Você está na página 1de 123

UNIVERSIDADE FEDERAL DO CEAR

PROGRAMA DE MESTRADO EM ENGENHARIA DE TRANSPORTES

Dissertao de Mestrado

ESTIMAO DE VOLUMES DE TRFEGO COM BASE NA


MORFOLOGIA URBANA. ESTUDO DE CASO: CIDADE DE
FORTALEZA-CE

Antonio Wagner Lopes Jales

2009

UNIVERSIDADE FEDERAL DO CEAR


PROGRAMA DE MESTRADO EM ENGENHARIA DE TRANSPORTES

ESTIMAO DE VOLUMES DE TRFEGO COM BASE NA


MORFOLOGIA URBANA. ESTUDO DE CASO: CIDADE DE
FORTALEZA-CE

Antonio Wagner Lopes Jales

Dissertao submetida ao Programa


de Mestrado em Engenharia de
Transportes da Universidade Federal
do Cear, como parte dos requisitos
para a obteno do ttulo de Mestre
em Cincias (M.Sc.) em Engenharia
de Transportes

ORIENTADOR: Prof. Dr. Carlos Augusto Ucha da Silva


CO-ORIENTADOR: Prof. Dr. Antnio Paulo de Hollanda Cavalcante

FORTALEZA, CE BRASIL
DEZEMBRO DE 2009

FICHA CATALOGRFICA
JALES, ANTONIO WAGNER LOPES
Estimao de Volumes de Trfego com base na Morfologia Urbana. Estudo de
caso:Cidade de Fortaleza-CE, 2009.
XII, 119 fl. Dissertao (Mestrado em Engenharia de Transportes) Programa de
Mestrado em Engenharia de Transportes, Centro de Tecnologia, Universidade Federal
do Cear, Fortaleza, 2009.
1

Transportes Dissertao

Sintaxe Espacial

Redes Neurais Artificiais

Trfego de Veculos

Simulao
CDD 388
REFERNCIA BIBLIOGRFICA

JALES, A. W. L. (2009), Estimao de Volumes de Trfego com base na Morfologia


Urbana. Estudo de caso: Cidade de Fortaleza-CE. Fortaleza, 2009. Dissertao de
Mestrado, Programa de Mestrado em Engenharia de Transportes, Universidade Federal
do Cear, Fortaleza, 2009. 120 fl.

CESSO DE DIREITOS
NOME DO AUTOR: Antonio Wagner Lopes Jales
TTULO DA DISSERTAO DE MESTRADO: Estimao de Volumes de Trfego
com base na Morfologia Urbana. Estudo de caso: Cidade de Fortaleza-CE. Mestre /
2009.

concedida Universidade Federal do Cear permisso para reproduzir cpias


desta dissertao de mestrado e para emprestar ou vender tais cpias somente para
propsitos acadmicos e cientficos. O autor reserva outros direitos de publicao e
nenhuma parte desta dissertao de mestrado pode ser reproduzida sem a autorizao
por escrito do autor.
________________
Antonio Wagner Lopes Jales
Rua Mato-Grosso, 386, Panamericano,
60.440-820 - Fortaleza/CE Brasil

iii

ESTIMAO DE VOLUMES DE TRFEGO COM BASE NA MORFOLOGIA


URBANA. ESTUDO DE CASO: CIDADE DE FORTALEZA-CE

Antonio Wagner Lopes Jales

DISSERTAO SUBMETIDA AO CORPO DOCENTE DO PROGRAMA DE


MESTRADO EM ENGENHARIA DE TRANSPORTES DA UNIVERSIDADE
FEDERAL DO CEAR COMO PARTE DOS REQUISITOS NECESSRIOS
OBTENO DO GRAU DE MESTRE EM CINCIAS EM ENGENHARIA DE
TRANSPORTES.

Aprovada por:

_______________________________________________
Prof. Carlos Augusto Ucha da Silva, D.Sc
(Orientador)
_______________________________________________
Prof. Antnio Paulo de Hollanda Cavalcante, D.Sc
(Co-Orientador)

_______________________________________________
Prof. Carlos Felipe Grangeiro Loureiro, D.Sc
(Examinador Interno)
_______________________________________________
Prof. Antnio Nelson Rodrigues da Silva, D.Sc
(Examinador Externo)

FORTALEZA, CE BRASIL
DEZEMBRO DE 2009

iv

Resumo da Dissertao submetida ao PETRAN/UFC como parte dos requisitos para a


obteno do ttulo de Mestre em Cincias (M.Sc.) em Engenharia de Transportes

ESTIMAO DE VOLUMES DE TRFEGO COM BASE NA MORFOLOGIA


URBANA. ESTUDO DE CASO: CIDADE DE FORTALEZA-CE

Antonio Wagner Lopes Jales


Dezembro de 2009
Orientador: Carlos Augusto Ucha da Silva

Este trabalho apresenta uma proposta metodolgica alternativa para a modelagem


macroscpica de trfego de veculos, considerando o prprio desenho da malha como
indutor dos fluxos de veculos, constituindo-se num estudo de caso dos Volumes
Mdios Dirios da cidade de Fortaleza (CE). Foi utilizada a ferramenta chamada de
Sintaxe Espacial e uma de suas derivaes, chamada de Anlise Angular de Segmentos,
como critrio de hierarquizao das vias. Os valores gerados por tal ferramenta foram
utilizados como dados de entrada, juntamente com os dados operacionais de trfego
para a construo de um esquema de treinamento para modelagem atravs de Redes
Neurais Artificiais. Como dados de sada, foram utilizados os valores de VMD. O
objetivo foi desenvolver um mtodo de baixo custo para estimar o volume trfego
veicular e que eliminasse a necessidade de numerosos dados exigidos para a modelagem
tradicional ou modelo quatro etapas, como por exemplo a pesquisa origem / destino.

Abstract of Thesis submitted to PETRAN/UFC as a partial fulfillment of the


requirements for the degree of Master of Science (M.Sc.) in Transportation Engineering
ESTIMATION OF VOLUME TRAFFIC FROM URBAN. CASE FORTALEZA-CE
Antonio Wagner Lopes Jales
December de 2009
Advisor: Carlos Augusto Ucha da Silva

This paper presents an alternative methodological proposal for macroscopic modeling


of traffic flows rates, considering the grid design as inductor of veicular flows,
configuring a case study of the Daily Average Volumes of Fortaleza City, Cear State.
The tool called Space Syntax and one of its derivations called Angle Segments Analysis
were used as a criterion of hierarchization of the streets. The values generated by such
tool were used as input data as well as operational data of traffic were used for the
construction of a training scheme for modeling through Artificial Neural Networks, and
the values of Daily Average Volumes were used as output ones. The research aims at
developing low cost method to preview volume flows and that could eliminate the need
of numerous data required by the traditional UTMS modeling know as of four-stage
model like for example, the survey origin / destination.

vi

DEDICATRIA

A toda minha famlia, em especial aos meus sobrinhos:


Janana, Eloah, Cau, Mariah (in memorian) e a minha irm mais nova: Luiza.
Que esse pequeno esforo sirva de exemplo para os mesmos no futuro.
Que eles sejam melhores do que eu quando chegar a oportunidade deles.

vii

... no possvel determinar o que real.


Tudo que se pode fazer descobrir quais modelos matemticos descrevem o universo
em que vivemos (...). Ento, o que real e o que imaginrio?
A distino est apenas em nossas mentes?
- Stephen Hawking

... o mundo que colocado diante dos seus olhos para


que voc no veja a realidade.
- Morpheus

viii

AGRADECIMENTOS
Sou grato ao Mestre pelas boas oportunidades que vm se apresentando na
minha vida h algum tempo, pois sua mo presente, mas invisvel vem alocando-a
por uma rota que at agora s ele conhece o destino.

Sou grato a minha famlia, aos meus pais pela vida e mais especificamente ao
meu pai, por sempre dar apoio nas minhas decises, mesmo s vezes no concordando.
Sou grato minha av, dona Maria (V Maz) por ter me recebido mais uma vez em sua
casa com toda a ateno e carinho juntamente com a tia Nga, sua irm. Aos meus
irmos Alexandre, Carol e Paulo, reafirmarmos a nossa amizade nesse perodo, tivemos
momentos tristes, mas tambm muitos momentos alegres. A Josiane Nogueira, por se
dispor a manter um namoro distncia, pela confiana e pelo carinho dedicados a mim.

Ao PETRAN e aos professores por acreditarem em mim, pela pacincia, pela


ateno, pela oportunidade de estudar em um programa de mestrado de referncia e
atravs desse programa ter contato com uma realidade nova pra mim at ento.

Destaco no PETRAN os professores: Alencar, pelos primeiros dilogos; ao prof.


Felipe, por abrir as portas anlise dos dados, apesar de ainda precisar aprender
muito a respeito; ao prof A. Paulo, por ter me mostrado a Sintaxe Espacial, SIG e pelas
informaes da Prefeitura Municipal de Fortaleza - AMC, ao prof. Ucha pelo apoio na
concluso trabalho, pela amizade, pela sinceridade nos momentos necessrios e por no
me esconder a sua condio humana, mostrando que antes de ttulos existem pessoas.
Sem deixar claro, de falar na professora Suelly, Nadja e Beth na intermediao de
conflitos, e tambm a Ivone (secretaria) e Camila, muito grato tambm a vocs duas.
Grato tambm ao prof. Nelson da EESC-USP pela oportunidade de fazer uma disciplina
nessa mesma escola e ver de forma simples e prtica a utilizao das RNA em
Transportes e Planejamento Urbano.

importante tambm falar dos colegas de turma com destaque ao Ednardo,


Marcelo Callado, Paulo Csar, Cris, Georgiana, Fabiano Lira e Robrio com quem tive
bons momentos no DET.

ix

SUMRIO
CAPTULO 1 INTRODUO
1.1. CONTEXTUALIZAO

15

1.2 OBJETIVOS

16

1.2.1 Geral

16

1.2.2 Especficos

16

1.3. ESTRUTURA DO TRABALHO

17

CAPTULO 2 - CONSIDERAES SOBRE FLUXO DE VECULOS


2.1 INTRODUO

18

2.2 VOLUMES DE TRFEGO

18

2.2.1 Variao Temporal Volume Mdio Dirio (VMD)

19

2.2.2 Variao espacial

21

2.3 DEMAIS VARIVEIS DE FLUXO DE VECULOS

21

2.3.1 Velocidade

21

2.3.2 Densidade

22

2.4 FORMAS DE ANLISE E SIMULAO DE FLUXO DE VECULOS

22

2.4.1 Modelos macroscpicos

23

2.4.2 Modelos mesoscpicos

23

2.4.3 Modelos microscpicos

24

2.5 A MODELAGEM TRADICIONAL DA DEMANDA POR TRANSPORTES

24

2.5.1 Gerao de viagens

25

2.5.2 Distribuio de viagens

26

2.5.3 Diviso modal

26

2.5.4 Alocao de trfego

26

CAPTULO 3 - A SINTAXE ESPACIAL


3.1 INTRODUO

29

3.2 AS ORIGENS E A BASE MATEMTICA

29

3.2.1 A contribuio dos estudos da Gramtica

29

3.2.2 A teoria dos grafos como forma de representar o espao

30

3.2.3 Propriedades das configuraes

30

3.2.4 Espao convexo e espao axial

31

3.2.5 Distncia topolgica

34

3.2.6 As medidas sintticas

35

3.2.6.1 Variveis de Primeira Ordem

35

3.2.6.2 Variveis de Segunda Ordem


3.3. AS VARIVEIS SINTTICAS, CARACTERIZAO URBANA E OS MOVIMENTOS
NO ESPAO URBANO
3.4. A INFLUNCIA DA MALHA VIRIA NA CIRCULAO URBANA MOVIMENTO
NATURAL
3.4.1 Testando a Teoria do Movimento Natural e a Sintaxe Espacial

39

3.5. CRTICAS SINTAXE ESPACIAL

46

41
42
44

3.6 A UTILIZAO DA SINTAXE ESPACIAL E SUAS DERIVAES EM TRANSPORTES


3.6.1. A identificao de relaes lineares entre propriedades morfolgicas e propriedades
operacionais da malha viria.
3.6.2 Utilizao da SE para simulao de trfego de veculos
3.6.3 Construo de modelos lineares para estimao de propriedades operacionais a partir de
variveis sintticas
3.6.4 Derivaes da Sintaxe Espacial

47
47
48
53
54

3.6.4.1 Anlise Angular (Angular Analysis)

54

3.6.4.2 Anlise Angular de Segmentos (Angular Segments Analysis)

55

3.6.4.3 Anlise Fracionada (Fractional Analysis)

61

3.6.4.4 Linhas de Continuidade

61

CAPTULO 4 - REDES NEURAIS ARTIFICIAIS


4.1. INTRODUO

65

4.2 OS MODELOS NEURAIS X MODELOS REGRESSIVOS

65

4.3 PROPAGAO DE UM IMPULSO ELTRICO NO CREBRO HUMANO

67

4.4 AS REDES NEURAIS ARTIFIAIS

68

4.4.1 Histrico das Redes Neurais Artificiais

68

4.5 PARADIGMAS DE APRENDIZAGEM

69

4.6 ESTRUTURA DAS RNA

69

4.6.1 Topologia da Rede

70

4.6.2 Unidade de processamento (o neurnio artificial)

71

4.6.3. Funes de ativao


4.7 MULTILAYER PERCEPTRON (MLP)

73
74

4.7.1 Treinando uma MLP com o algoritmo de retro-propragao (backpropagation)

75

4.7.2 Seleo dos dados para treinamento das RNA

76

4.8 APLICAES DAS RNA EM PLANEJAMENTO DE TRANSPORTES

77

4.9 REDES NEURAIS ARTIFICIAIS X SINTAXE ESPACIAL

78

CAPTULO 5 - MATERIAIS E MTODO


5.1 CONSIDERAES GERAIS DA METODOLOGIA PROPOSTA

79

5.2 MATERIAIS

79

5.2.1 TransCAD e a base cartogrfica digital

80

5.2.2 AutoCAD 2000 para desenho do mapa axial

80

5.2.3 DepthMap e gerao de variveis sintticas

80

5.2.4 EasyNN-Plus para treinamento de RNA


5.2.5 Microsoft EXCEL para clculo do coeficiente de correlao (r de Pearson), do Erro
Relativo Mdio (ERM)
5.3 O MTODO
5.3.1 Passo 1: Construo de mapa para gerao de variveis sintticas a partir da base
cartogrfica digital existente
5.3.2 Passo 2: a gerao de variveis sintticas a partir do mapa de links

81

5.3.3 Passo 3: Filtrando as variveis sintticas a serem utilizadas para o treino das RNA

82

5.3.4 Passo 4: Construindo uma rvore de testes

84

5.3.5 Passo 5: Identificao da topologia mais adequada

85

5.3.6 Passo 6: Refinando a topologia escolhida

88

5.3.7 Passo 7: Caracterizao do erro encontrado, estatstica e espacialmente

88

81
82
82
82

xi

CAPTULO 6 - ESTUDO DE CASO


6.1. INTRODUO

89

6.1.1 A rede viria de Fortaleza e os dados a serem simulados.

89

6.2 MTODO PROPOSTO APLICADO AO ESTUDO DE CASO

91

6.2.1 Gerao das variveis sintticas

91

6.2.2 Filtrando as variveis sintticas.

93

6.2.3 Montando a base para rvore de testes.

100

6.2.4 Anlise dos resultados da rvore de testes.

101

6.2.5 Refinando a topologia mais adequada.

102

6.2.6 Caracterizao do erro encontrado na topologia escolhida.

103

6.3 EXPERINCIAS METODOLGICAS ANTERIORES.

105

CAPTULO 7 - CONCLUSES E RECOMENDAES


7.1 A UTILIZAO DA SE PARA PREVISO DO CARREGAMENTO VIRIO

110

7.2 O METODO PROPOSTO PARA GERAO E SELEO DAS VARIVEIS SINTTICAS

111

7.3 SOBRE O MTODO MATEMTICO UTILIZADO PARA MODELAGEM DOS DADOS

112

REFERNCIAS BIBLIOGRFICAS

113

ANEXOS

118

xii

LISTA DE FIGURAS
Figura 2.1: Variao de Fluxo ao longo do dia.

