
formulao mais explcitos, para a calibragem do modelo microscpico.
95



Outro ponto importante o desenvolvimento de um AG mais sofisticado e que
atenda principalmente s indicaes de Kesur (2009), como visto na seo de AGs
aplicados engenharia de trfego, bem como a realizao de um estudo dedicado
somente a determinar quais as propores entre os nmeros de gerao e tamanho
de populao que devem ser utilizados para que o AG faa melhor proveito do
modelo aqui desenvolvido.
96



REFERNCIAS
AKIVA, M.B.; BIERLAIRE M.; KOUTSOPOULOS H.; MISHALANI R. DynaMIT: a
simulation-based system for traffic prediction. DACCORD Short Term Forecasting
Workshop, artigo 12p, 1998

AMIACH, M. Controle de trfego em sistemas expressos. Monografia
(Bacharelado), Escola Politcnica da USP, 2010. 121p

BAZZAN, A.L.C.; AMARANTE, M.B.; AZZI, G.G.; BENAVIDES, A.J. ITSUMO: an
agent-based simulator for ITS applications. In: IEEE ITSC2010 Workshop on
Artificial Transportation Systems and Simulation, artigo 7p. 2010

BAZZAN, A.L.C.; AMARANTE, M.B.; AZZI, G.G.; BENAVIDES, A.J.; BURIOL, L.S.;
MOURA, L.; RITT, M.P.; SOMMER T. Disponivel em,
http://www.inf.ufrgs.br/~mrpritt/Publications/P34-ecms-2011.pdf
Extending traffic simulation based on cellular automata: from particles to autonomous
agents, Acesso em: marco 2011. 7p.

BOURREL, E. LESORT, J.B. Mixing microscopic and macroscopic representations of
traffic flow hybrid model based on lighthillwhithamrichards theory, Transportation
Research Record: Journal of the Transportation Research Board, v.1852, 2003.
8p

BOXILL, S.; YU, L. An evaluation of traffic simulation models for supporting ITS
development, Relatrio. Texas Southern University, p21-67, 2000

BROWNLEE, J. Clever algorithms nature inspired programming recipes, Creative
Commons Attribution-Noncommercial-Share Alike 2.5 Australia License, livro
de referncias, 436p, 2011

BURGHOUT, W. Hybrid microscopic-mesoscopic traffic simulation, tese
(doutorado), Royal Institute of Technology Sucia, p1-62 (185), 2004

CAVICCHIO, D., Reproductive adaptive plans, In: Proceedings of the ACM annual
conference, v.1, 11p, 1972

CANTARELLA, G.E.; PAVONE, G.; VITETTA, A. Heuristics for urban road network
design: lane layout and signal settings, European Journal of Operational Research
Volume 175, Issue 3, artigo, 14p, 2006

CASCETTA E.; NGUYEN, S. A unified framework for estimating or updating
origin/destination matrices from traffic counts, Transportation Research Part B:
Methodological, v.22, Issue 6, artigo, 19p, 1988

97



CEYLAN, H.; BELL, M. G. H. Reserve capacity for a road network under optimized
fixed time traffic signal control, Journal of Intelligent Transportation Systems v.8,
Issue 2, artigo, 14p, 2004a

CEYLAN, H.; BELL, M. G.H. Traffic signal timing optimisation based on genetic
algorithm approach, ncluding drivers routing, Transportation Research Part B:
Methodological Volume 38, Issue 4, artigo, 14p, 2004b

CEYLAN H. Developing combined genetic algorithmhill-climbing optimization
method for area traffic control, Journal of Transportation Engineering, artigo, 9p,
2006

CEYLAN, H.; BELL, M. G.H. Genetic algorithm solution for the stochastic equilibrium
transportation networks under congestion, Transportation Research Part B:
Methodological Volume 39, Issue 2, artigo, 17p, 2005

DAGANZO, C. F. In traffic flow, cellular automata = kinematic waves,
Transportation Research Part B: Methodological Volume 40, Issue 5, artigo, 12p,
2006

DALE J.; BLOOMBERG L. Comparison of VISSIM and CORSIM traffic simulation
models on a congested network, Transportation Research Record: Journal of the
Transportation Research Board, Volume 1727, artigo 9p, 2000

DNIT - Departamento Nacional de Infra-Estrutura de Transportes - Diretoria de
Planejamento e Pesquisa. Coordenao Geral de Estudos e Pesquisas Instituto de
Pesquisas Rodovirias.Rio de Janeiro, Manual de estudos de trfego, manual,
388p, 2006

EJZENBERG, S. Disponvel em, http://www.sinaldetransito.com.br,
Reprogramao de semforos mtodo de observao de campo, artigo, 32p,
2005

FELLENDORF, M.; VISSIM: a microscopic simulation tool to evaluate actuated signal
control including bus priority. In: 64th Institute of Transportation Engineering
Annual Meeting, 9p, 1994

FRANTZ, D. R. Non linearities in genetic adaptive search, College of Engineering -
Universidade de Michigan, relatrio, 181p, 1972

GASPAR, A.; COLLARD P. From GAs to artificial immune systems: improving
adaptation in time dependent optimization, In: Proceedings of the 1999 Congress
on Evolutionary Computation, artigo, 8p, 1999

GIRIANNA M.; BENEKOHAL, R. F. Using genetic algorithms to design signal
coordination for oversaturated networks, Journal of Intelligent Transportation
Systems, v.8, Issue 2, artigo, 14p, 2004
98