20

Figura 2.2: Variao de Fluxo ao longo da semana.

20

Figura 2.3: Variao de Fluxo ao longo do ano

21

Figura 2.4: Modelo Quatro Etapas de Planejamento de Transportes.

25

Figura 3.1: Diferena entre semntica e sintaxe.

30

Figura 3.2: Exemplo de quatro propriedades das configuraes. Adaptado de HILLIER (1984).

31

Figura 3.3: Comparao entre anlise semntica e anlise sinttica de um espao convexo.

32

Figura 3.4: Grafo representando a edificao da figura 3.3.

32

Figura 3.5: Grafo representando o mapa axial.

33

Figura 3.6: rea critica de Fortaleza-CE. Comparao entre anlise semntica e anlise sinttica.

33

Figura 3.7: Distncia topolgica em espao convexo.

34

Figura 3.8: Distncia topolgica em espao axial.

35

Figura 3.9a: Representao do sistema virio em forma de grafo.

35

Figura 3.9b: Contagem das arestas para cada vrtice segundo varivel Conectividade.

35

Figura 3.9c: Hierarquia dos vrtices em funo do nmero de arestas.

36

Figura 3.9d: Hierarquia Viria segundo valores de conectividade.

36

Figura 3.10a: representao do clculo da profundidade mdia para um segundo ponto i

37

Figura 3.10b: hierarquia dos vrtices

37

Figura 3.10c: Hierarquia Viria segundo valores de Profundidade Mdia.

37

Figura 3.11a: Representao do clculo da Assimetria Relativa.

38

Figura 3.11b: Hierarquia dos vrtices.

38

Figura 3.12: Resumo das relaes entre as variveis.

40

Figura 3.13: Modelos de medidas da configurao espacial,

41

Figura 3.14: Duas configuraes de malhas hipotticas.


Figura 3.15: Relaes entre atratores, configurao e movimentos onde A = atratores; C =
configurao; M = movimento.
Figura 3.16: Coeficiente de determinao entre padres de movimentos e variveis conectividade
(a) e escolha (b).
Figura 3.17: Coeficiente de determinao entre padres de movimentos e a varivel integrao (a)
e integrao em base logaritma (b).
Figura 3.18: Derivaes da Anlise Angular.
Figura 3.19: Caminho Euclidiano Mnimo e Caminho Angular Mnimo entre dois pontos em um
espao bidimensional.
Figura 3.20: Um sistema axial simples (a), clculo da profundidade mdia (b) e o clculo da
profundidade mdia angular (c).
Figura 3.21a: Exemplo de malha axial

43

Figura 2.21b: Malha axial destacando os stubs


Figura 3.22: Identificao dos pesos nos ngulos entre os segmentos (acima em forma de mapa
axial, em baixo, em forma de grafo).
Figura 3.23: Identificao da unidade angular tulipa.

55

Figura 3.24: Pesos dos graus segundo Anlise Fracionada.

61

Figura 3.25: Exemplo de reconhecimento de traos lineares

62

Figura 4.1a: Regresso 1 grau. Fonte: O Autor.

65

Figura 4.1b: Curva do 2 grau. Fonte: O Autor.

65

Figura 4.1c: Curva do 3 grau.

66

44
45
46
54
55
55
55

57
59

xiii

Figura 4.1d: Modelo neural.

66

Figura 4.2a: Representao grfica, superfcie plana (1 grau).

66

Figura 4.2b: Representao grfica, parabolide (2 grau).

66

Figura 4.2c: Representao grfica, Superfcie do 3 grau.

66

Figura 4.2d: Representao grfica de um modelo neural de duas entradas.

66

Figura 4.3a: Componentes do neurnio.

67

Figura 4.3b: Entrada dos impulsos eltricos.

67

Figura 4.3c: Chegada dos impulsos eltricos no soma.

67

Figura 4.3d: Sada do impulso eltrico pelo axnio.

67

Figura 4.4: Desenho esquemtico mostrando uma rede de neurnios.

70

Figura 4.5: Classes de RNA.

71

Figura 4.6: Modelo de neurnio artificial.

72

Figura 4.7: Exemplo de processamento de informaes no neurnio artificial.

74

Figura 4.8: Ilustrao das direes de propagao do sinal funcional e do erro.

75

Figura 4.9: Zona de sombra

77

Figura 5.1: Resumo da metodologia proposta.

79

Figura 5.2a: Coeficiente de correlao e grfico de disperso, ltimo par 1 e 2.

83

Figura 5.2b: Coeficiente de correlao e grfico de disperso, ltimo par 60 e 60.

83

Figura 5.3: rvore de Testes.

85

Figura 6.1: Links com dados de VMD coletados em 2003. Fonte: AMC, 2007.

90

Figura 6.2: Distribuio de Freqncia dos VMD de 391 links de Fortaleza.

90

Figura 6.3: Opes do Deptmap para a Anlise de Segmentos.


Figura 6.4: Curva que mostra as correlaes entre os VMDs e as Variveis sintticas geradas pela
opo Full Angular (variando de raio de 01 a 10).
Figura 6.5a: Mapa Sinttico de Fortaleza, Angular Total Depth R1

93

Figura 6.5b: Mapa Sinttico de Fortaleza, Angular Total Depth R2

95

Figura 6.5c: Mapa Sinttico de Fortaleza, Angular Total Depth R4

95

Figura 6.5d: Mapa Sinttico de Fortaleza, Angular Total Depth R5

96

Figura 6.6: Grfico de disperso gerado das variveis Node Count R2 e Total Depth R2
Figura 6.7: Curva que mostra as correlaes entre os VMDs e as Variveis sintticas geradas pela
opo Full Angular (variando de raio de 10 a N).
Figura 6.8a: Correlaes entre VMD e as variaes geradas para Choice Rn, de 4 a 40 bins.

96

Figura 6.8b: Correlaes entre VMD e as variaes geradas para Choice Rn, de 4 a 1024 bins.

98

Figura 6.9a: Mapa Sinttico de Fortaleza, toda a cidade, Choice Rn, 16 bins

99

Figura 6.9b: Mapa Sinttico de Fortaleza, Choice Rn, 16 bins

99

Figura 6.10: Distribuio de Freqncia do ERM para a combinao seleo 01 e esquema 01.

102

Figura 6.11: Refinamento 02 - ERM em funo da variao do nmero de ciclos.


Figura 6.12: Distribuio de Freqncia dos erros relativos para RNA calculada no esquema 01 e
na seleo 01.
Figura 6.13: Grfico de disperso entre os VMD observados e simulados para RNA mais
adequada.
Figura 6.14: Posio do Erro Relativo no mapa de Fortaleza.

103

Figura 6.15a: Disperso entre dados simulados e observados par o sentido AB

108

Figura 6.15b: Disperso entre dados simulados e observados par o sentido BA

108

93
94

97
98

103
104
105

xiv

LISTA DE TABELAS

Tabela 2.1: Diferentes conceitos de VMD

19

Tabela 2.2: Comparativo entre os tipos de simulao de fluxo de veculos

24

Tabela 2.3: Classificao dos Principais Modelos de Alocao de Trfego

27

Tabela 3.1: Metodologia utilizada pela Teoria do Movimento Natural

44

Tabela 3.2: Correlao entre padres de movimentos e a varivel integrao para subreas
Tabela 3.3: Correlao entre Densidades dos veculos e variveis sintticas de Buckhead e
Downtown
Tabela 3.4: Correlao entre densidade de veculos e variveis sintticas

46

Tabela 3.5: Correlao entre fluxo de veculos e outras variveis

51

Tabela 3.6: Pesos atribudos aos graus de inclinao entre os segmentos

56

Tabela 3.7: R das variveis angulares com dados de trfego

58

Tabela 3.8: Resumo dos resultados obtidos pela pesquisa de BARROS (2006)

60

Tabela 3.9: ngulos-limites adotados


Tabela 3.10: Comparao das correlaes entre variveis sintticas e fluxo de veculos pelas linhas
axiais usuais e pelas linhas de continuidade
Tabela 4.1: Principais publicaes sobre RNA

62

Tabela 4.2: Principais funes de ativao das RNA

73

Tabela 4.3: Aplicaes de RNA ao Planejamento de Transportes.

77

Tabela 5.1: Resumo da metodologia proposta.

79

Tabela 6.1: Variveis ASA Full Angular.

91

Tabela 6.2: Variaes nos parmetros bins.

92

Tabela 6.3: Variaes nos parmetros bins.

100

Tabela 6.4: Esquema de treinamento (entradas e sada)

100

Tabela 6.5: Resultados dos ERM gerados pelas diferentes topologias

101

Tabela 6.6: Clculo da mdia dos ERM para as variaes de Momentum e Taxa de Aprendizado.

102

Tabela 6.7: Variaes nos inputs da rvore do treinamento do experimento 5.

107

Tabela 6.8: Esquemas de treinamento (entradas e sadas) experincia 6.

108

50
50

63
68

15

CAPTULO 1

INTRODUO
1.1. CONTEXTUALIZAO
A inexistncia de dados de volume de trfego na maioria dos trechos da
malha principal de Fortaleza (VIANA et al., 2007), bem como o crescente aumento da
frota de veculos dificulta o trabalho de planejamento do trfego por parte dos rgos
pblicos. Estes, para conseguirem um diagnstico da realidade de maneira a atender
satisfatoriamente populao, precisam dispor de recursos financeiros para coleta de
informaes que so, muitas vezes, escassos.
Atualmente, os planejadores da circulao viria do rgo responsvel pelo
trnsito da capital cearense (AMC) empregam o mtodo quatro etapas para
modelagem da demanda, modelo este largamente utilizado por planejadores desde os
anos de 1960. A simulao do carregamento virio essencial para o auxlio na tomada
de deciso por parte do poder pblico ao propor a expanso da malha viria e
alargamento de ruas e avenidas, por exemplo.
Para a calibrao (construo do modelo) e a validao (confirmao da
eficincia do modelo) de um modelo que seja capaz de gerar estimativas de fluxo de
veculos baseados no mtodo tradicional so necessrios diversos dados coletados em
campo, como uma matriz origem / destino dos fluxos de veculos e contagens
volumtricas nos links. A coleta de tais dados tem custos elevados, alm danecessidade
de domnio de ferramental matemtico de relativa complexidade que tal modelagem
exige.
Concordando com HILLIER et al.(1993) que a configurao do espao
exerce influncia nosmovimentos na malhaurbanaindependente dos atratores que nela
existam, estabeleceu-se ento a hiptese inicial da pesquisa: Pode-se estimar o
carregamento de trfego da malha viria de Fortaleza quando no existirem ou se
ignorarem outras variveis tais como: uso do solo (plos geradores), fsicas (nmero de
faixas, largura da via, das faixas, tipo de pavimento, capacidade), operacionais
(velocidade, tempo de percurso) e funcionais (hierarquia viria) considerando apenas

16

variveis sintticas geradas a partir do prprio desenho virio. Com tal hiptese,
estabeleceu-se a questo de pesquisa: Como simular os VMDs para todos os links da
malha principal de Fortaleza sem a existncia de uma matriz O/D?
Apesar das variveis sintticas possurem correlaes estatisticamente
significativas com os padres de movimentos urbanos segundo pesquisas de HILIER et
al (1987), tais relaes nem sempre so lineares,por essa razo identificou-se a
necessidadeda utilizao de instrumentos de modelagens mais robustos que possam
perceber como se do tais relaes.
Se pesquisas mostram que a prpria configurao da malha urbana fornece
indcios acerca do comportamento dos fluxos de veculos/pedestres mas as tentativas de
gerao de modelos estatsticos baseados na configurao ainda no apresentam
resultados to precisos quanto o modelo tradicional, pergunta-se: possvel melhorar a
capacidade de previso de fluxo de veculos utilizando, por exemplo,modelos neurais
associados aos dados de configurao da malha, ao invs de utilizar procedimentos
estatsticos tradicionais?
A possibilidade de um mtodo alternativo de previso do volume de trfego
que exija uma menor quantidade de dados a serem coletados em campo e
conseqentemente com custo financeiro menor do que o mtodo tradicional, fornecendo
um resultado similar ou aproximado, faz a modelagem da demanda ainda mais acessvel
gesto pblica.
1.2 OBJETIVOS

1.2.1 Geral

Elaborar uma metodologia alternativa para modelagem do carregamento


veicular da malha viria da cidade de Fortaleza, baseado exclusivamente nas relaes
morfolgicas.

17

1.2.2 Especficos

a. Justificar a necessidade de utilizao da morfologia para estimar o


carregamento da malha viria;
b. Determinar um mtodo mais adequado para se selecionar e usar variveis
sintticas para modelagem do carregamento virio;
c. Determinar os parmetros das variveis sintticas que geram melhor
relao de causa-e-efeito com os VMD;
d. Escolher o mtodo matemtico mais adequado para modelar os VMD a
partir das variveis sintticas;
1.3. ESTRUTURA DO TRABALHO
Este texto dissertativo est estruturado em sete captulos, sendo o primeiro a
presente introduo. No captulo 2, so feitas consideraes a respeito de fluxo de
veculos, com destaque ao volume de trfego, suas variaes temporais e espaciais.
Revisam-se, nesse mesmo captulo, os conceitos bsicos sobre o mtodo tradicional de
modelagem da demanda.
O captulo 3 aborda a Teoria Social do Espao, atravs das pesquisas de
HILLIER et al. (1987), explicando a ferramenta desenvolvida por esse autor, chamada
de sintaxe espacial. Estudam-se suas derivaes e tambm como tal ferramenta tem sido
aplicada para interpretar o fenmeno de trfego de veculos/pedestres. No capitulo 4,
compara-se o desempenho da modelagem regressiva e da modelagem neural revisandose os princpios bsicos dasRedes Neurais Artificiais, enfocando a sua aplicao nos
estudos de engenharia e transportes.
O Captulo 5 fornece os dados para a construo da metodologia proposta
no trabalho em forma de passos e no Captulo 6 se discorre sobre a aplicao da
metodologia e a anlise dos resultados na rea de estudo, onde tambm so expostos os
resultados de experincias que antecederam a metodologia proposta. Por fim, o captulo
7 apresenta concluses e recomendaes concernentes ao objeto estudado.