GOLDBERG, D. E. Genetic and evolutionary algorithms come of age, In:
Communications of the ACM, artigo, 7p, 1994

GREENSHIELDS, B. D. A study in highway capacity. Highway Research Board,
Proceedings 14, artigo, 30p, 1935

GREFENSTETTE, J. J. Optimization of control parameters for
genetic algorithms, In: IEEE Transactions on Man and Cybernetics, v.16, Issue 1,
artigo, 7p, 1986

GUIMARES, Jos O. S. Computao evolutiva na resoluo de equaes
diferenciais ordinrias no lineares no espao de Hilbert, Escola Politcnica da
USP, tese doutorado, 211p, 2009

HALE, D. K. Traffic network study tool, TRANSYT-7F, United States Version,
McTrans Center University of Florida, manual, 442p, 2008

HELBING, D.; TREIBER, M. Gas-kinetic-based traffic model explaining observed
hysteretic phase transition, Physical Review Letter 81, artigo, 4p, 1998

KERNER, B. S. Introduction do modern traffic flow theory and control, Editora
Springer, livro didtico, 265p, 2009

KESUR, K. B. Advances in genetic algorithm optimization of traffic signals, Journal
of Transportation Engineering 135, Issue 4, artigo, 14p, 2009

KRZANOWSKI, R.; RAPER, J. Spatial evolutionary modeling, Oxford University
Press, livro didtico, 265p, 2001

LEBDEH, G.A.; BENEKOHAL, R. Development of traffic control and queue
management procedures for oversaturated arterials, Transportation Research
Record: Journal of the Transportation Research Board, v.1603, artigo, 9p, 1997

LEBDEH, G. A., A.M.ASCE1, Integrated adaptive-signal dynamic-speed control of
signalized arterials, Journal of Transportation Engineering, artigo, 5p, 2002

LEBDEH, G. A.; BENEKOHAL, R. F. Design and evaluation of dynamic traffic
management strategies for congested conditions, Transportation Research Part A:
Policy and Practice, V.37, Issue 2, artigo, 19p, 2003

LIU, Y.; CHANG, G. An arterial signal optimization model for intersections
experiencing queue spillback and lane blockage, Transportation Research Part C:
Emerging Technologies, v.19, Issue 1, artigo, 15p, 2011a

99



LIU, Y.; CHANG, G., YU, J. An integrated control model for freeway corridor under
non-recurrent congestion, In: IEEE Transactions on Vehicular Technology, v.60,
Issue 4, artigo, 15p, 2011b

LO, H. K; CHANG E.; CHAN, Y.C., Dynamic network traffic control, Transportation
Research Part A: Policy and Practice, v.35, Issue 8, artigo, 24p, 2001

LOPES, Denise L. Viabilidade do uso de modelos sintticos integrados de uso de
solo e transportes: estudo de aplicao cidade de so paulo, Escola Politcnica
da USP, tese mestrado, 177p, 2003

MATSUMOTO, M.; NISHIMURA T. Mersenne twister: a 623-dimensionally
equidistributed uniform pseudo-random number generator, Journal ACM
Transactions on Modeling and Computer Simulation (TOMACS) - Special issue
on uniform random number generation v.8, Issue 1, artigo, 25p, 1998


MEDINA, J. J. S.; MORENO, M. J. G.; ROYO, E. R. Traffic signal optimization in La
Almozara district in saragossa under congestion conditions, using genetic
algorithms, traffic microsimulation, and cluster computing, In: IEEE Transactions on
Intelligent Transportation Systems, v.11, Issue 1, artigo 10p, 2010

MING, S. H. (2008), disponvel em http://www.sinaldetransito.com.br,
Dimensionamento do entreverdes - uma abordagem probabilstica, website
instrucional Sinal de Trnsito CET-SP, 23p

MITCHELL, M., Genetic algorithms: An overview, santa fe institute, artigo, 17p,
1995

NEVES, R. P. O., A.L.I.V.E. artificial life in virtual environments, Escola Politcnica
da USP, tese mestrado, 153p, 2003

NETTO, M. L. Notas e conceitos expostos em aula durante a aula de Vida
Artificial, em 05/04/2010, 2010

NKEL, K.; SCHMIDT, M. Parallel DYNEMO: Meso-Scopic Traffic Flow
Simulation on Large Networks, Networks and Spatial Economics, 2, artigo, 17p

OH, S., RITCHIE S. G.; OH, C. Real-time traffic measurement from single loop
inductive signatures, Transportation Research Record: Journal of the
Transportation Research Board, v.1804, artigo 9p, 2002

OWEN, L. E.; ZHANG, Y.; RAO, L.; MCHALE, G. Traffic flow simulation using
CORSIM, In: Proceedings of the 2000 Winter Simulation Conference, artigo 5p,
2000

100



PARK, B.; MESSER, C.; URBANIK, T. Initial evaluations of new TRANSYT-7F
version 8.1 program, Transportation Research Record: Journal of the
Transportation Research Board, v.1867, artigo, 6p, 1999a

PARK, B.; MESSER, C.; URBANIK, T. Traffic signal optimization program for
oversaturated conditions genetic algorithm approach, Transportation Research
Record: Journal of the Transportation Research Board, artigo, v.1683, artigo,
10p, 1999b

PARK, B.; MESSER, C.; URBANIK, T., Enhanced genetic algorithm for signal-timing
optimization of oversaturated intersections, Transportation Research Record:
Journal of the Transportation Research Board, v.1727, artigo, 10p, 2000

PARK, B.; ROUPHAIL N.; SACKS J., Assessment of stochastic signal optimization
method using microsimulation, Transportation Research Board, v.1748, artigo, 6p,
2001

PARK, B.; SANTRA, P.; YUN, I.; LEE D. Optimization of time-of-day breakpoints for
better traffic signal control, Transportation Research Record: Journal of the
Transportation Research Board, v.1867, artigo, 7p, 2004

PARK, B.; WON, J. Microscopic Simulation Model Calibration and Validation
Handbook, artigo e manual, Transportation Research Record v.1856, p15-52
(176p), 2006

PAPAGEORGIOU, M., Some remarks on macroscopic traffic flow modelling,
Transportation Research Part A: Policy and Practice v.32, Issue 5, artigo, 7p,
1998

ROBERTSON, D. I.; BRETHERTON, R. D., Optimizing networks of traffic signals in
real time, the SCOOT method, In: IEEE Transactions on Vehicular Technology,
v.40, Issue 1, artigo, 5p, 1991

SOUZA, C., disponvel em
http://www.aedb.br/seget/artigos06/916_Copia%20de%20Placas.pdf,
Reconhecimento de Placas de Automveis Atravs de Cmeras IP, Universidade
IMES So Caetano do Sul, 7p, 2001

STEVANOVIC, A.; MARTIN P., STEVANOVIC J. VisSim-based genetic algorithm
optimization of signal timings, Transportation Research Record: Journal of the
Transportation Research Board, v.2035, artigo, 10p, 2007

SUN D. S.; BENEKOHAL, R. F.; WALLER T. Bi-level programming formulation and
heuristic solution approach for dynamic traffic signal optimization, Computer-Aided
Civil and Infrastructure Engineering, v.21, Issue 5, artigo, 13p, 2006

101



TEKLU, F.; SUMALEE, A.; WATLING, D. A genetic algorithm approach for optimizing
traffic control signals considering routing, Computer-Aided Civil and Infrastructure
Engineering, v.22, Issue 1, artigo, 13p, 2007

TRENTINI, V. Reconhecimento automtico de placas de veculos, In: VI Workshop
de Viso Computacional, artigo 7p, 2010

TURLEY, C. Calibration procedure for a microscopic traffic simulation model,
Brigham Young University, tese mestrado, 156p, 2007

VARIA, H. R.; DHINGRA, S. L Dynamic optimal traffic assignment and signal time
optimization using genetic algorithms, Computer-Aided Civil and Infrastructure
Engineering v.19, Issue 4, artigo, 14p, 2004

VILANOVA, L. disponvel em , http://www.sinaldetransito.com.br Programao de
um semforo usando o mtodo do grau de saturao, 14p, 2005a

VILANOVA, L. disponvel em, http://www.sinaldetransito.com.br Verde de
segurana, 3p, 2005b

VILANOVA, L. disponvel em http://www.sinaldetransito.com.br, Fundamentos da
programao semafrica, 20p, 2005c

VILANOVA, L. disponvel em, http://www.sinaldetransito.com.br, Reduo de
acidentes devido reprogramao semafrica, artigo, 10p, 2005d

VILANOVA, L. disponvel em, http://www.sinaldetransito.com.br, Levantamento
expedito de dados para reprogramao semafrica, artigo, 24p, 2006

VILANOVA, L. disponvel em http://www.sinaldetransito.com.br, SIRI - Um
simulador mesoscpico para redes de semforos, artigo, 12p, 2009

XIE, F.; LEVINSON, D. M. Evolving transportation networks, Editora Springer, livro
didtico, 297p, 2011

YANG, X. Introduction to mathematical optimization from linear programming to
metaheuristics, University of Cambridge, livro didtico, 161p, 2008

WHITLEY D. A genetic algorithm tutorial, Statistics and computing Springer,
artigo, 21p, 1994

ZHANG H.M.; KIM, T. A car-following theory for multiphase vehicular traffic flow,
Transportation Research Part B: Methodological
Volume 39, Issue 5, artigo, 20p, 2005

102



REFERNCIAS COMPLEMENTARES
CAMPBELL, A. disponvel em,
http://sci.waikato.ac.nz/evolution/EvolutionOfLife.shtml
The Evolution of Life, University of Waikato

CASTRO, L.; ZUBEN, F. disponvel em,
ftp://ftp.dca.fee.unicamp.br/pub/docs/vonzuben/ia707_02/topico11_02.pdf,
Programao Evolutiva. Apostila, 2009

CHRISTIAN, J. disponvel em,
http://www.dcs.napier.ac.uk/~benp/summerschool/jdemos/herdy/EStheory.html
Evolutionary Strategy, 1999

Companhia de Engenharia de Trfego CET-SP, disponvel em,
http://www.cetsp.com.br/internew/informativo/pico/pico.asp
Informativo sobre Operao Horrio de Pico (Rodzio), 2011

DNIT Departamento Nacional de Infraestrutura de Transportes, disponvel em,
http://www.dnit.gov.br/rodovias/operacoes-rodoviarias/postos-de-contagem/plano-
nacional-de-contagem-de-transito,
Plano Nacional de Contagem de Trnsito, 2011

DORONSO, B. disponvel em,
http://neo.lcc.uma.es/cEA-web/ES.htm
Evolutionary Strategies NEO, 2004