18

CAPTULO 2

CONSIDERAES SOBRE FLUXO DE VECULOS


2.1 INTRODUO
O presente captulo est divido em trs tpicos. O primeiro traz uma reviso
de uma das variveis de fluxo de veculos que interessam presente pesquisa, no caso, o
volume. No segundo tpico, so estudadas as trs formas de representao de fluxos
(microscpica, mesoscpica e macroscpica), enfocando-se a anlise macroscpica. O
terceiro tpico, por fim, explana o modelo tradicional de modelagem da demanda ou
modelo quatro etapas, concentrando-se na fase de alocao de trfego.
2.2 VOLUMES DE TRFEGO
O volume de trfego pode ser compreendido como o nmero de veculos
passando por um ponto durante um intervalo de tempo (SETTI, 2005). Segundo
OLIVEIRA (2004), o mais bsico de todos os parmetros do trfego, e o mais
amplamente e freqentemente usado como parte central de qualquer esforo na
engenharia de trfego.
A relevncia de tal varivel pode ser observada, pois ela usada como
referncia para:
classificao funcional de vias, na identificao de tendncias do
trfego, na alimentao e calibrao de simuladores e modelos de
previso de demanda, em estudos de origem-destino, na avaliao de
polticas pblicas, na previso de impostos, no dimensionamento de
recursos de gesto de trfego, dentre outras atividades (OLIVEIRA,
2004).
Diversos fatores podem influenciar a variao de fluxo, seja por efeitos
conhecidos e predeterminados tais como o perodo do dia, o dia da semana, feriados ou
segundo as caractersticas geomtricas e funcionais da via (OLIVEIRA, 2004) ou por
questes naturais, incidncia das outras vias e ocupao do uso do solo, fazendo com
que o volume sofra variaes no tempo e no espao.

19

2.2.1 Variao Temporal Volume Mdio Dirio (VMD)


O volume mdio dirio (VMD) corresponde demanda veicular mdia sob
o perodo de 24 horas de um intervalo especfico de dias, representando, portanto, o
carregamento dirio mdio de uma poro particular da via (OLIVEIRA, 2004). Ele
pode ser coletado considerando-se todos os veculos que circulam pela via em um s
sentido ou em ambos, ou ainda, os que circulam por uma s faixa (BRASIL, 2006). As
contagens podem ser realizadas desconsiderando-se o tipo de veculo (Unidade de
Trfego Misto UTM) ou considerando valores equivalentes a carros de passeio
(Unidade de Carro de Passeio UCP). O clculo dos VMD pode ser feito de diferentes
maneiras, conforme a Tabela 2.1.
Tabela 2.1: Diferentes conceitos de VMD
Volume Mdio Dirio
Anual (VMDa)

Nmero total de veculos trafegando em um ano, dividido


por 365.

Volume Mdio Dirio


Mensal (VMDm)

Nmero total de veculos trafegando em um ms, dividido


pelo nmero de dias do ms. sempre acompanhado pelo
nome do ms a que se refere.

Volume Mdio Dirio


Semanal (VMDs)

Nmero total de veculos trafegando em uma semana,


dividido por 7. sempre acompanhado pelo nome do ms a
que se refere e o nmero da semana..

Volume Mdio Dirio em


um Dia de Semana
(VMDd)

Nmero total de veculos trafegando em um dia de semana.


Deve ser sempre acompanhado pela indicao do dia de
semana e do ms correspondente.
Fonte: BRASIL (2006).

O volume de trfego sofre variaes temporais e espaciais. As variaes


temporais podem ser observadas ao longo do dia, da semana, do ms e do ano.
a) Variaes ao longo do dia: as variaes ao longo do dia apresentam
pontos de mxima (Figura 2.1), tambm chamado de picos. Tal mudana
se relaciona com determinados eventos, como sada para o trabalho,
regresso para casa durante os dias teis ou nos finais de semana. A
distribuio do volume de trfego ao longo do dia possui
comportamento diferente. De acordo com a Figura 2.1, observam-se
picos s 9h e s 18h num dia tpico de quarta-feira (esse dia est
representando o comportamento em dias teis). A base de informaes
norte-americana, mas, segundo BRASIL (2006), essa situao
semelhante ao que ocorre no Brasil.

20

Figura 2.1: Variao de Fluxo ao longo do dia.


Fonte: BRASIL (2006)

b) Variaes semanais: conforme a Figura 2.2, observa-seque nas vias


urbanas h uma reduo considervel no volume de veculos nos finais
de semana, por no haver concentrao de fluxos no sentido trabalhoresidncia / residncia-trabalho, enquanto que na sexta-feira ocorre o
oposto.

Figura 2.2: Variao de Fluxo ao longo da semana.


Fonte: CET/SP apud OLIVEIRA 2004.

c) Variaes mensais: a reduo de fluxo de veculo nos meses de janeiro e


dezembro (Figura 2.3).

21

Figura 2.3: Variao de Fluxo ao longo do ano.


Fonte: Minnesota Department of Transportation apud BRASIL (2006).

2.2.2 Variao espacial


O fluxo de veculos tambm pode variar no espao em condies
previsveis, seja pela ocorrncia de eventos em pontos especficos da cidade, pela
hierarquia da via ou pelo sentido do fluxo na via e na faixa do trfego.
2.3 DEMAIS VARIVEIS DE FLUXO DE VECULOS
Existem, alm do volume, mais dois parmetros igualmente importantes,
utilizados para a caracterizao do fluxo de veculos: a densidade e a velocidade.
Buscou-se, neste tpico, fazer uma breve discusso de tais parmetros e suas relaes
com o volume.
2.3.1 Velocidade
A velocidade em fluxo expressa da mesma forma que na fsica. Seu valor
calculado dividindo espao por tempo, ou seja, a distncia percorrida e o tempo
gasto para percorrer essa distncia (SETTI, 2002). Tal varivel pode ser expressa em
km/h (quilmetros por hora) ou m/s (metros por segundo). Considerando que, numa
corrente de trfego, cada veculo se desloca numa determinada velocidade, a velocidade

22

de tal corrente determinada pela mdia das velocidades dos veculos que pertencem a
essa mesma corrente de trfego.
A velocidade pode ser calculada de diversas formas. As duas mais comuns
so: velocidade mdia no tempo, que consiste na mdia aritmtica das velocidades
instantneas de veculos individuais, medidas em certo ponto da via (SETTI, 2002); e
velocidade mdia no espao, que calculada pela razo do comprimento do trecho
pelo tempo mdio gasto em percorr-lo (BRASIL, 2006).
2.3.2 Densidade
A densidade, tambm conhecida como concentrao, reflete a intensidade
da corrente, atingindo seu mximo quando o trfego se encontra completamente
congestionado (SETTI, 2002). Sua unidade mais comum veic/km (veculos por
quilmetro), tambm podendo ser expressa por veic/km.faixa considerando que a
densidade por faixa da via e sua aplicao est diretamente relacionada demanda,
pois reflete o quanto o uso do solo das vias atrai viagens, concentrando ou no o volume
de veculos.
2.4 FORMAS DE ANLISE E SIMULAO DE FLUXO DE VECULOS
ORTZAR et al. (1994) definem modelo como uma representao
simplificada de uma parte do mundo real. A simulao consiste em representar o
comportamento prprio e as interaes dos elementos de um sistema para permitir uma
avaliao prvia do seu desempenho (PORTUGAL, 2005).
A modelagem em transportes tenta prever as demandas futuras por meio de
recursos matemticos, computacionais, comportamentais, etc., de modo a representar as
caractersticas de uma nova realidade (LOPES FILHO, 2003). Trata-se de condio
fundamental para o planejamento e a tomada de deciso em nvel estratgico, ttico e
operacional.
Segundo SETTI (2005), existem duas formas de simular os fluxos de
veculos: macroscpica e microscpica. A primeira abordagem pressupe que a
corrente de trfego formada por veculos e condutores com caractersticas semelhantes
e se presta melhor para estudar situaes em que as condies de fluxo so constantes

23

(SETTI, 2005). uma abordagem anloga da hidrodinmica, na qual o fluxo de


trfego concebido como um fluido (PORTUGAL, 2005), ou seja, no se reconhece a
individualidade de cada veculo da corrente de fluxo (tamanho e velocidade).
VIANA et al(2007) afirmam que tal abordagem aplicada no estudo de
situaes em que o sistema virio encontra-se prximo da saturao e no so
observadas interrupes, ao contrrio do que ocorre na anlise microscpica, na qual se
procura descrever o comportamento da corrente de trfego a partir das respostas
individuais de cada veculo (SETTI, 2005).
2.4.1 Modelos macroscpicos
Nessa forma de simulao, as correntes de trfego so percebidas como um
fluido (utilizando princpios da hidrodinmica) e se desconhece o comportamento
individual de cada veculo, considerando-se apenas o comportamento mdio. Por isso,
TRB (2000) apud OLIVEIRA (2006) afirma que tais modelos so determinsticos, no
incorporando o conceito de variabilidade na representao do fenmeno do fluxo de
trfego na rede de simulao.
Os modelos macroscpicos so tambm considerados estticos, pois
representam um nico estado da rede, supostamente representativo (ARIOTTI et al,
2004 apud MAIA, 2007). Esse tipo de modelo pouco detalhado, mas tem as vantagens
da velocidade computacional em seu processamento e exigncia de poucas variveis,
como dados mdios de velocidade, capacidade, densidade e fluxo, o que torna a sua
coleta e implementao mais fcil e rpida (MAIA, 2007).
2.4.2 Modelos mesoscpicos
Nesse tipo de simulao, os veculos so agrupados em pelotes e tratados
desta forma quanto a tamanho, localizao, velocidade e acelerao (PORTUGAL,
2005), mantendo caractersticas de simuladores macroscpicos, na medida em que no
reconhecem o comportamento individual dos veculos, e sim de pelotes, mas
conseguem reconhecer mudanas nos padres de trfego em curto espao de tempo
(OLIVEIRA, 2006). Por essas caractersticas, tornam-se bastantes teis para representar
a formao e disperso de filas em intersees semaforizadas (MAIA, 2007).

24

2.4.3 Modelos microscpicos


Neste tipo de modelo, os veculos so tratados de forma individualizada e
todas as caractersticas que interessam para simulao, os arcos ou links do sistema
virio, tambm so tratados individualmente. Sua utilizao exige grande detalhamento
de informaes e consegue modelar a escolha das rotas pelos veculos. A Tabela 2.2 faz
um comparativo entre os trs nveis de simulao de trfego.
Tabela 2.2: Comparativo entre os tipos de simulao de fluxo de
veculos

Fonte: MAIA (2007).

2.5 A MODELAGEM TRADICIONAL DA DEMANDA POR TRANSPORTES


O mtodo de modelagem da demanda em transporte tradicionalmente
utilizado desde a dcada de 1960 chamado de modelo quatro etapas tambm
conhecido como modelo seqencial. Trabalha de forma macroscpica e foi muito

25

difundido pela sua relativa facilidade de implantao (VIANAet al, 2007). Esse
mtodo chamado de quatro etapas porque nele a modelagem se subdivide em quatro
fases: gerao, distribuio de viagens, diviso modal e alocao do trfego (Figura
2.4). No presente tpico, aborda-se cada uma das fases, com destaque para a ltima
fase, que corresponde alocao de trfego.

Figura 2.4: Modelo Quatro Etapas de Planejamento de Transportes.


Fonte: LOPES FILHO (2003).

2.5.1 Gerao de viagens


O objetivo desta etapa da modelagem identificar o nmero de viagens
produzidas e atradas para cada zona de trfego, entendendo-se produo como origem
e atrao como destino dos deslocamentos. Para OLIVA et al. (2001), apud LOPES
FILHO (2003), a gerao de viagens depende essencialmente de trs fatores: da
quantidade, da qualidade dos dados e da forma estrutural dos modelos, que so
coletados atravs de pesquisa domiciliar.
Segundo ORTZAR et al (1994), para estimar a produo de viagens
considera-se renda, propriedade de automvel, estrutura do domiclio, tamanho da
famlia, valor do solo, densidade residencial, acessibilidade, etc.. Para atrao de
viagens, tem-se o nmero de empregos ofertados e atividade comercial.

26

Existem vrias formas de modelar a gerao de viagens, destacando-se trs:


modelo de fator de crescimento (fatores de expanso); classificao cruzada; e modelos
de regresso linear.
2.5.2 Distribuio de viagens
Aps definido o nmero de viagens produzidas e atradas por cada zona de
trfego, o objetivo do prximo passo distribuir o nmero de viagens entre os pares de
zonas de origem e destino. BRUTON (1975) apud LOPES FILHO (2003) afirma que
existem dois grupos tradicionais de modelos de distribuio de viagens: modelos
anlogos e sintticos. Os primeiros utilizam fatores de crescimento para reproduzir o
padro de viagens do ano base para o ano horizonte especfico (LOPES FILHO, 2003),
enquanto os sintticos estabelecem uma relao casual entre os movimentos
interzonais e as leis fsicas, de modo a projetar padres futuros de viagens, sendo
exemplificados pelos modelos gravitacionais.
2.5.3 Diviso modal
Depois de levantado o nmero de viagens atradas e produzidas por cada
zona e de identificadas as relaes de origem e destino existentes entre as zonas, o
prximo passo estabelecer em que modos de transportes tais viagens so realizados. A
escolha modal tambm influenciada por fatores socioeconmicos e espaciais. Segundo
ORTZAR et al (1994), os fatores que influenciam a escolha dos transportes esto
divididos em trs grupos: a) caractersticas dos usurios (renda, estrutura, familiar,
posse de veculos, etc.); b) caractersticas da viagem (motivo da viagem, hora do dia em
que ocorre, etc.); c) caractersticas do sistema de transporte (tempo de viagem, custo,
condio de conforto, etc.).
2.5.4 Alocao de trfego
Segundo MOREIRA (2005), o problema de alocao de trfego consiste na
busca de rotas timas segundo critrios pr-estabelecidos, como, por exemplo,
caractersticas operacionais das vias (velocidade de fluxo livre, capacidade da via, etc.)
e comportamento dos usurios. Segundo ORTZAR et al. (1994), as escolhas das
rotas so baseadas na premissa de que as pessoas fazem escolha racionalmente,

27

escolhem rotas que oferecem um menor custo individual percebido. Na prtica, porm,
nem todas as pessoas que se deslocam entre um mesmo par origem / destino possuem a
mesma clareza em relao ao custo individual do percurso, ou seja, os usurios
possuem diferentes percepes a respeito do que constitui a melhor rota.
O outro aspecto que influencia na escolha por uma determinada rota que
o congestionamento e as restries de capacidade limitam o nmero de viagens
realizadas ao longo da mesma rota (BATISTA, 2002). Ento, existem dois fatores
bsicos: a percepo do usurio, que fundamenta os modelos do tipo estocsticos; e as
restries da via que do origem aos modelos de equilbrio (Tabela 2.3).
Tabela 2.3: Classificao dos Principais Modelos de Alocao de Trfego

No
Restrio de
capacidade

Sim

Efeitos Estocsticos
No
Sim
Tudo ou Nada
Estocstico Puro
Equilbrio de
Wardrop

Equilbrio Estocstico do
Usurio

Fonte: Adaptao de ORTZAR e WILLUMSEN (1994).

Na alocao do tipo tudo ou nada, considera-se que no h qualquer


efeito do congestionamento, que todos os motoristas consideram os mesmos atributos
para escolha da rota e que eles os percebem e os pesam da mesma maneira (BATISTA,
2002). Assim, todos os links da malha possuem o mesmo custo e todos os usurios
escolhero a mesma rota.
O mtodo estocstico puro visa distribuir as viagens de cada par de
origem-destino entre as rotas distintas disponveis aos usurios (LOPES FILHO,
2005), considerando a variabilidade na sua percepo quanto s alternativas de rotas e
suas restries.
O equilbrio de Wardrop ou equilbrio de usurio se baseia no princpio
de que todos os viajantes tm perfeita informao de todas as possibilidades de
escolhas na rede (LEMES, 2005). Alm disso, todos os viajantes de uma rede buscam
minimizar seus tempos de viagem (custo), at o equilbrio da rede, alcanado quando
um usurio no consegue minimizar seu tempo de viagem de forma unilateral
(MOREIRA, 2005).