FERNANDEZ, J. disponvel em,
http://www.geneticprogramming.com/Tutorial/
The Genetic Programming Notebook, 2003

GIOVANELLI C. Trnsito-S Perdemos com Ele, Veja So Paulo, 20p, 2011

GRAHAM, L., disponvel em
http://www.stellaralchemy.com/lee/virtual_creatures.php
Stellar Alchemy, 2009

HOLLAND, J. H. disponvel em,
http://econ2.econ.iastate.edu/tesfatsi/holland.gaintro.htm
Genetic Algorithms, 1992

KOPPLIN, J. disponvel em
http://www.computersciencelab.com/ComputerHistory/HistoryPt3.htm
An Illustrated History of Computers, 2002

103



MACEDO, L. disponvel em,
http://g1.globo.com/sao-paulo/noticia/2010/09/cet-reduz-velocidade-em-mais-de-10-
vias-para-diminuir-acidentes-em-sp.html,
CET reduz velocidade em mais de 10 vias para diminuir acidentes em SP, 2010

OBITKO, M. disponivel em
http://www.obitko.com/tutorials/genetic-algorithms/introduction.php
Introduction to Genetic Algorithms, 1998

SKINNER, M. disponvel em,
http://geneticalgorithms.ai-depot.com/Tutorial/Overview.html,
Genetic Algorithms Overview, 2001

RENNARD, J.P. disponvel em
http://www.rennard.org/alife/english/gavintrgb.html
Introduction do Genetic Algorithms, 2000

ROSE, S., disponvel em
http://andabien.com/html/evolution-timeline.htm?=9738234
Andabien- Evolution Timeline

WALL, M. disponvel em,
http://lancet.mit.edu/~mbwall/presentations/IntroToGAs/P001.html
Overview of Genetic Algorithms, 1996




104



Apndice A: Controle de velocidade de um modelo mesoscpico

Inicialmente, o segmento dividido em duas partes. A velocidade dos veculos
controlada por uma funo agregada de velocidade, sendo que todo veculo que
entra no segmento deveria percorr-lo por inteiro de acordo com essa funo at
chegar ao servidor de filas. Dessa forma, ao se dispensar os complexos clculos de
proximidade e acelerao dos simuladores microscpicos, pretende-se obter uma
velocidade de fluxo consolidada que seja semelhante s leituras de velocidade e
densidade que observa-se em simuladores microscpicos (BURGHOUT, 2004).
Abaixo podemos observar uma primeira forma dessa funo de densidade ,
proposta por Greenshields (1935).



Em que a velocidade mxima admitida ou regulamentada no
segmento, e maior densidade possvel de se observar no segmento.
Entretanto, no que concerne a simulao mesoscpica, essa primeira funo
causa duas distores principais: primeiramente a velocidade mxima s acontece
quando no h veculo algum ( ) no segmento, quando na realidade as vias
podem possuir alguma quantidade de veculos em velocidade mxima at que seja
alcanado um dado valor de densidade de trfego; em segundo lugar temos, na
outra ponta, a situao de congestionamento total, o que implicaria velocidade zero
e teoricamente travaria o segmento criando tempos de percurso infinitos, o que seria
algo inverossmil. Ento, normalmente opta-se por usar uma velocidade mxima
(aquela regulamentada no segmento real), outra mnima e dois valores de densidade
de trfego, assim, obtm-se a funo de densidade-velocidade vista abaixo, que
quela usada em outros simuladores mesoscpicos como o Mezzo (BURGHOUT,
2004) e o DYNAMIT (AKIVA, 1998) e que cria trs intervalos de densidade para a
parte mvel do segmento, um deles com uma velocidade mxima saturada, outro
que apresenta uma transio contnua em funo da densidade e um ltimo com
uma velocidade mnima saturada (BURGHOUT, 2004).

105





Em que a velocidade mnima, e so as densidades de
saturao mnima e mxima e e so parmetros de calibrao, com a funo
apresentando o seguinte comportamento:


106



Apndice B: Dados coletados e parmetros do estudo de caso

Os dados foram dispostos aqui para que sejam lidos de maneira mais
clara, caso o leitor deseje, eles podem ser extrados do arquivo
parametrosRede.xlsx contido na mdia anexada obra
A#9 %e9 AntCnio
8ua =ndiana
A#9 %ortuga
8ua :o#a ;or(
8ua 5ai.&rnia
8ua 8ibeiro do <ae
8ua Guaraiu#a
8ua %assaDna (%4)
8ua Uruu (U8)
8ua EoFGood (EHBB)
8ua :o#a Ireans (:IBB)
8ua Miami (M=BB)

Compactaes:

De
BC.1 =:01
BC0. =:11
P".1 %A01
P"0. %A11
P'.1 %I01 %I0+
CD.1 :;01 :;0+
C".1 5A01 5A0+
*5.1 8<01 8<0+ GU0) GU01 GU0+
E* %4
!B.1" M=01A M=0+A
!B.1, M=01B M=0+B
C'.1" :I01A :I0+A EH01A EH0)A EH0+A
C'.1, :I01B :I0+B EH01B EH0)B EH0+B
%ara
Tempo de %ercurso

107



De
P".8 %A0+ %A0)
P".< %A01 %A0, %A02
P"0. %A11@
BC.;" =:0/A =:00A =:0,A =:02A =:0*A
BC.<& =:0/B =:10B =:01B =:0,B =:02B
P'.1 M=01A@ M=0)A@ M=0+B@ M=0)B@ :I0)A@ :I0+B@ :I0)B@ EH0)A@ EH0+B@ EH0)B@
%4 U8 =:0+ =:0) =:01 :I01A@ EH01A@ =:10A@ =:0*B@ =:11B@
CD.0 :;0) %I01 :;0+ %I0+
C".1 5A01 5A0+
*5.1 8<0+
*5.0 :I01A@ EH01A@
GE.1 GU01 GU0+
@J usado o .uKo de saturao por .aiKa
%ara
LuKo de 4aturao


Calibragens (todas para o pico da tarde):
i) -130 (11%) do fluxo de NY01
ii) -50 (5%) do fluxo de RV01
ii) +200 (6,8%) do fluxo de saturao de PA10

Mapa de Tempos de Percurso
2M1
2M1
2M1
+M/
10M*
2M,
1M,
1M,
,M2
,M2
1M1
1M1
10M*
10M*
10M*
2M0
2M*
2M*
2M*
*M+
*M)
*M*
*M1
1,M1 2M0
2M0 2M1
0M1 2M1
0M1
1,M1
1,M1 10M)
)1M,
)1M0
)1M0 11M0
11M0
10M*
10M+
10M+
10M+
11M0
11M0
)+M1
)+M1
10M*
10M*


108



Mapa de Fluxos de Saturao
+0/)
1+10
1100
+1/*
+0/)
+1/*
1100
1+10
1+10
1+10
1+10
1+10
)00,
)00,
)00,
+1/*
+1/*
1+10
1+10
)0*/
)0*/
)0*/
)0*/
1,/, 1+10
1+10 1+10
1+10 1+10
1+10
1,/,
1,/, )//)
))11
))11
))11 +1+*
*101
)//1
))11
)//1
)//1
1100
1**+
1100
)//1
)//1
+0/)


Perfil de Demanda da Rede (Pico da Manh)
(baseado no cruzamento Av. Pe. Antonio x Rua Ribeiro do Vale)
0
)00
*00
,00
000
1000
1)00
1*00
1,00
1000
)000
0,A00 0,A+0 01A00 01A+0 00A00 00A+0 0/A00 0/A+0 10A00 10A+0 11A00
Demanda aNustada para o simuador
LuKos medidos
4luxo (ec3Fora$

109



Mapa de Fluxos (Pico da Manh)
,02
)01
/,
1*1
,)2
00)
)1)
11)
)+/
10*
)0,
/,
/2*
/**
/0/
02,
/10
+*)
)1
0/)
020
000
1,,
+*,
+)2
+*
+00
)/) *,
20
*++
)*0 //)
+0,
)10
1*0 11+*
100/
1++
1,1
1)2
01*
)/
)/
Mapa de Taxas de Converso (Pico da Manh)
%orcentagens de con#erso destes
cruOamentos de.inidas como padro
por proporPes entre .uKos

110



Perfil de Demanda da Rede (Pico da Tarde)
(baseado no cruzamento Av. Pe. Antonio x Rua Ribeiro do Vale)
0
200
1000
1200
)000
)200
+000
1
,
A
0
0
1
,
A
0
2
1
,
A
1
0
1
,
A
1
2
1
,
A
)
0
1
,
A
)
2
1
,
A
+
0
1
,
A
+
2
1
,
A
*
0
1
,
A
*
2
1
,
A
2
0
1
,
A
2
2
1
1
A
0
0
1
1
A
0
2
1
1
A
1
0
1
1
A
1
2
1
1
A
)
0
1
1
A
)
2
1
1
A
+
0
1
1
A
+
2
1
1
A
*
0
1
1
A
*
2
1
1
A
2
0
1
1
A
2
2
1
0
A
0
0
1
0
A
0
2
1
0
A
1
0
1
0
A
1
2
1
0
A
)
0
1
0
A
)
2
1
0
A
+
0
1
0
A
+
2
1
0
A
*
0
1
0
A
*
2
1
0
A
2
0
1
0
A
2
2
1
/
A
0
0
1
/
A
0
2
1
/
A
1
0
1
/
A
1
2
1
/
A
)
0
1
/
A
)
2
1
/
A
+
0
1
/
A
+
2
1
/
A
*
0
1
/
A
*
2
1
/
A
2
0
1
/
A
2
2
)
0
A
0
0
)
0
A
0
2
)
0
A
1
0
)
0
A
1
2
)
0
A
)
0
LuKos Medidos
Demanda ANustada para o 4imuador


Mapa de Fluxos (Pico da Tarde)
10+0
)01
)++
1+*2
11)+
1+0)
1/,
))1
1/0
)0+
10+
102
/*)
/11
1001
1+/1
1*00
1/2
1)1
1*+1
1*1)
1+/*
1+12
2)/
100
1)+
1,2
120
1)2
1)0
00,
120 1*2/
))0
)1*
1*2 1,1)
12))
1)1
,0*
,10
2*/
)/
)/
)0
)0
1011
1)0


111



Mapa de Taxas de Converso (Pico da Tarde)
%orcentagens de con#erso destes
cruOamentos de.inidas como padro
por proporPes entre .uKos