28

Essas duas condies no refletem a realidade, pois, na prtica, seria preciso


que todos os usurios tivessem plena conscincia das restries de capacidade (e custos)
de todos os links. Seria igualmente necessrio que todos agissem de forma cooperativa,
conhecendo o prprio tempo de viagem e o tempo de viagem dos demais usurios.
Considerando o efeito estocstico da escolha das rotas e o conhecimento das
restries de capacidade dos links por parte dos usurios, tm-se ento que os modelos
do tipo equilbrio estocstico do usurio, no qual o fluxo em cada rota ser igual ao
fluxo total do par O/D vezes a probabilidade de escolha da rota (BATISTA, 2002).
Para utilizao de qualquer um dos modelos de alocao citados, faz-se
necessria uma matriz de fluxos indicando a quantidade de viagens entre pares de
origem / destino. Numa rede que representa a malha viria com seus atributos e critrios
a serem considerados para escolha das rotas, os fluxos para cada par de O/D so
carregados na rede baseados no tempo de viagem ou na impedncia das rotas
alternativas que poderiam transportar este trfego (LOPES FILHO, 2005).
Independente dos desejos de viagens, do grau de clareza que os usurios tm
de todas as possveis rotas na malha viria ou dos critrios de restries de capacidade
adotados para identificao das menores distncias (distncia em tempo de percurso
e/ou espao percorrido) as perguntas bsicas dos usurios so sempre as mesmas:
Qual o caminho mais curto? Que vias utilizar? Por onde se deve ir para sair da
origem A e chegar ao destino B? O que se observa que as expectativas feitas ao
espao que se percorre, (ou seja, a prpria malha viria) so comuns a todos os usurios,
da a relevncia de se utilizar tcnicas matemticas que permitam analisar a
configurao da malha viria e como a mesma influencia nos movimentos.

29

CAPTULO 3

A SINTAXE ESPACIAL
3.1 INTRODUO
A Sintaxe Espacial (SE) surgiu por volta dos anos 1970, na Bartlett School,
Universidade de Londres, atravs de trabalhos desenvolvidos por Bill Hillier e Adrian
Leaman, (BARROS, 2006). Mas foi o livro The social logic of space, publicado em
1987, que fundamentou toda a teoria bsica da metodologia. Apesar de toda uma teoria
que envolve a SE ser amplamente discutida principalmente por arquitetos e urbanistas, o
presente trabalho se detm, num primeiro momento, na explicao de aspectos
funcionais e matemticos e, num segundo momento, na sua aplicao anlise dos
fluxos.
3.2 AS ORIGENS E A BASE MATEMTICA

3.2.1 A contribuio dos estudos da Gramtica


Buscando compreender a teoria, recorremos definio dicionarizada das
palavras sintaxe e espacial: Sin.ta.xe (ss), s. f. Gram. 1. Parte da gramtica que ensina
a dispor as palavras para formar as oraes, as oraes para formar os perodos e
pargrafos, e estes para formar o discurso e Es.pa.ci.al, adj. m. e f. Concernente ao
espao (MICHAELIS, 2008).
HILLIER, que tem formao em Letras, ao estudar a sintaxe gramatical,
percebeu que, se os discursos so seqncias lineares de morfemas e palavras e se as
palavras no se alinham no discurso ao acaso (www.radames.manosso.com.br), mas
possuem uma lgica prpria que determina a sua compreenso independente do que elas
significam ou representam, como o que se estuda na anlise semntica (Figura 3.1), o
mesmo fenmeno valeria para a estrutura do espao urbano e das edificaes.

30

Figura 3.1: Diferena entre semntica e sintaxe.


Adaptado de: www.radames.manosso.com.br/gramatica.

Assim como na linguagem existem regras para a estruturao de frases, de


forma que, sem tais regras, torna-se impossvel a compreenso do discurso, a
configurao do espao tambm segue alguns princpios, e at as formas espaciais
mais arbitrrias criadas pelo homem no so independentes destas (HILLIER et al.,
1984). O mesmo autor afirma tambm que o homem manipula leis morfolgicas em
benefcio prprio, mas no as cria (HILLIER et al., 1987).
3.2.2 A teoria dos grafos como forma de representar o espao
HILLIER et al. (1987) foi buscar na teoria dos grafos uma forma de
representar tais estruturas e, por meio dessa teoria, representar matematicamente a
lgica existente na organizao dos espaos.
O grafo pode ser compreendido como uma noo simples, abstrata e
intuitiva, usada para representar a idia de alguma espcie de relao entre os objetos
(www.dimap.ufrn.br/~dario/arquivos/Cap2_Grafos-2001.pdf). representado por uma
figura com ns ou vrtices, significando os objetos, unidos por um trao denominado
aresta configurando a relao imaginada, em que os ns ou vrtices representam as
unidades dos espaos.
Esses grafos relacionam espaos convexos bidimensionais (grafo convexo)
ou espaos axiais unidimensionais (grafo axial) (MEDEIROS, 2004). Para a anlise
sinttica do espao, consideraremos o grafo no-direcionado, no qual o sentido das
ligaes entre os vrtices no considerado.

31

3.2.3. Propriedades das configuraes


O espao, uma vez representado atravs dos grafos e utilizando-se da
topologia, possvel analisa-lo de forma sinttica, comparando, assim, diversas
configuraes de cidades e edificaes atravs de propriedades bsicas, como simetria /
assimetria, distribuio / no-distribuio. A relao entre duas unidades de espao a
e b tida como distribuda se houver mais de um caminho a ser percorrido de um
ponto ao outro. Segundo HILLIERet al (2001), num sistema no-distribudo nunca
haver mais de uma rota de um ponto para outro, considerando que em um sistema
distribudo as rotas sempre formaro anis.
Ao diferenciar simetria de assimetria, HILLIER (1984) afirma que a
relao de dois espaos a e b ser dita simtrica se a relao de a para b est igual
relao de b e a. Tais propriedades so independentes uma da outra, podendo ser
identificadas duas delas em um mesmo grafo conforme demonstrado na Figura 3.2:

A: Simetria.

B: Assimetria.

C: Simetria e nodistribuio.

D: Assimetria e
distribuio.

Figura 3.2: Exemplo de quatropropriedades bsicas das configuraes. Adaptado de HILLIER (1984).

3.2.4. Espao convexo e espao axial


Encontra-se na literatura que para edificaes, as unidades de espao so os
ambientes e chamado de espao convexo. De outra forma, para ambientes urbanos,
as unidades comumente encontradas so os espaos abertos (vias, caladas, ambientes
de circulao / permanncia) chamados espaos axiais. As arestas representam o
acesso ou a ligao existente entre as unidades de espao.
Como exemplo de espao convexo (Figura 3.3), observa-se uma anlise
semntica feita de uma edificao em que se identificou o uso de cada ambiente.

32

Observa-se, na Figura 3.3, a anlise sinttica da mesma edificao, em que cada


ambiente representado por um n / vrtice, originando o grafo da Figura 3.4:

A: Espao convexo, anlise semntica observando


B: Espao convexo, anlise sinttica considerando
os usos dos ambientes
a conexo entre os ambientes
Figura 3.3: Comparao entre anlise semntica e anlise sinttica de um espao convexo.

Um grafo representado matematicamente pela equao G=(V, E), em que V


representa a quantidade de vrtices e E, o conjunto de arestas V= n, E = m.

A: Grafo
B: Grafo com o nome de cada ambiente.
Figura 3.4: Grafo representando a edificao da Figura 3.3.

O grafo da Figura 3.4, que representa a edificao, tem V = {1,2,3,4,5,6,7} e E =


{{1,4}, {2,3}, {3,4}, {4,5},{4,6},{4,7},{5,7}}, em que a aresta 1 representa o meio
externo, 2 wc / sute, 3 sute, 4 estar / jantar, 5 wc social, 6 cozinha e 7 quarto.
Uma representao do espao axial em grafo exemplificado na Figura 3.5, em
que se observa que cada vrtice representa uma rua da malha e os vrtices representam
os cruzamentos. Na representao abaixo, os nmeros dos ns / vrtices correspondem
aos nomes das ruas que eles representam. BARROS (2006) afirma que os mapas axiais

33

representam os espaos urbanos numa malha colorizada que ilustra as possibilidades de


deslocamentos lineares pela cidade, podendo representar o fluxo de pedestres ou
veculos. Um mapa axial, segundo SOUZA (2003), uma representao das linhas de
acessibilidade e suas conexes.

Figura 3.5: Grafo representando o mapa axial.

Como exemplo do uso de um mapa axial, numacomparao entre a anlise


semntica e a anlise sinttica, observa-se a Figura 3.6, que mostra o mesmo trecho da
malha viria de Fortaleza-CE. Temos, na Figura 3.6(a), a hierarquia viria segundo a
Lei de Uso e Ocupao do Solo de Fortaleza LUOS (1996), cujos critrios para a
hierarquizao se baseiam no padro de fluidez permitido para a via e no porte das
edificaes margem da pista.
J no mapa axial da mesma rea conforme Figura 3.6(b), a hierarquia dada
pela varivel sinttica chamada integrao (explicada mais adiante), na qual se
consideram apenas as distncias topolgicas existentes entre os ns / vrtices de um
grafo que represente tal malha.

(a)

(b)

Figura 3.6: rea critica de Fortaleza-CE. Comparao entre anlise semntica e anlise sinttica.
Fonte: CAVALCANTE (2007).

34

3.2.5. Distncia topolgica


Com a utilizao dos grafos para interpretar e descrever a organizao
espacial e suas relaes de barreiras e permeabilidades, surgiu tambm a necessidade de
se utilizar um novo tipo de distncia que no seja a geomtrica, mas sim a topolgica. A
topologia, amplamente utilizada pela matemtica, o ramo da geometria que se baseia
na noo de um espao no quantitativo e em que apenas se consideram as relaes de
posio dos elementos das figuras (MICHAELIS, 2008).
Segundo AGUIAR (2002) apud BANDEIRA (2006), topologia, no contexto
da anlise espacial, o estudo de relaes espaciais que independem de forma e
tamanho. Topologicamente o que conta a condio relacional, a articulao ou
inflexo, a proximidade ou distanciamento, enfim, o modo como espaos (ou unidades
espaciais) se relacionam ou se articulam. Uma unidade topolgica, ento, a distncia
entre dois ns / vrtices, correspondendo s arestas do grafo (Figuras 3.7 e 3.8).

A: Distncia topolgica.

B: Distncia topolgica em edificao.

Figura 3.7: Distncia topolgica em espao convexo.

A: Distncia topolgica.

B: Distncia topolgica em malha viria.

Figura 3.8: Distncia topolgica em espao axial.

35

3.2.6 As medidas sintticas


Outro fato importante ocorrido com a utilizao da distncia topolgica
que foi possvel desenvolver critrios para hierarquizao das unidades espaciais. Esses
critrios tambm so chamados de variveis sintticas ou medidas sintticas, sendo que
tais medidas quantificam propriedades abstratas de natureza topolgica. A maior parte
dessas medidas j existia na teoria dos grafos e foi adaptada para o novo contexto
(MEDEIROS, 2004).
A utilizao de tais medidas permitiu analisar a configurao espacial de
forma quantitativa. Atualmente, existem mais de 20 medidas sintticas. O presente
trabalho focaliza as variveis bsicas explicadas a seguir.
3.2.6.1 Variveis de Primeira Ordem
Conectividade(connectivity): segundo HILLIER (1987), a quantificao
do nmero de linhas que esto a somente um passo da linha analisada e imediatamente
conectada a ela, fornecendo, assim, uma dimenso local para ela (Equao 3.1). a
varivel mais simples de se perceber e sua formulao matemtica equivale ao grau de
um vrtice da teoria dos grafos, que o nmero de arestas que incidem em um dado
vrtice (WILSON, 1989). O mapa axial representa o nmero de linhas axiais que
interceptam uma linha dada (Figuras 3.9a, b, c, d).

(3.1)

Figura 3.9a: Representao do sistema virio em


forma de grafo.

Figura 3.9b: Contagem das arestas para cada


vrtice segundo varivel Conectividade.

36

Figura 3.9c: Hierarquia dos vrtices em funo do


nmero de arestas.

Figura 3.9d: Hierarquia Viria segundo valores


de conectividade.

Controle(control): segundo HILLIER (1987) apud BANDEIRA(2006),


o grau de escolha que cada espao representa para seus vizinhos imediatos como
alternativa de deslocamento at ele. J segundo JIANG (2000), controle definido
como o parmetro que expressa o grau de escolha que um n representa para um outro
n diretamente ligado a ele(Equao 3.2). MEDEIROS (2004) define tal varivel como
o quanto um espao i controla o acesso aos espaos j simtricos a ele, levando em
conta o nmero de conexes alternativas que cada um desses espaos j diretamente
conectados possui.

(3.2)

Profundidade e profundidade mdia (depth e mean depth): profundidade


(depth) consiste na razo da distncia topolgica entre o espao estudado e o espao i
mais integrado do sistema (MEDEIROS, 2004), podendo tal medida ser calculada em
relao a qualquer espao j do sistema (MEDEIROS, 2004). De acordo com JIANG et
al. (2000), a noo de profundidade pode ser definida pelo nmero de passos de um n
considerado para todos os outros ns. O mesmo autor ainda acrescenta que diz-se que
um n profundo se existem muitos passos que o separam dos outros. Em contraste, um
n tido superficial se apenas alguns ns o separam dos demais (JIANG et al., 2000).
J a profundidade mdia (Equao 3.3) o valor mdio de todas as distncias
topolgicas de um dado vrtice / n i para todos os outros vrtices / ns j do grafo
(Figuras 3.10a e 3.10b).

37

(3.3)

Figura 3.10a: representao do clculo da


profundidade mdia para um segundo ponto i.

Figura 3.10b: hierarquia dos vrtices.

Figura 3.10c: Hierarquia Viria segundo valores de Profundidade Mdia.

Assimetria Relativa (relative asymmetry): segundo MEDEIROS (2004),


consiste em medir a acessibilidade topolgica e representa o quanto um espao i
central ou acessvel em relao a um sistema de k espaos(Equao 3.4). Tal medida
busca a centralidade ou a excentricidade do grafo que representa o espao sinttico. A
acessibilidade topolgica varia numa escala de 0 a 1 e o grau de acessibilidade de um
determinado vrtice inversamente proporcional ao valor, ou seja, quanto mais prximo
de 0, mais acessvel, quanto mais prximo de 1, menos acessvel (Figuras 3.11a. b).

(3.4)

38

Figura 3.11a: Representao do clculo da


Assimetria Relativa.
Fonte: O Autor

Figura 3.11b: Hierarquia dos vrtices.

Assimetria Relativa Real (real relative asymmetry). HILLIER (1984)


afirma que os valores de RRA (Equao 3.5) sero necessrios em comparaes entre
sistemas de tamanhos diferentes. Isso no possvel com a assimetria relativa, pois
esta sofre uma diviso pelo nmero de espaos do sistema. Introduziu-se, ento, a
diviso da assimetria relativa pelo valor do diamond-shaped value (Equao 3.6a e
Equao 3.6b), o qual equivale assimetria relativa de um espao na base (raiz) e um
grafo justificado em forma de diamante de tamanho k (MEDEIROS, 2004). Para mais
informaes a respeito da frmula de diamante, pesquisar em KRUGER (1989).

(3.5)

(3.6a)

(3.6b)
Integrao global (global integration): o inverso da assimetria relativa
real (Equao 3.7). Assim, a relao de acessibilidade topolgica se torna positiva, ou
seja, quanto maior o valor da integrao global, maior a acessibilidade topolgica.