112



Apndice C: Planos anterior e otimizados para cada nvel de demanda

Relembrando que o estudo de caso foi feito em uma rede com cinco
semforos em linha de uma via coletora de mo nica. Para facilitar a anlise dos
planos nas prximas figuras deve-se ter em mente que os veculos percorrem a rede
na seguinte sequncia de interseces:

Av. Pe. Antonio Jos dos Santos X Rua Guaraiva;
Av. Pe. Antonio Jos dos Santos X Rua Ribeiro do Vale;
Av. Pe. Antonio Jos dos Santos X Rua Califrnia;
Av. Pe. Antonio Jos dos Santos X Rua Nova York;
Av. Pe. Antonio Jos dos Santos x Av. Portugal.

tG
t8
%G
pG
%ano esco"ido para teste rea
%ano esco"ido para teste cruOado
instante in6cio #erde
instante in6cio #erme"o
tempo de erde
porcentagem de erde

Legendas

tCiclo
%ano Antigo tG t8 %G pG
Man"
%e9 Antonio 0 +2 29 8=?
%ortuga *0 ,1 1; 2<?
%e9 Antonio 0 +1 2; 90?
:o#a ;or( *) ,1 19 29?
%e9 Antonio 0 +/ 2= 98?
5ai.&rnia ** ,1 12 21?
%e9 Antonio 0 +1 2; 90?
8ibeiro do <ae *) ,1 19 29?
=ndiana 0 )) 11 20?
8ibeiro do <ae )1 ,1 8. 9:?
%e9 Antonio 0 +1 2; 90?
Guaraiu#a *) ,1 19 29?
;1

Plano anterior para o pico da manh

Deve-se atender ao fato de que o algoritmo gentico aplicado encontrou
planos com dois tipos de comportamento atrelados aos nveis de saturao.
113



Nos cenrios do pico da manh com demanda 100%, 110% a rede no
estava ainda saturada e pode-se observar a formao de ondas verdes, com os
semforos abrindo em sequncia (os tGs do plano percorrem o ciclo de forma
progressiva ao longo da rede) para que os veculos do fluxo principal na avenida Pe.
Antnio.

tG t8 %G pG tG t8 %G pG tG t8 %G pG tG t8 %G pG tG t8 %G pG tG t8 %G pG
+0 22 19 88? +0 21 1; 81? *0 , 1: 82? +0 22 19 89? )/ ,0 20 8:? +0 22 19 89?
* )2 10 2;? ,+ )2 1: 80? 1) +2 12 2<? * )2 10 2<? ,, )* 19 2;? * )2 10 2<?
1/ *+ 18 81? 1, ** 1< 88? )* *0 18 8.? 1/ *) 12 80? 1, ** 1< 81? 10 *0 11 2=?
*/ 1* 11 2=? 20 11 19 2=? 2* 1/ 19 81? *0 1* 11 2=? 20 11 1< 81? *, 1+ 12 80?
0 )* 18 81? 0 )1 1; 81? 0 )2 19 81? 0 )+ 12 80? 0 +0 2. 89? 0 )) 11 2=?
)/ 21 11 2=? +) 20 1: 80? +0 2* 18 8.? )0 20 11 2=? +2 ,1 1: 2=? )1 20 12 80?
+* 22 10 2;? *1 0 19 2=? +1 2/ 11 2;? *) 1 10 2<? 2* 1, 1= 82? )+ *+ 1. 2:?
+ )0 19 88? 1+ *1 1< 88? * +1 1; 89? 1) +, 18 82? )1 *0 1; 8.? *0 11 19 89?
*1 10 1. 29? 20 1, 09 12? *0 0 1. 22? 22 1/ 1. 2:? ,, )* 19 2;? +1 20 0= 28?
12 *1 1: 8:? )1 2) 20 8<? 1+ *) 1= 8<? )* */ 19 89? )/ ,0 20 8:? 22 )2 1: 8:?
12 +0 12 8.? ++ 2/ 1: 80? 11 *) 19 81? )2 *, 10 2<? *0 0 1; 8.? 1 )/ 11 2=?
*+ / 12 8.? 0 )1 1; 81? *1 11 18 8.? 21 1/ 18 82? 2 +* 1= 82? +* 1 12 80?
=ndiana
8ibeiro do <ae
%e9 Antonio
Guaraiu#a
%e9 Antonio
5ai.&rnia
%e9 Antonio
8ibeiro do <ae
9:
%e9 Antonio
%ortuga
%e9 Antonio
:o#a ;or(
tCiclo 9; :8 :. 9: :;

Planos para demanda aferida, ou 100% (Pico da manh)