(3.7)

39

Integrao local (local integration): tem como objetivo estudar a


acessibilidade em diferentes escalas e para diferentes fenmenos urbanos
(MEDEIROS, 2004), ou seja, fazer a funo da integrao global, mas calculada em
relao a um subconjunto k correspondente a todos os espaos j que esto a uma
distncia topolgica d(ij) menor ou igual a um dado raio r (MEDEIROS, 2004).
Integrao raio-raio (radius-radius integration): variao da integrao
raio-raio em que o raio dado equivalente profundidade mdia do espao i mais
integrado do sistema (Equao 3.8) (MEDEIROS, 2004).

(3.8)
Escolha (choice): a escolha se desdobra em duas variveis a escolha
global (global choice) que, segundo HILLIER et al. (1992) apud MEDEIROS (2004),
o nmero de vezes n que um determinado espao i utilizado nos menores caminhos
de todos os espaos para todos os espaos do sistema(Equao 3.9).

(3.9)

3.2.6.2 Variveis de segunda ordem


Inteligibilidade (inteligibility): surge do grau de correlao entre a
integrao e a conectividade, e usado para descrever a relao das partes com o todo
na configurao espacial (JIANG et al., 2000). BANDEIRA (2006) ainda acrescenta
que tal indicador um guia confivel para determinar a importncia que uma linha tem
dentro do sistema, se as linhas so bem conectadas sero tambm bem integradas.
O que se faz, ento, identificar se a propriedade local (conectividade) de
um determinado espao se correlaciona com uma propriedade global (integrao) e a
aplicao prtica de tal conceito que, quanto maior a inteligibilidade do sistema, mais
provvel que os fluxos se concentrem ao longo das vias mais integradas (SOUZA,
2003). A mesma varivel tambm mencionada em HILLIER et al. (1987), que
afirmam que, atravs dela, o todo pode ser lido pelas partes.

40

Sinergia (sinergy): correlao entre a integrao local e a integrao global.


Ela mede a combinao de foras (sinergia) entre a acessibilidade local e a
acessibilidade global (MEDEIROS, 2004).
Acessibilidade: ao estudar as relaes entre a varivel escolha e a
integrao global, HILLIER et al. (1987) identificam que a correlao entre essas duas
variveis indicar o grau de acessibilidade. Tambm afirma que tal correlao
estabelece o potencial que o espao analisado tem para movimentos de passagem ou
de/para(equivalente a origem e/ou destino de viagens em transportes).
Os mesmos autores ainda afirmam que tal correlao tambm pode mostrar
o grau de correlao entre dois tipos de padres de movimentos: o de estrangeiros, com
pouco conhecimento de toda a configurao, e o de habitantes locais, que tem muito, ou
melhor conhecimento do desenho urbano. A Figura 3.12 mostra, de forma resumida,
a relao entre as variveis detalhadas anteriormente:

Figura 3.12: Resumo das relaes entre as variveis.

41

3.3 AS VARIVEIS SINTTICAS, CARACTERIZAO URBANA E OS


MOVIMENTOS NO ESPAO URBANO
HILLIER et al. (1987) buscaram avaliar se a configurao urbana influencia
o padro de uso do espao, nos movimentos e nas relaes sociais. O estudo aborda a
questo da morfologia sob dois aspectos: o primeiro se h alguma relao de
dependncia das variveis sintticas entre si; e o outro se h relao de dependncia
entre as variveis sintticas e os movimentos na malha. Os pesquisadores utilizaram 75
cidades e reas urbanas, considerando apenas a anlise axial, havendo na amostra desde
cidades com 13 linhas axiais at uma cidade com 892 linhas.
Na primeira parte em que os autores estudam a relao entre as variveis
sintticas, observou-se que um sistema urbano constitudo por 2 elementos: um
sistema espacial fixo com uma configurao especfica e um grupo de movimentos
individuais sobrepostos nessa configurao (HILLIER et al., 1987). Tal observao
permitiu assumir, ento, que o ambiente urbano possui duas propriedades simultneas: a
esttica e a dinmica. Os autores tambm identificarampropriedades espaciais locais e
globais e classificaramas quatro variveis bsicas (conectividade, controle, integrao
e escolha), conforme Figura 3.13.

Figura 3.13: Modelos de medidas da configurao espacial,


Fonte: HILLIER et al, 1987.

Apesar de escolha ser classificada como uma varivel dinmica, muitas


pesquisas tm demonstrado que na maioria das configuraes urbanas o melhor
estimador de movimento a integrao (HILLIER et al., 1987).A integrao prev
melhor os movimentos dos habitantes com conhecimento da malha (HILLIER et al.,
1987) do que o movimentos dos estrangeiros.

42

Na segunda parte do artigo, o autor busca estabelecer correlaes entre as


variveis sintticas e a circulao de pessoas. Num primeiro momento, os padres de
movimento de pedestres (onde) so determinados em primeira instncia pelos padres
de integrao e a densidade total do movimento de pedestres (quanto), pelo grau total de
integrao da rea.
HILLIER et al. (1987) consideraram como pontos importantes dos seus
testes o fato de que a integrao da malha no influenciada pelo seu tamanho,
(condio esta questionada posteriormente por RATTI, 2004) e que a inteligibilidade
inversamente proporcional ao tamanho do sistema e a correlao entre integrao e
escolha tambm afetada pelo tamanho do sistema.
Em funo disso, afirmou-se que a densidade dos movimentos nos espaos
urbanos determinada na maior parte pela relao da configurao dos espaos como
um todo e secundariamente pelas propriedades locais do espao ou localizao de
facilidades ou atratividades. Por essa afirmao pode-se entender que as variveis
sintticas que medem propriedades globais so mais teis para previso dos
movimentos do que a identificao de pontos que geram ou atraem viagens.
A metodologia utilizada para coleta de dados dos pedestres foi usar
observadores nas rotas de circulao, considerando-se apenas as pessoas que estavam
em movimento na linha axial analisada, e desconsiderando-se as que estavam paradas,
as que cruzavam a via e as que dobravamsaam da rota, saindo da linha axial.
3.4 A INFLUNCIA DA MALHA VIRIA NA CIRCULAO URBANA
MOVIMENTO NATURAL
HILLIER et al. (1993) expandiram ainda mais a pesquisa sobre como a
morfologia influencia o fenmeno dos deslocamentos de pessoas e veculos, afirmando
que a configurao do espao exerce influncia nos movimentos na malha urbana,
independente dos atratores que nela existam. Para dar sustentao a tal afirmao, os
autores argumentam que, se considerarmos a malha urbana como um sistema de
possveis rotas, a acessibilidade elemento determinante na escolha dos destinos,
sendo capaz de restringir ou facilitar os fluxos e gerando, assim, uma hierarquia viria.

43

A aplicao desse princpio apresentada na Figura 3.14, na qual se v que,


no desenho A, existe um eixo que supostamente concentraria grande volume de viagens,
enquanto no desenho B o mesmo eixo horizontal no possui o mesmo peso, pois
existem dois eixos menores paralelos ao central.

Figura 3.14: Duas configuraes de malhas hipotticas.


Fonte: HILLIER et al (1993).

O autor no descarta que h influncia dos atratores na gerao das


viagens, mas considera que a configurao da malha a primeira causa dos
movimentos (HILLIER et al., 1993) e afirma tambm que a hierarquia viria influencia
na localizao dos atratores, onde a adaptao de um determinado equipamento
(residncia, comrcio, indstria, dentre vrios outros) condicionada ao tipo de via, ou
conjunto de vias, para onde ele ser limtrofe (DE PAULA, 2006). Essa lgica
aplicada na Lei de Uso e Ocupao do Solo de Fortaleza (LUOS, 1996, j citado
anteriormente), estabelecendo que, ao se diminuir a hierarquia viria, aumentam-se as
restries de ocupao do solo lindeiro via (DE PAULA , 2006).
HILLIER et al. (1993) defendem que os atratores e os movimentos
possuem uma relao de causa e efeito, sendo que os movimentos influenciam na
localizao dos atratores e o contrrio tambm vlido. J o mesmo no acontece entre
a configurao e os atratores, em que a configurao influencia na localizao dos
atratores, mas estes no influenciam na localizao e na configurao, e sim nos
movimentos, que, no entanto, no influenciam na configurao (Figura 3.15).

44

Figura 3.15: Relaes entre atratores, configurao e movimentos onde A = atratores; C = configurao;
M = movimento.
Fonte: HILLIER et al (1993).

teoria

do

movimento

natural

mostra

que

movimento

fundamentalmente uma questo morfolgica. importante destacar a observao dos


prprios autores de que tal teoria no destinada modelagem da circulao, mas
compreenso da lgica existente nas redes urbanas e no seu crescimento de forma
isolada, desconsiderando a influncia dos atratores e dos movimentos..
3.4.1 Testando a Teoria do Movimento Natural e a Sintaxe Espacial
HILLIER et al. (1993), ento, propem uma metodologia para testar a sua
hiptese de que a configurao induz os movimentos. MEDEIROS (2004) faz um
resumo da proposta metodolgica, conforme Tabela 3.1 edos trs estudos de caso
apresentados no artigo de sua autoria, destaca-se o estudo de caso 1, sendo os demais
estudos derivaes do primeiro.
Tabela 3.1: Metodologia utilizada pela Teoria do Movimento Natural

Fonte: MEDEIROS (2004).

45

No primeiro estudo de caso, descreve-se a tcnica de contagem de pedestres


utilizada foram colocados observadores andando a cerca de 5 km/h ao longo de rotas
selecionadas com aproximadamente 20 ou 30 segmentos. Tais observadores contavam
os pedestres que estavam em movimento e os que estavam parados; as pessoas que
cruzavam as rotas eram descontadas do total. Foram considerados tantos adultos quanto
crianas de ambos os sexos.
A rea de estudo foi dividida em dez subreas e foram feitas de 20 a 30
contagens em cada rota, escolhendo-se cinco horrios diferentes: das 8h s 10h; das 10h
s 12h; das 12h s 14h; das 14h s 16h; e das 16h s 18h. A rea possui um total de 239
seces de ruas e os volumes foram contados considerando-se a quantidade de pessoas
andando a cada 100 metros. Ao testar as correlaes entre as variveis sintticas
conectividade (Figura 3.16a), controle (Figura 3.16b) e os padres de movimento de
toda a rea de estudo, o autor fez duas constataes relevantes: a primeira que o grau
de correlao da varivel integrao supera a correlao das demais variveis (Figura
3.17a).

(a)

(b)

Figura 3.16:Coeficiente de determinao entre padres de movimentos e variveis conectividade (a) e


controle (b).Fonte: HILLIER et al. (1993).

A segunda constatao relevante que, colocando os dados dos padres de


movimento em base logartmica, encontrou-se melhor relao linear com a varivel
integrao (Figura 3.17b).

46

(a)

(b)

Figura 3.17: Coeficiente de determinao entre padres de movimentos e a varivel integrao (a) e
integrao em base logartmica (b).
Fonte: HILLIER et al (1993).

O autor tambm mostra um quadro com as correlaes feitas para cada subrea, considerando diversas formas de agrupamento dos dados de padres de
movimento. A Tabela 3.2 destaca as correlaes mais relevantes:
Tabela 3.2: Correlao entre padres de movimentos e a varivel integrao para subreas
Correlao entre Integrao e os padres de movimentos
Sub reas
1
Com transf. Logartmica

10

0,71 0,70 0,25 0,67 0,78 0,64 0,80 0,68 0,70 0,62

0,54 0,56 0,25 0,70 0,55 0,51 0,79 0,74 0,74 0,67
Sem transf. Logartmica
Sem transf. Log + sada das lojas 0,73 0,72 0,41 0,72 0,70 0,66 0,82
Adaptado de: HILLIER et al (1993).

3.5 CRTICAS SINTAXE ESPACIAL

Uma das crticas que CYBIS et al. (1996) faz Sintaxe Espacial de esta
desconsiderar completamente as linhas de desejo dos deslocamentos e tratar a rede
como uma estrutura adimensional (CYBIS et al., 1996), como o uso do solo existente
ao longo das vias e a existncia de mudanas de ngulos verticais.
Uma linha axial representa toda uma rua e a ela atribuda um nico valor,
enquanto que, na alocao de trfego, a unidade mnima de referncia o arco
(segmento entre duas intersees), alm de se poder identificar a direo do fluxo,
coisa que num mapa axial no se identifica. O tamanho do segmento (distncia
geomtrica) tambm considerado na alocao de trfego, enquanto que nos modelos
configuracionais se trabalha apenas com relaes topolgicas.

47

No que diz respeito ao papel do analista para a obteno dos resultados,


pode-se afirmar que nos modelos de alocao esta interferncia bastante
significativa (BARROS, 2006). Para modelos configuracionais, o papel do analista
inexistente e pouco expressivo (BARROS, 2006). Outro ponto de crtica SE o fato
de o mapa axial representar toda a via, desconsiderando caractersticas dos segmentos.
Mas tal problema foi superado com as pesquisas da ASA(Angular Segment Analisys).
3.6 A UTILIZAO DA SINTAXE ESPACIAL E SUAS DERIVAES EM
TRANSPORTES
3.6.1A identificao de relaes lineares entre propriedades morfolgicas e
propriedades operacionais da malha viria.
As diferenas de fluxo nas vias de uma malha urbana, naturalmente, geram
uma hierarquia no sistema virio. Tal hierarquia, prevista nos planos diretores, deve
estabelecer denominaes mediante sua funo, tais como: as vias de fluxo mais lento
do sistema so chamadas de vias locais; as vias que coletam o fluxo das locais para as
arteriais so chamadas de coletoras; as vias que distribuem os fluxos so conhecidas
como arteriais; e as vias de fluxo mais rpido chamam-se de vias expressas
(BARROSet al, 2005).
Quanto maior a fluidez que a via permite ao sistema virio, mais alto o seu
grau hierrquico. Entretanto, em determinados momentos do dia sua capacidade de dar
vazo ao fluxo veicular reduzida, o que diminui sua fluidez pela via (BARROS et al.,
2005). Em relao acessibilidade da via, CAVALCANTE e HOLANDA (2005)
afirmam que quanto maior a acessibilidade de uma via, menor a sua fluidez
(mobilidade) e quanto maior a sua fluidez, menor a sua acessibilidade.
Os autores dos dois artigos propems mesma metodologia: correlacionar os dados da
hierarquia funcional com ahierarquia sinttica. A diferena bsica entre os dois
mtodos que, em BARROS et al. (2005), utilizaram-se dos critrios propostos pelos
artigos 60 e 61 do CTB (2001) sobre caractersticas das vias urbanas, em que a varivel
a velocidade mdia em funo do tipo de via, para assim gerar a hierarquia viria
funcional, enquanto que, em CAVALCANTEet al (2005) correlacionaram a hierarquia
funcional gerada a partir de dados de simulao de trfego (alocao) e de contagens

48

realizadas em campo e coletadason-line pelo Centro de Controle de Trfego de


Fortaleza, o CTAFOR. Ainda foram considerados os dados de classificao viria sob
o ponto de vista legal. Ambos os artigos utilizaram a varivel sinttica integrao para
comparar com os dados operacionais/hierarquia legal.
Na concluso de seu artigo, BARROS et al. (2005) afirmam que a Sintaxe
Espacial parece melhor atuar como uma ferramenta de definies de parmetros de
hierarquia viria, e no diretamente ser uma ferramenta de definio de velocidades.
Vale destacar que os autores consideraram a velocidade mdia para toda a via (para
fazer uma comparao com o mapa axial) e, na prtica, observa-se que uma mesma via
possui diferentes parmetros operacionais ao longo das quadras.
No artigo de CAVALCANTEet al (2005), foi identificada visualmente a
existncia de correlao entre a hierarquia legal e a hierarquia sinttica, recomendando
para trabalhos futuros que os valores de capacidade e velocidade (do NS) devem ser
correlacionados a valores de integrao (da co-presena), originando um ndice de
equilbrio na malha a ser investigado por diversos testes de raios de integrao
(1/RRA) (CAVALCANTEet al, 2005).
3.6.2 Utilizao da SE para simulao de trfego de veculos
CYBIS et al. (1996) tentaram comparar modelos de alocao de trfego
com modelos configuracionais, que buscam classificar as vias a partir dos princpios da
Sintaxe Espacial. Os autores distinguem os modelos configuracionais, afirmando que os
mesmos utilizam uma formulao matemtica voltada para caracterizar apenas
relaes topolgicas, no requerem dados relativos a padres de viagens para
estabelecer a potencialidade de utilizao de trechos virios (CYBIS et al., 1996).
Assim, os modelos tradicionais de alocao de viagens tendem a se
concentrar na caracterizao dos deslocamentos a partir dos seus respectivos pontos de
origem e destino, buscando sempre localizar os principais pontos produtores e
atratores de viagens, associando a eles a intensidade de trfego a distribuir pela rede
(CYBIS et al., 1996). Mesmo partindo de princpios diferentes, os autores afirmam que
ambos os modelos se propem, direta ou indiretamente, a hierarquizar os diversos

49

segmentos do sistema virio, indicando os trechos potencialmente mais utilizados na


rede viria.
Para comparar os resultados dos dois modelos, os autores converteram os
dados gerados pelos modelos de alocao em ndice de utilizao do arco (Ia), que
representado pelo quociente entre o fluxo no arco (Va) e o volume total de viagens
circulando na rede (Vt), Ia Va/Vt, pois tal ndice fornece uma medida relativa de
uso do arco em relao s viagens realizadas em todo o sistema.
Considerou-se tambm que todos os arcos possuam caractersticas
uniformes: todos os arcos so bi-direcionais, todos tem a mesma capacidade e
velocidades idnticas em condies de fluxo livre. O custo de viagem foi associado
apenas ao custo mtrico de percurso nos arcos e no processo de escolhas de rotas
considerou-se a restrio de capacidade das vias em que os caminhos definidos para os
diversos deslocamentos so escolhidos de acordo com o princpio de equilbrio de
Wardrop.
Os autores criaram condies hipotticas da malha para gerar valores de
alocao de viagens em condies compatveis para serem comparados com os valores
das variveis sintticas. Mesmo assim, observaram resultados muito divergentes, e uma
das possveis causas disso o fato de os modelos configuracionais possurem como
unidade mnima de referncia um segmento de via caracterizado por uma reta.
PEPONIS et al. (1997) tentaram determinar se existe alguma correlao
entre a distribuio dos valores de integrao gerados por um mapa axial e a
distribuio de freqncia da densidade de trfego de veculos. Inicialmente, foram
correlacionados os volumes de trfego coletados entre os anos de 1974 a 1990 com
resultados de correlao entre 0,68 a 0,78.
Em outra fase do trabalho, foram coletados dados de trfego de pedestres e
veculos em 70 pontos, numa primeira rea (Buckhead), e em 36 pontos numa segunda
(Downtown). O mtodo de coleta de dados foi contar o nmero de pessoas e veculos
que cruzavam o ponto de contagem em intervalos de cinco minutos. O processo foi
repetido mais de vinte vezes em cada ponto, em horrios diferentes. Extraiu-se, ento, a
mdia dos volumes contados em cada ponto.

50

Os autores fizeram correlao dos dados coletados com a integrao (no


fica claro no artigo se global ou local), integrao R3 e conectividade. Os dados
tambm foram colocados em base logartmica e foram refeitas as correlaes com as
mesmas variveis. Os resultados encontrados esto dispostos na Tabela 3.3.
Tabela 3.3: Correlao entre Densidades dos veculos e variveis sintticas de Buckhead e Downtown
Contagens
Contagens em baselog.
Qtd de
rea
vias
Int.
Int. R3
Conct
Int.
Int. R3
Conct
Buckhead

70

Downtown

36

0,54

0,57

0,42

0,63

0,65

0,58

0,58
0,46
0,50
0,75
Adaptado de PEPONIS et al (1997).

0,58

0,50

Partindo do princpio de que o movimento dentro de uma subrea pode ser


distribudo de acordo com padres de integrao do sistema de maior dimenso ou de
acordo com o padro de integrao da subrea tratada independentemente (PEPONIS
et al.,1997) subdividiram-se as duas reas iniciais em mais duas (num total de quatro),
gerando novos valores sintticos para subreas a partir de mapas axiais
independentes.Correlacionaram-se os valores sintticos j conhecidos (gerados a partir
de mapas axiais de toda a rea); os novos valores sintticos (considerando apenas as
subreas independentes) com as contagens coletadas em campo, sendo estes ltimos em
base logartmica (Tabela 3.4).
Tabela 3.4: Correlao entre densidade de veculos e variveis sintticas
Contagens em base logartmica

Subreas

Quantidade de
vias

Int.

Int. R3

Conct

1 Integrada

21

0,79

0,77

0,52

1 Independente

21

0,51

0,56

0,49

2 Integrada

20

0,64

0,42

0,36

2 Independente

20

0,55

0,36

0,30

3 Integrada

16

0,78

0,71

0,56

3 Independente

16

0,63

0,59

0,36

4 Integrada

14

0,22

0,25

0,28

14

-0,32

-0,42

-0,40

4 Independente

Adaptado de PEPONIS et al (1997).

O que se pode concluir com os resultados das Tabelas 3.3 que colocar os
dados de contagens em base logartmica melhora os resultados das correlaes, pois os
dados que originalmente no seguem uma distribuio de freqncia conhecida,
passaram a seguir uma distribuio prxima a Normal.

51

A Tabela 3.4 permite comparar a correlao dos dados coletados (em base
logartmica) e variveis sintticas sob duas circunstncias diferentes: na primeira
condio, utilizaram-se os valores sintticos calculados para toda a rea contidos na
subrea. Na segunda condio, recalcularam-se as variveis sintticas apenas das
subreas recortadas, esse experimento permitiu identificar que o movimento das
subreas recebe influncia da lgica morfolgica existente em todo o sistema axial. Esse
princpio pode ser generalizado para outras cidades, mas preciso que se identifique
qual o tamanho mximo que uma malha viria pode ter para que a morfologia seja o
principal fator de influncia dos movimentos.
No trabalho de PENN et al. (1997), foram selecionadas seis reas na cidade
de Londres, escolhidas de modo a refletir um conjunto de diferentes tipos de uso do
solo, densidades e morfologia da malha viria. Foram feitas contagens de movimentos
de pedestres e veculos por cinqenta minutos, em que cada segmento de rua (dois
tempos de 5 minutos, em cinco horrios diferentes durante os dias teis).
Em seguida, os autores procederam com a anlise descritiva dos dados
coletados e tentou identificar normalidade na distribuio de freqncia dos mesmos,
sem, contudo, conseguir assumir tal hiptese e para encontrar a normalidade na
distribuio dos dados, elevou-se os valores das contagens a , testando as correlaes
de tais dados com diferentes valores de integrao. Foram testadas caractersticas como
uso do solo, gabarito das edificaes, hierarquia das rotas e tambm capacidade da
rede. Fez-se correlao separando as vias principais e as vias que no so principais
para as mesmas variveis, conforme Tabela 3.5.
Tabela 3.5: Correlao entre fluxo de veculos e outras variveis
(Fluxo de Veculos)1/4
Integrao R3
0,826
Integrao R5
0,784
Integrao R7
0,743
Integrao R9
0,733
Integrao RN
0,580
Altura Mxima das edificaes
0,216
Uso do solo
0,118
Capacidade do link
0,856
Fonte: PENN et al. (1997).

Observou-se, ento, que, para toda a rede, a melhor correlao dos valores
sintticos se deu para integrao R3, ficando atrs apenas da capacidade do link. A

52

segregao das vias permitiu identificar que as vias principais tm maior correlao com
raios maiores, sendo a relao crescente (quanto maior o raio, maiora correlao). O
contrrio ocorre nas vias no principais, que possuem melhor correlao com raios
menores. Em seguida, investigou-se se os segmentos de via observados mudavam de
hierarquia funcional em funo do horrio de coleta dos dados.
Para isso, testou-se a correlao entre os valores de contagens de cada
horrio com a mdia dos valores de todos os horrios, encontrando assim forte
correlao, sugerindo que as variaes espaciais so o principal fator (PENN et al.,
1997) que influencia nos fluxos.O mesmo artigo sugere a construode modelos
regresso linear mltipla considerando variveis de uso do solo e variveis sintticas
para previsode fluxos de veculos e pedestres.
Apesar das origens e destinos das viagens mudarem ao longo do dia,
alterando, assim, o sentido do fluxo de viagens (exemplo: pela manh, o fluxo no
sentido casa-trabalho; no fim da tarde, o sentido trabalho-casa) a configurao da
malha que determina o percurso a ser seguido e, por conseguinte, influencia nos
volumes e na hierarquia viria.
Em outro artigo, CAVALCANTE et al. (2007) testaram a correlao da
varivel integrao com diversas variveis operacionais de trfego, como: Velocidade
Mdia Diria (VMD), Volume / Capacidade, Capacidade chegando-se concluso de
que a correlao V/C (saturao) exprime melhor a realidade e, apesar de afirmarem
que os valores das correlaes foram muito aqum dos esperados os autores no
apresentam os resultados das correlaes.
Considerou-se que os resultados no foram favorveis como se esperava por
trs motivos bsicos: a) o mapa axial era muito grande, quando comparado com estudos
bibliogrficos anteriores: As maiores anlises encontradas nas referncias eram da
ordem de 5.000 linhas axiais, sendo quase 1/3 do mapa de Fortaleza; b) o segundo
motivo apontado que a correlao entre a varivel integrao e volumes de trfego
talvez no fizesse sentido, pois a primeira uma representao qualitativa da malha e a
segunda uma representao quantitativa; e o terceiro motivo c) a necessidade de
outras variveis para se chegar a um valor ideal entre as variveis sintticas e as
variveis de trfego.

53

De fato, o tamanho da rea de estudo um fator determinante,


considerando-se as experincias dos predecessores que testaram tal metodologia. Mas
h de se observar que os autores que testaram correlaes entre variveis sintticas e
dados de fluxos no utilizaram Volume Mdio Dirio. Utilizaram, sim, padres de
deslocamento, dados esses coletados a partir de percursos realizados por uma
determinada malha viria a ser estudada ou outros critrios temporais de contagens.
O segundo motivo apresentado nos remete a perceber a varivel integrao
como uma forma de categorizar as vias do sistema virio em linhas mais integradas
e menos integradas. Mas no isso que acontece quando tal varivel gerada, pois
cada linha axial recebe um valor individual, prprio, ou seja, as linhas no so
agrupadas. E em relao ao terceiro motivo apresentado, talvez seja necessria a
utilizao de outras formas de identificao de relaes de causa e efeito.
3.6.3 Construo de modelos lineares para estimao de propriedades operacionais
a partir de variveis sintticas.
CAVALCANTEet al (2007), buscando investigar os congestionamentos,
propem a montagem de um modelo de regressoconforme sugerido por PENN et al
(1997), considerando 1) a insero da malha de grandes equipamentos atratores de
viagens, PGVs, aliados a 2) variveis de trfego, no caso caractersticas operacionais e,
por fim, 3) as propriedades inerentes malha viria, captadas pela Teoria da Sintaxe
Espacial. O artigo esboa para pesquisas futuras um modelo de simulao conforme
Equao 3.10:
V = eK + a(QDTE_PGV) + b(VAR_SE) + c(VAR_TRFEGO) + dD +

(3.10)

Onde:
V = Taxa de movimento, traduzida por possveis variveis: volume de
trfego (VMD, V/C, VMD pico, etc.);
QDTE_PGV = Quantidade de micro e macro PGVs na rea considerada;
VAR_SE = Variveis de Sintaxe Espacial referentes malha viria;
VAR_TRFEGO = Variveis de trfego (quantidade de
estacionamentos, semforos, acessos, faixas de trfego, etc);
D = Varivel dummy de calibrao (renda, densidade de construo, etc);
= Erro acumulado (para um modelo no determinstico);
a,b,c,d,e = Coeficientes.

54

A proposta parece ser ideal para se identificar quais as variveis axiais, de


PGVs ou de trfego melhor explicam as variveis operacionais (VMD, V/C, etc.)mas
no parece ser eficiente para simulao de tais variveis, pois a proposta esbarra num
problema bsico:a incapacidade de reconhecer o sentido do fluxo virio.
3.6.4 Derivaes da Sintaxe Espacial
Depois da divulvao da SE, em 1987, surgiram algumas das suas
derivaes e para o presente estudo, optou-se por enfocar a Anlise Angular (Angular
Analysis) e um desdobramento especfico chamado Anlise Angular de Segmentos
(Angular Segments Analysis) (Figura 3.18).

Figura 3.18: Derivaes da Anlise Angular.

3.6.4.1 Anlise Angular (Angular Analysis)


Segundo TURNER (2000), a anlise angular a combinao de duas idias:
Primeiramente, que pessoas ou meios de transportes para viajar do ponto A
para o ponto B querem tentar o menor caminho possvel. E segundo, que
qualquer ponto em um espao considerado pode ser o ponto inicial ou o
ponto final de uma jornada, e qualquer jornada de qualquer ponto inicial para
qualquer ponto final igualmente adequada em qualquer outra jornada.

O autor tambm afirma que tais idias esto intimamente ligadas SE,
refinando o nvel de detalhe do mtodo e abrindo possibilidades para anlise
tridimensional do espao podendo tambm ser aplicadas a modelos gravitacionais,
clulas autmatas e multiagentes.
A escolha da melhor rota possvel resulta num indicador que mede a
mudana angular mnima da rota, tambm chamado de minimum angular path (MAP),
sendo este diferente do caminho mnimo [distncia mtrica] ou caminho euclidiano

55

mnimo, conforme demonstrado na Figura 3.19. Tal informao provou-se ser til
sendo combinada com outros mtodos de previso de movimentos (TURNER, 2000).

Figura 3.19: Caminho Euclidiano Mnimo e Caminho Angular Mnimo entre dois pontos em um espao
bidimensional.Fonte: TURNER (2000).

TURNER (2001) afirma que a integrao correlaciona-se bem com o


movimento de pessoas, aparentemente por considerar mudanas de direo de forma
binria. Ou seja: ou muda-se de direo e conseqentemente de linha axial, ou no se
muda. Mas, na prtica, pode-se permanecer numa mesma direo e ainda assim mudar
de linha axial.
A anlise de segmentos gerou uma nova varivel, chamada Profundidade
Angular Mdia. O que ela faz ponderar qualquer grafo j pelo ngulo (em radianos =
) de cada par de linhas axiais conectadas (Figura 3.20), em que a profundidade
mdia angular de uma linha axial a soma dos caminhos angulares mais curtos sobre a
soma de todas as intersees angulares do sistema (TURNER, 2001).

(a)
(b)
(c)
Figura 3.20: Um sistema axial simples (a), clculo da profundidade mdia (b) e o clculo da
profundidade mdia angular (c).
Fonte: TURNER (2001).