tG t8 %G pG tG t8 %G pG tG t8 %G pG tG t8 %G pG tG t8 %G pG tG t8 %G pG
+2 ,0 22 89? ++ ,2 21 89? ++ ,0 29 8;? +0 ,, 2: 8;? ++ ,2 21 89? +0 ,) 21 89?
0 +0 2. 80? 10 )0 1= 80? 0 )0 1< 2<? 1) )2 2. 2=? 10 )0 1= 80? ,1 )2 1= 80?
)+ 22 21 82? 1/ 20 20 88? 1/ 21 21 82? 10 20 21 81? )0 20 2. 81? 12 *2 2. 81?
,1 10 20 81? 22 1* 2. 81? 21 1* 20 81? 2, 1+ 28 88? 2, 12 2. 81? 21 10 2. 81?
0 ++ 22 89? 0 )/ 1= 80? 0 +) 21 82? 0 +2 29 89? 0 +1 20 88? 0 )/ 1= 80?
+0 ,0 2. 80? +* ,2 20 88? +1 ,0 20 81? *0 11 20 8.? +, ,2 1= 80? +* ,2 20 88?
*0 11 20 81? 20 11 2. 81? ,, )) 2. 80? 2+ 0 21 81? 0 )/ 1= 80? )0 21 1= 80?
) +* 21 82? )) 2+ 20 88? )1 ,0 22 89? 1+ *1 28 88? +* ,2 20 88? ,) )) 20 88?
20 2 1= 2=? ) )/ 1; 2<? 2 +* 1= 2=? 2/ 11 1= 2<? 11 +, 19 29? +0 ,2 1; 2<?
10 ** 28 8:? +* ,1 22 8:? +/ 1+ 28 8:? 1, 2+ 2; 8<? *1 2 29 8=? 10 +) 22 8:?
+) ,) 2. 80? *1 + 22 8:? 21 0 20 81? +1 10 22 82? 2+ 10 1< 2=? 12 *+ 1< 2=?
,1 ), 22 89? 0 +, 1< 2=? 1+ *2 21 82? 12 +1 22 82? 12 *1 21 89? *0 / 21 89?
2
%e9 Antonio
8ibeiro do <ae
tCiclo ;8
0
=ndiana
8ibeiro do <ae
+
%e9 Antonio
Guaraiu#a
;8 ;; ;0 ;0
1
%e9 Antonio
%ortuga
;0
)
%e9 Antonio
:o#a ;or(
*
%e9 Antonio
5ai.&rnia

Planos para demanda 110% (Pico da manh)


114



tG t8 %G pG tG t8 %G pG tG t8 %G pG tG t8 %G pG tG t8 %G pG tG t8 %G pG
+0 00 81 8;? ++ 11 2< 8<? +, 0+ 8; 8;? )1 ,0 2= 8;? +0 ,/ 2= 8;? ), 10 88 8;?
0, ++ 2; 80? 11 )0 20 2=? 0/ +1 80 80? ,, 1, 22 8.? 12 )2 22 8.? 1, )1 2= 80?
)* ,* 8. 88? )1 2, 29 88? )2 ,0 82 82? 1 ** 2; 89? 1/ 2, 2; 89? 1+ 22 81 89?
10 1/ 2= 82? ,) 1, 28 82? 1* )0 89 89? 20 ) 29 81? ,) 1* 29 81? ,1 0 80 88?
0 +0 2< 81? 0 +, 2: 89? 0 *2 89 89? 0 +1 2; 89? 0 +1 2; 89? 0 *1 80 88?
*+ 0* 80 8:? *1 1* 22 80? 20 /+ 82 82? *) 11 29 81? *) 11 29 81? *, 00 81 89?
+0 12 2; 80? )/ ,0 20 2=? 10 2+ 82 82? *1 00 22 8.? *1 1/ 21 2=? 21 /1 8. 82?
00 +) 81 8;? ,2 )+ 2< 8<? 20 * 89 89? ) *1 2= 8;? 1 *1 8. 8<? ) *2 82 8:?
2+ 01 28 2<? 21 0 1= 2:? +2 11 81 81? 20 0 22 8.? 22 ) 2. 2:? ,2 / 2< 8.?
) *1 89 9.? 2 *2 8. 9.? 0) )/ 8: 8:? 1+ 2) 2= 8;? 1 */ 81 90? 1* 2/ 89 8<?
+1 ,/ 2< 81? 10 20 21 8.? /) +0 89 89? +1 11 28 80? +1 10 22 8.? +1 00 82 8:?
1* )2 80 8:? 22 1) 2; 8:? *+ 0, 82 82? 1, +1 2< 8:? 12 +1 2= 8;? 02 +1 8. 82?
=8
%ortuga
:o#a ;or(
5ai.&rnia
tCiclo =. <.
8ibeiro do <ae
8ibeiro do <ae
%e9 Antonio
%e9 Antonio
Guaraiu#a
=ndiana
%e9 Antonio
== <2 <2
%e9 Antonio
%e9 Antonio

Planos para demanda 120% (Pico da manh)

Nos nveis mais altos, observados no cenrio de 130% de demanda do pico
da manh e no pico da tarde, o que se nota a alta superposio dos perodos de
verde geralmente com poucos segundos de defasagem entre um semforo e outro.