56

3.6.4.2 Anlise Angular de Segmentos (Angular Segments Analysis)


Trata-se de um ramo da SE que busca dar respostas s crticas sobre a
representao do sistema virio atravs do mapa axial, dedicando-se transformao
das linhas do mapa axial em segmentos de eixos, considerando como referncia os
cruzamentos de vias ou links (BARROS, 2006). Adota, assim, uma interpretao mais
prxima da engenharia de trfego, subdividindo-se a linha axial em segmentos, e
ento registra a soma das mudanas de ngulos de um segmento inicial para qualquer
segmento do sistema (TURNER, 2001).
O mapa de segmentos extrado a partir do mapa axial, e o procedimento
inicial retirar os stubs (Figuras 3.21a e 3.21b) existentes nos mapas axiais usuais. O
procedimento de clculo das variveis ASA associa a anlise angular e a anlise
topolgica tradicional, a exemplo do clculo da profundidade, que se d quando
calculamos o total da mudana angular de um segmento para os outro segmentos
(TURNER, 2005). Convencionou-se que 0 corresponde a nenhuma mudana e 2
corresponde a uma mudana de 180 graus, de acordo com a Tabela 3.6.

Figura 3.21a: Exemplo de malha axial

Figura 3.21b: Malha axial destacando osstubs.

Tabela 3.6: Pesos atribudos aosgraus de inclinao entre os segmentos


Graus
0
5
10
15
20
25
30
35
40

Peso
0,00
0,06
0,11
0,17
0,22
0,28
0,33
0,39
0,44

Graus
45
50
55
60
65
70
75
80
85

Peso
0,50
0,56
0,61
0,67
0,72
0,78
0,83
0,89
0,94

Graus
90
95
100
105
110
115
120
125
130

Adaptado de TURNER (2005).

Peso
1,00
1,06
1,11
1,17
1,22
1,28
1,33
1,39
1,44

Graus
135
140
145
150
155
160
165
170
175
180

Peso
1,50
1,56
1,61
1,67
1,72
1,78
1,83
1,89
1,94
2,00

57

A Figura 3.22 mostra um exemplo de como o ngulo encontrado. Nessa


figura, v-se, do lado esquerdo, que de A para B ocorre uma mudana de 45 graus
(0,50) e de B para C, 30 (0,33) graus, enquanto de A para D, girou-se 120 graus (1,33).

Figura 3.22: Identificao dos pesos nos ngulos entre os segmentos (acima em forma de mapa axial, em
baixo, em forma de grafo).
Fonte: TURNER (2007).

Para encontrar o valor da varivel Profundidade Mdia Angular(Angular


Mean Depth), procede-se ao clculo citado acima, dividindo pela quantidade de passos,
conforme a equao 3.11.

(3.11)

Conforme o exemplo da figura 3.22, se calcularmos a Profundidade Mdia


Angular (D) de A, teremos: D (A)=[D (A, B) + D (A,C)+D (A,D)]/3 = [0,5 +
(0,500+,833) +1,33] /3= 1,06. TURNER (2005) sugere tambm a diviso pelo peso
angular total e no pelo nmero total de segmentos. Alm disso, tal medida depende
do percurso da circulao, variando assim o peso total angular de segmento para
segmento (TURNER, 2005). Angular Node Count o nmero total de segmentos
encontrados na rota feita do segmento atual para todos os outros (TURNER, 2004) e o

58

Total Angular Depth a soma de todos os menores caminhos angulares (TURNER,


2004).
Por considerar que se pode esperar que segmentos mais longos estejam
associados com um percentual maior de origens e destinos de viagens do que um
segmento mais curto (TURNER, 2005), o autor tambm sugere uma ponderao pelo
comprimento do segmento. Assume que de A para D so 100m, ento a contribuio
dessa distncia de 0,833 x 100 = 83,33. Ao se combinar a distncia de A para B em
70m e de B para C em 30m, teremos: 0,5 x 70 + 0,33 x 30 = 44,90, que, somado a
83,33, totaliza 128,30.
A varivel Escolha (Choice) calculada atravs do percurso mais curto
entre dois segmentos no interior do sistema, ou seja, o percurso com menor distncia
angular possvel para cada par de origem-destino de segmentos (TURNER, 2007)
conforme equao 3.12.

(3.12)

Onde:
i x j;
(i, x, j) = 1 se o caminho mais curto de i para j atravessa x, e 0 caso
contrrio.
Os valores de encontrados para cada par origem-destino so somados e o
resultado dividido pelo total de todos os possveis pares O/D de segmentos sem
considerar nesse total, os pares que tm o segmento x como origem ou destino.
TURNER (2005) tambm descreveu que tal tcnica tem demonstrado ter
excelente correlao entre vrias medidas do ASA e os movimentos de quatro reas de
Londres, encontrando valores de R conforme Tabela 3.7.
Tabela 3.7: R das variveis angulares com dados de trfego
Trfego
Varivel Angular
Simulados
Contagens
Choice
0,79
0,79
Choice (ponderada)
0,81
0,81
Mean Depth
n/a
0,63
Mean Depth (ponderado)
n/a
0,64
Adaptado de TURNER (2005).

59

Outra forma de reconhecer mudanas angulares o sistema utilizado por


navegadores de rally, que no trabalham com medidas de ngulos (graus, fraes de
grau, minutos, segundos), mas sim uma unidade chamada bin. Essa medida
encontrada dividindo-se igualmente uma circunferncia completa (360) por um valor
desejado e cada bin corresponder ao ngulo resultado dessa diviso, ou seja, a unidade
que mede uma mudana angular definida pelo prprio analista. A exemplo: se
dividirmos uma circunferncia em oito pontos, ento cada bin corresponder a 45
(Figura 3.23).

Figura 3.23: Identificao da unidade angular tulipa.

Aps a converso angular (de graus para bins), os procedimentos para


clculo das variveis Angular Mean Depth, Angular Total Depth e Choice so os
mesmos utilizados para os clculos angulares padro, ao invs de se utilizar grau,
minutos ou segundo, utiliza-se bin. A vantagem de se calcular as variveis atravs do
mtodo tambm chamado detulipa a velocidade computacional para o clculo das
mesmas, visto que no h fraes de ngulo, o computador no tem que gastar tempo
para decidir se o ngulo exatamente este ou aquele(TURNER, 2004), se uma
mudana angular , por exemplo, 46,5 atribui-se ao bin mais prximo.
Pesquisadores da UCL em Londres, desenvolveram um aplicativo chamado
UCL DepthMap, que permite o clculo das medidas angulares usando a medida tulipa,
que pode variar de 4 a 1.024 (para melhores detalhes, consultar os artigos TURNER,
2004, e TURNER, 2005). Cabe destacar que calcular profundidade mdia angular [ou
Angular Mean Depth] pela anlise tulipa com 1024 bins quase idntica ao clculo da
profundidade mdia angular exata [mtodo de clculo padro por ngulos] (TURNER,
2004).

60

BARROS (2006) faz comparao similar de CYBIS et al. (1996), pois faz
correlao entre dados numricos de ambos os modelos, expandindo a metodologia de
CYBIS et al. (1996). Nessa expanso, alm de testar correlaes entre valores sintticos
e valores de alocao de veculos simulados no programa SATURN, tambm se
compararam valores sintticos com dados reais de fluxos, sendo que se utilizaram
apenas as vias em que havia contagem, totalizando 31 vias (BARROS, 2006).
Outro ganho na metodologia de BARROS (2006) foi utilizar no s a
Sintaxe Espacial na sua concepo original, mas utilizar a anlise angular por
segmentos (ASA), permitindo assim uma interpretao da malha viria mais prxima da
Engenharia de Trfego entretanto a autora no estabelece nenhum mtodo ou critrio
para escolha de quais variveis sintticas sero escolhidas para se testar correlao com
dados operacionais.
Como a ASA ainda no distingue o sentido das vias, BARROS (2006)
afirma que para vias com sentidos duplos no SATURN adotaram-se os maiores valores
de fluxos. Por no terem sido simuladas no SATURN, as vias locais no foram
correlacionadas apenas s vias expressas, arteriais e coletoras. Utilizou-se Regresso
Linear Simples e tambm Regresso Logartmica, sendo as duas formas exploradas
com o intuito de buscar um refinamento na anlise, bem como identificar qual
abordagem geraria valores mais robustos (BARROS, 2006). Os resultados esto
dispostos conforme Tabela 3.8 abaixo.
Tabela 3.8: Resumo dos resultados obtidos pela pesquisa de BARROS (2006)
2 Varivel em
Regre. Simples
base Logartmica
Correlao
r
R
r
R
0,452
0,205
0,422
0,179
SATURN x Integrao
-0,475
0,226
-0,513
0,264
SATURN x Mean depth
0,776
0,597
0,803
0,661
Contagens x SATURN
0,549
0,302
0,665
0,442
Contagens x Integrao
-0,635
0,403
-0,782
0,612
Contagens x Mean depth
0,464
0,215
SATURN x Integrao (Noroeste)
-0,494
0,244
SATURN x Mean depth (Noroeste)
Adaptado de: BARROS (2006).

BARROS (2006) destaca os resultados da correlao com a ASA com a


vantagem de ter sido gerada rapidamente, sem necessitar uma exaustiva insero de
valores, calibrao de dados e chegada aos resultados, como usualmente ocorre os
modelos de transporte. A varivel axial utilizada foi integrao Global Rn e varivel

61

ASA utilizada foi profundidade mdia, no havendo um critrio especfico para escolha
de tais variveis.Os valores das mesmas foram correlacionados com contagens e dados
gerados pelo SATURN na forma original e tambm em base logartmica.
3.6.4.3 Anlise Fracionada (Fractional Analysis)
Uma variao da anlise angular proposta por DALTON (2001) a Anlise
Angular Fracionada que trabalha definindo uma anlise fracionada onde o ngulo
incidente 1.0 quando as linhas axiais so ngulos de 90 graus. Linhas que so
paralelas e se interceptam, possuem distncia fracionada de 0.0. Trata-se de uma forma
de ponderao muito parecida com a de TURNER (2001), com a diferena de que o
primeiro trabalha com uma escala de 0 a 90 , para ngulos acima de 90, procede-se
com uma subtrao de 180 menos o ngulo em questo (Figura 3.24); exemplo: para
saber o peso de um ngulo de 135, deve-se subtrair 180 135, encontrando-se 45,
que tem peso de 0,5.

Figura 3.24: Pesos dos graus segundo Anlise Fracionada.


Fonte: DALTON (2001).

3.6.4.4 Linhas de Continuidade


Enquanto a Anlise de Segmentos desagrega as linhas axiais em segmentos,
as Linhas de Continuidade as agregam como entidade descritiva que representa um
caminho urbano em sua mxima extenso. Tal caminho deve poder ser percorrido de
maneira natural e, por conseguinte, ser percebido como uma nica unidade espacial
(MEDEIROS, 2004).
O autor parte do princpio de que pequenas mudanas de direo no
seriam percebidas por completo (CONROY, 2001 apud MEDEIROS, 2004), sendo
que vrias linhas poderiam funcionar como uma nica entidade representando a melhor

62

continuidade do caminho (THOMSON, 2003 apud MEDEIROS 2004), conforme a


Figura 3.25, propondo uma nova entidade descritiva denominada de linhas de
continuidade que aprimoram o sistema axial com base nos seus prprios fundamentos
(MEDEIROS, 2004).
Figura 3.25: Exemplo de reconhecimento de traos lineares

Fonte: THOMSON e BROOKS (2001) apud MEDEIROS (2004).

Dessa forma, caminhos sem mudanas bruscas de direo poderiam ter


seus segmentos (linhas axiais) agrupados numa nica entidade equivalente a uma nica
linha axial (MEDEIROS, 2004). Mas qual seria o critrio para se considerar que vrias
linhas axiais representariam uma nica entidade? Tais regras se baseiam no ngulo que
formado entre duas linhas axiais, em que pequenas mudanas de direo (~15 graus)
no so percebidas conscientemente, enquanto mudanas maiores (~90 graus) so
consideradas atos conscientes de navegao (DALTON, 2001).
Aps agregadas s linhas de um mapa axial comum, recalculam-se os
valores das variveis sintticas, como no sistema usual.Para se ter parmetros de
mudanas de direo, o autor identificou ngulos-limites para diferentes nveis de
percepo que uma pessoa tem ao mudar de direo e adotou para os testes da sua
pesquisa os parmetros da Tabela 3.9.
Tabela 3.9: ngulos-limites adotados

Fonte: MEDEIROS (2004).

Vale destacar que, at o momento, existe uma grande dificuldade em


determinar o ngulo de continuidade mximo (ngulo-limite) a ser adotado, o qual

63

indicaria em que ponto h uma mudana completa de direo (MEDEIROS, 2004). Por
ressaltar propriedades globais do sistema (conseqentemente reduzindo a quantidade de
linhas axiais), tais linhas seriam mais teis para interpretar movimentos em escala
global, teoricamente os movimentos dos veculos, mais que os movimentos de
pedestres.
Focalizou-se, ento, a busca por estudos que testem a correlao entre as
linhas de continuidade e volumes de veculos, partindo da hiptese de PENN (2001)
apud FIGUEIREDO et al(2004) de que o mapa de continuidade poderia ser um melhor
previsor dos padres de movimentos de veculos que o mapa axial usual. Foi em
FIGUEIREDOet al (2004) que se encontraram testes de correlao entre fluxo de
veculos x linhas de continuidade e fluxo de veculos x mapa axial usual.
Os dados de campo utilizados nesta pesquisa foram coletados em 46 pontos
localizados nos corredores de transportes principais e secundrios da cidade de RecifePE, observados entre 6h e 22h em ambas as direes, em seguida convertidos em
Unidade de Veculo Padro. Os volumes ento foram correlacionados com valores
axiais e com as linhas de continuidades (Tabela 3.10), sendo as ltimas geradas a partir
do mesmo mapa axial, adotando como critrio de agregao mudanas angulares
menores ou iguais a 35.
Tabela 3.10: Comparao das correlaes entre variveis sintticas e fluxo de veculos pelas linhas axiais
usuais e pelas linhas de continuidade

Fonte: FIGUEIREDOet al (2004).

Observa-se, pelo teste realizado por FIGUEIREDO (2004), que, de fato, a


agregao das linhas permite uma melhor comparao entre a Sintaxe Espacial e o fluxo
de veculos, mas importante observar que isso ocorre em vias principais e secundrias,
conforme procedimento de teste adotado pelo autor.

Nas experincias anteriores, o coeficiente de correlao (ou r de Pearson) e


o coeficiente de determinao (R) so amplamente utilizados para identificar a
capacidade que as variveis sintticas tm para explicar variveis operacionais como
contagens, saturao, etc. Mas estes indicadores medem relaes lineares entre os dois

64

grupos de variveis citados e os resultados encontrados demonstram que nem sempre


tais relaes so to perfeitas mesmo que o analista se utilize de recursos matemticos
que ajustem para uma distribuio de freqncia conhecida os conjuntos de dados
testados nas correlaes (a exemplo de alguns trabalhos que utilizaram base
logartmica).
Acreditando-se que a configurao influencia nos movimentos da malha
viria da mesma forma como que influencia na localizao dos atratores como sugere a
teoria do Movimento Natural, ento no seria necessrio agregar informaes de uso do
solo na construo de um modelo de estimativas de fluxo a partir de variveis sintticas
pois seria redundante.
Como na prtica, o posicionamento geogrfico dos diferentes tipos de uso
do solo bem como as diferentes densidades urbanas encontradas nas cidades no sofre
apenas a influncia da morfologia (mas tambm a influncia de questes polticas,
econmicas e ambientais) por isso Teoria do Movimento Natural no seria aplicvel em
todas as circunstncias e custo para coletar informaes de uso do solo alto, sugeriu-se
a seguinte hiptese:
Por no obedecer lgica da morfologia na sua localizao, as reas que
demandam e ofertam viagens influenciam nos fluxos de veculos e pedestres de maneira
tal que tornam no-linearesas relaes entre as variveis sintticas e as variveis de
trfego. Tal hiptese motivou a utilizao de metodologias no lineares de
modelagem, como as Redes Neurais Artificiais por exemplo. sendo ento o tema
abordado no prximo captulo.