tG t8 %G pG tG t8 %G pG tG t8 %G pG tG t8 %G pG tG t8 %G pG tG t8 %G pG
) 2* 91 8;? 1 21 9: 8;? 1 21 9: 8;? )0 0+ 99 8;? 2 21 91 8;? 0 ** 88 8;?
,0 100 8< 82? ,+ 112 91 88? ,+ 112 91 88? 0/ )+ 91 88? ,+ 0 8< 82? 20 0/ 2= 80?
10/ *, 8< 82? 11 ,2 98 89? ) 2* 91 88? 1* ,* 9. 81? 1 */ 8< 82? 0/ +2 8. 82?
2) 10* 91 8;? 11 , 98 89? ,0 11, 9: 8;? 10 / 9; 8<? 22 101 91 8;? *1 0* 82 8:?
0 20 9. 89? 0 2) 91 88? 0 2+ 92 89? 0 21 90 82? 0 21 90 8:? 0 *) 81 89?
22 102 9. 89? 21 11+ 9: 8;? 20 11+ 99 8:? 2, 11) 9: 8;? 2, 102 8= 88? *1 00 80 88?
2/ 10, 8; 81? 1 */ 8< 8.? 100 +* 92 89? 11+ ** 8= 81? +1 10 8; 81? 21 + 8. 82?
0 2+ 92 8<? 2* 11* :. 9.? +/ /* 99 8:? */ 101 9< 8=? 0+ )2 92 8<? 0 21 82 8:?
,0 0 82 2=? 11, *, 8= 80? 1, ,* 8< 8.? 11* *, 9. 81? *0 /+ 89 80? 10 1+ 2; 2=?
2 ,) 9; 90? 21 110 9= 9.? ,/ 10 :. 9.? 21 100 9; 8<? /0 *) 99 9.? 10 ,* 8: 8=?
)/ 01 91 8;? 110 20 9= 9.? 1/ 11 90 82? /2 +1 98 8:? )/ 00 90 8:? 2) /+ 80 88?
0, )+ 8< 82? ,+ 11) 8= 80? 1, 1+ 9; 8<? +, 0/ 92 89? 02 )+ 8= 88? * *, 81 89?
=ndiana
8ibeiro do <ae
%e9 Antonio
Guaraiu#a
%e9 Antonio
5ai.&rnia
%e9 Antonio
8ibeiro do <ae
=8
%e9 Antonio
%ortuga
%e9 Antonio
:o#a ;or(
tCiclo 000 00= 00= 00< 000

Planos para demanda 130% (Pico da manh)

115



tG t8 %G pG
0 2+ 92 98?
20 /2 2; 28?
0 22 99 9:?
,0 /2 29 20?
0 21 9; 9:?
,) /2 22 20?
0 2) 91 9:?
21 /2 2< 20?
0 )2 19 20?
+0 /2 :9 9:?
0 20 9. 9:?
22 /2 8. 20?
%e9 Antonio
%ortuga
tCiclo 0..
%e9 Antonio
=ndiana
%e9 Antonio
%e9 Antonio
%e9 Antonio
Guaraiu#a
:o#a ;or(
5ai.&rnia
8ibeiro do <ae
8ibeiro do <ae

Plano anterior para pico da tarde

tG t8 %G pG tG t8 %G pG tG %G pG tG t8 %G pG tG t8 %G pG tG t8 %G pG tG t8 %G pG
1+ 00 :; 9:? ) ,/ :; 9:? +1 // :< 9;? 10 1/ := 9<? *+ 11* ;0 9=? )0 01 :; 9:? 0 2+ 92 98?
0, 0 81 29? 12 111 81 29? 10* ), 81 29? )2 ,2 8. 22? 0 +0 2< 21? /+ 12 81 29? 20 /2 2; 28?
, ,0 :1 91? 110 ,) :8 92? 11 0) :9 98? ,* 0 :8 92? 21 111 :. 9.? 1* 10 :8 92? 0 22 99 9:?
1, 1 89 2<? ,0 11+ 89 2<? 01 1) 89 2<? 1* 2/ 89 2<? 1 *, 89 2<? 01 / 81 29? ,0 /2 29 20?
0 21 9; 8<? 0 20 9< 8<? 11/ 2/ :. 9.? 0 2/ 9= 8=? 0 2/ 9= 8=? 0 ,0 :. 9.? 0 21 9; 9:?
,) 11* 91 82? ,+ 11* 90 82? ,* 11* 9. 81? ,* 11* 9. 81? ,* 11* 9. 81? ,2 BB 8= 80? ,) /2 22 20?
112 2* 9= 8=? 01 )1 :. 9.? 01 )/ :1 91? /1 +0 9= 8=? 0, )1 :0 90? 2) BB :: 99? 0 2) 91 9:?
2/ 10/ 9. 81? +) 01 8= 80? +* 0) 8< 8.? +2 02 9. 81? +) 1/ 8; 2=? + */ 8: 2<? 21 /2 2< 20?
10 */ 20 1:? 2 +/ 28 1<? 111 )* 22 1<? 10, 1/ 22 1<? 0 *0 21 1;? 12 BB 28 1<? 0 )2 19 20?
2* 1) ;< :9? ** 11/ ;9 :2? )/ 10, ;; :8? )* 100 ;: :2? *2 ) ;; :8? BB ,/ ;9 :2? +0 /2 :9 9:?
00 )1 :0 90? ,0 1 :0 90? 20 11/ :0 90? 20 110 :. 9.? 2/ 11/ :. 9.? 1, 1, :. 9.? 0 20 9. 9:?
), 1* 8< 8.? , 2* 8< 8.? * 2+ 8= 80? + 2) 8= 80? * 2+ 8= 80? 01 10 8= 80? 22 /2 8. 20?
0..
%ano Antigo
01.
%e9 Antonio
=ndiana
%e9 Antonio
0
+
%e9 Antonio
01.
1
%e9 Antonio
%ortuga
tCiclo 01. 01. 01. 01.
%e9 Antonio
*
2
Guaraiu#a
)
:o#a ;or(
5ai.&rnia
8ibeiro do <ae
8ibeiro do <ae

Planos Para Pico da Tarde

Uma vez implementado o plano destacado acima sofreu alguns ajustes por parte de especialista da
CET-SP:
No cruzamento da rua Pe. Antonio com a rua Guaraiuva a defasagem foi alterada de 58 para 62
No cruzamento da rua Pe. Antonio com a rua Califrnia a defasagem foi alterada de 119 para 110