65

CAP TULO 4

REDES NEURAIS ARTIFICIAIS


4.1INTRODUO

As Redes Neurais Artificiais (RNAs), ou simplesmente redes neurais, so


amplamente utilizadas por diversas reas de estudos, com diversas aplicaes, sendo
mais usadas como ferramenta de simulao de dados, gerando uma vasta bibliografia.
Apesar da complexidade matemtica que envolve as RNA, a presente investigao no
pretende discutir tais aspectos nem tem a pretenso de contribuir para o avano terico
dessa tcnica, por acreditar que esse papel mais adequado Matemtica ou a Cincia
da Computao que Engenharia. Esta investigao se limitou em comparar a
modelagem com RNA e a modelagem regressiva tradicional, buscando compreender
seus conceitos bsicos e suas formas de aplicao em Engenharia.
4.2 OS MODELOS NEURAIS X MODELOS REGRESSIVOS
DA SILVA (2003) afirma que, para ajustamento de uma curva de
regresso no linear simples, usando uma entrada, uma sada linear e uma camada
intermediria com uma funo de ativao logstica, a curva pode ter muitas
ondulaes, atuando como uma regresso polinomial ou um ajustamento quadrtico.
Nas Figuras 4.1a a 4.1d, v-se uma comparao de representaes grficas de modelos
regressivos e uma curva produzida a partir de um modelo neural. Observa-se, pelas
curvas, que as Redes Neurais Artificiais conseguem perceber relaes de causa e
efeito em fenmenos mais complexos que os modelos regressivos tradicionais, gerando
ento resultados melhores.

Figura 4.1a: Regresso 1 grau.

Figura 4.1b: Curva do 2 grau.

66

Figura 4.1c: Curva do 3 grau.

Figura 4.1d: Modelo neural.


Adaptado de KROSEe SMAGT,(1996).

O mesmo acontece para a representao grfica de modelos de regresso


mltipla com duas variveis explicativas, conforme se v nas Figuras 4.2a e 4.2d.

Figura 4.2a: Representao grfica, superfcie


plana (1 grau).

Figura 4.2b: Representao grfica, parabolide


(2 grau).

Figura 4.2c: Representao grfica, Superfcie do


3 grau.

Figura 4.2d: Representao grfica de um modelo


neural de duas entradas. Fonte: KROSEe
SMAGT,(1996)..

DA SILVA (2003) tambm afirma que em estatstica necessita-se ter a


informao a priori sobre a estrutura do modelo matemtico. Em redes neurais o
usurio estima esta estrutura pela escolha do nmero de camadas e o nmero de
neurnios e as funes de transferncia entre os neurnios da rede.

67

4.3PROPAGAO DE UM IMPULSO ELTRICO NO CREBRO HUMANO


A propagao de uma informao no crebropode ser interpretado
organicamente observando o comportamento de clulas que compem o sistema
nervoso: os neurnios, onde milhares de fibras nervosas [por onde circulam impulsos
eltricos], chamadas dentritos so conectadas ao corpo celular ou soma do neurnio e
funcionam como conexes de entrada. O corpo celular capaz de executar operaes
complexas sobre os sinais que chegam at ele. Contudo, essas operaes podem ser
aproximadas por um somatrio simples de sinais oriundos dos outros neurnios.
A extenso do soma uma nica e longa fibra nervosa chamada axnio.
Essa estrutura recebe e analisa o valor do somatrio exterior. Se esse valor for superior a
um determinado limite mnimo, o axnio produz uma voltagem de sada tambm
denominada potencial de ao, que conduzida a sua extremidade (HAYKIN, 1999
apud DA SILVA, 2003). Esses componentes podem ser vistos da Figuras 4.3a 4.3d.

Figura 4.3a: Componentes do neurnio.


Adaptado de REINKE (2008).

Figura 4.3b: Entrada dos impulsos eltricos.


Adaptado de REINKE (2008).

Figura 4.3c: Chegada dos impulsos eltricos no


soma.
Adaptado de REINKE (2008).

Figura 4.3d: Sada do impulso eltrico pelo


axnio.
Adaptado de REINKE (2008).

68

4.4REDES NEURAIS ARTIFICIAIS


As redes neurais artificiais tm sua origem no final dos anos 1940, com a
publicao do livro The organization of behavior, de Donald Hebb, no qual uma teoria
baseada no processo de aprendizagem que ocorre no crebro humano serviu de base
para a criao de modelos computacionais de sistemas adaptativos de aprendizagem
(REINKE, 2008). O nome rede se d pelo fato de que unidades de processamento de
dados no trabalham de forma isolada, e sim conectadas umas s outras, como uma
cadeia de neurnios.
4.4.1 Histrico das Redes Neurais Artificiais
Na busca de compreender o processo de construo do conhecimento que
envolve a tcnica das Redes Neurais Artificiais, resumiram-se na Tabela 4.1 algumas
das principais publicaes a esse respeito ao longo de vrios anos. Para tanto, utilizouse a reviso feita por BOCANEGRA (2002) e ZAMPIERE (2006).
Tabela 4.1: Principais publicaes sobre RNA
ANO

PESQUISADOR

PUBLICAO

AVANO

1943

Warren McCulloch e
Walter Pitts

Concentrou-se em descrever um modelo de


neurnio e apresentar suas capacidades.

1949

Donald Hebb

A logical Calculus of the


Ideas Immanent in Nervous
Activity
The Organization of
Behavior

1958

Frank Rosenblatt

1967

Widrow e Hoff

1969

Minsky e Papert

1982

John Hopfield

1986

Rumelhart, Hilton e
Williams

Principles of
Neurodinamics

Explica a teoria do aprendizado existente entre


nodos biolgicos e o reforo das ligaes
sinpticas entre os nodos excitados. Props que
o crebro humano muda suas conexes ao
aprender, excitando novos agrupamentos
neurais conforme executa tarefas.
Introduziu o modelo perceptron baseado nos
conceitos de Pitts e McCulloch. Aborda, ainda:
aprendizado
supervisionado;
sinapses
ajustveis; limitaes nas funes lgicas.
Adaline (Adaptative linear element); lei de
aprendizado; sadas analgicas ao invs de
sadas binrias; reconhecimento de padres.
Provaram formalmente que uma rede formada
de uma nica camada de neurnios,
independentemente
do
algoritmo
de
aprendizagem, capaz de resolver o problema
de associao de padres apenas quando os
conjuntos so linearmente separveis.
Propriedades associativas das RNA.
Algoritmo de retro propagao (backpropagation) ou algoritmo de correo de erros.

Adaptado de BOCANEGRA (2002) e ZAMPIERE (2006).

69

4.5 PARADIGMAS DE APRENDIZAGEM


Conceitualmente, o que acontece com uma RNA que ela identifica
informaes relevantes dos exemplos a ela apresentados, criando uma representao
prpria para o problema (SILVA et al., 2004). Os mtodos para que ocorra o
aprendizado podem ser divididos em dois grupos principais paradigmas:
Supervisionado: o tipo mais comum de aprendizado, no qual um
supervisor fornece RNA dados de entrada e de sada, com o objetivo de
ajustar os pesos sinpticos para minimizao da diferena entre os
valores de sada simulados e os valores observados. SILVA et al. (2004)
afirma que o treinamento de tal paradigma pode ser feito on-line, sendo
que o conjunto de dados muda continuamente, e a rede deve estar em
contnuo processo de adaptao (SILVA et al., 2004) e off-line onde os
dados do conjunto de treinamento no mudam, e uma vez obtida uma
soluo para a rede, esta deve permanecer fixa (SILVA et al., 2004).
No-supervisionado:no existem pares de entrada e sada, s entradas. A
RNA procura caractersticas estatisticamente relevantes (SILVA et al.,
2004) entre os dados apresentados tal tcnica s aplicvel se houver
uma grande quantidade de dados.
Existem derivaes dos dois tipos de paradigmas, mas esta pesquisa se
concentra apenas na aplicao do paradigma supervisionado.
4.6 ESTRUTURA DAS RNA
As Redes Neurais Artificiais possuem uma estrutura que pode ser composta
por vrias unidades de clculo, processando informaes em paralelo. Como um
processo de aprendizagem supervisionado, precisa existir uma base de informaes com
variveis explicativas que forneam dados para entrada e as variveis explicadas com os
dados de sada.
As redes neurais artificiais possuem tambm unidades de processamento
chamadas de neurnios, as quais so conectadas entre si atravs de ligaes que
determinam o fluxo da informao pela rede, assim como acontece na rede neural
biolgica. As unidades de processamento podem ser atravs das ligaes, posicionadas

70

em camadas intermedirias ou camadas ocultas entre a entrada e a sada, conforme a


Figura 4.4.

Figura 4.4: Desenho esquemtico mostrando uma rede de neurnios.

4.6.1 Topologia da Rede


Quando se trata de topologia em RNA est se tratando da quantidade de
camadas intermedirias, entrada, sada e tambm da quantidade de neurnios em tais
camadas. Variaes nesses dados promovem diferentes condies de treino e,
conseqentemente, a qualidade no resultado do seu treinamento.
DA SILVA (2003) identificou pesquisadores que estabeleceram critrios
matemticos para a determinao de uma topologia tima. Dentre os autores
pesquisados, HECHT; NIELSEN (1989) apud DA SILVA (2003) afirmam que a
camada oculta deve ter por volta de (2i+1) neurnios, onde i o nmero de variveis de
entrada. Tambm se identificou que, em redes pequenas, o nmero de neurnios da
camada oculta pode ser a mdia geomtrica entre o nmero de neurnios de entrada
pelo nmero de neurnios de sada. LIPPMANN (1987) apud DA SILVA (2003)
afirma que uma camada oculta, dever ter s(i+1) neurnios, onde s o nmero de
neurnios de sada e i o nmero de neurnios de entrada.
FERNANDES et al. (2005) classificam as RNA em trs tipos: no primeiro,
existem mais entradas que sadas; no segundo, o nmero de entradas igual ao nmero
de sadas; e no terceiro, o nmero de entradas menor que o nmero de sadas (Figura
4.5). As diferentes classes conduzem a diferentes topologias. Por exemplo, nas RNA da
Classe I, uma camada escondida o bastante na maioria dos casos, recomendando-se
N-1 neurnios na camada intermediria, onde N corresponde ao nmero de dados de

71

entradas. Mas tal recomendao s valida se as relaes entre os dados no


foremmuito complexas.
Para redes de Classe II, uma camada escondida nunca bastante e
recomendada uma RNA com duas camadas escondidas para melhorar sua habilidade de
generalizao (FERNANDES et al., 2005). Se for usada apenas uma camada,
recomendam-se de 20 a 40 neurnios na camada escondida; se forem usadas duas
camadas, considerar 13 a 20 neurnios na camada escondida e cinco neurnios a mais
na segunda camada. Para redes de Classe III, recomendam-se duas ou trs camadas
escondidas, 10 a 20 neurnios na primeira camada e 15 a 25 neurnios na segunda; caso
haja uma terceira camada, a recomendao que se utilize o mesmo nmero de
neurnios da camada dois.

Figura 4.5: Classes de RNA.


Fonte: FERNANDES et al(2005).

4.6.2 Unidade de processamento (o neurnio artificial)

O modelo matemtico que representa o comportamento de um neurnio


chamou-se perceptron (Figura 4.6). Ele representa uma aproximao extremamente
simplificada sob a tica neurofisiolgica, porm conserva algumas das caractersticas
bsicas do neurnio biolgico e viabiliza a sua implementao computacional (DA
SILVA, 2003). O neurnio artificial a unidade elementar da Rede Neural Artificial.
HAYKIN (2001) identifica trs elementos fundamentais do neurnio: as sinapses, o
somador e a funo de ativao.

72

Figura 4.6: Modelo de neurnio artificial. Unidade de Processamento.


Fonte: HAYKIN (2001)

Onde:

Xn = entradas;
Wkn = sinapses;
Uk = combinao linear
dos sinais de entrada;
(.) = funo de ativao;
Yk = sada do neurnio.
k = limiar

As sinapses so pesos associados a cada entrada. Esse valor


multiplicado pelo valor da entrada e em seguida somado aos dados vindos das demais
entradas, j ponderadas pelos seus respectivos pesos. Tal soma ou combinao linear
dos sinais de entrada (Uk) pode ser representada pela Equao 4.1:

(4.1)
O somatrio ento comparado com o limiar (k), que tem papel
determinante na sada do neurnio. Se o valor de Uk for menor que este limiar, ento, a
sada do neurnio fica inibida. Caso contrrio o neurnio fica ativo (BRONDINO,
1999). A funo de ativao normaliza a sada do neurnio num intervalo, de acordo
com a funo utilizada.
O Bias consiste num valor que adicionado na funo soma junto com os
dados de entrada ponderados pelos respectivos pesos sinpticos. um peso adicional
que tem funo de evitar a gerao de erros quando todos os dados de entrada so
nulos (REINKE, 2008). Tal valor utilizado no treinamento, podendo ser positivo ou
negativo.

73

4.6.3 Funes de ativao


HAYKIN (2001 afirma que a funo de ativao define a sada de um
neurnio de acordo com o tipo de atividade da sua entrada. Existem diversas funes
que produzem diferentes sadas, sendo que as mais comuns, encontradas na bibliografia
pesquisada, esto dispostas na Tabela 4.2.

Nome da
funo

Linear

Degrau ou
Limiar

Tabela 4.2: Principais funes de ativao das RNA


Representao
Caracterstica
Grfica
Funo que no limita a
sada da RNA e usada
para armazenar entrada e
sada de dados. Os
neurnios que possuem
esta funo atuam como
aproximadores lineares;
Funo utilizada para
neurnios que tomam
decises binrias, limitando a sada do neurnio somente a dois
valores, sendo assim,
classificadora;

Tangente
Hiperblica

Funo limitada, definida


no intervalo de -1 e +1.

Sigmide
ou
Logstica

Funo limitada que


assume valores entre um
limite superior e um
inferior (0 e 1), sem
jamais atingi-los.

Funo

Um exemplo da aplicao no processamento em neurnio artificial pode ser


observada na Figura 4.7, com valores de 2, 3 e 1 e seus respectivos pesos sinpticos 1,
2, 1,5. A funo soma igual a 9,5 e tem-se o bias com valor -5, que se aplica funo
soma. A funo de ativao a do tipo limiar que gerou a sada igual a 1.

Figura 4.7: Exemplo de processamento de informaes no neurnio artificial.

74

4.7 MULTILAYER PERCEPTRON (MLP)


As RNA com perceptrons de mltiplas camadas (Multilayer Perceptron
MLP) constituem o tipo de arquitetura mais comum, consistindo num conjunto de
unidades de processamento com unidades de entrada, unidades intermedirias (ou
camadas escondidas) e camada de sada. Os sinais de entrada so propagados camada a
camada pela rede em uma direo positiva, ou seja, da entrada para sada
(BOCANEGRA, 2004). Sua aplicao tem sido feita em problemas envolvendo altos
graus de no-linearidades (BOCANEGRA, 2004). Por sua caracterstica topolgica,
seu tipo de treinamento supervisionado. Para o presente trabalho, utilizou-se um
algoritmo do tipo error backpropagation ou retro-propagao do erro.
O algoritmo funciona em duas fases: primeiro, o sinal que parte da entrada
se desloca em direo a sada, os pesos sinpticos so mantidos e a sada simulada
comparada com sada observada, os dados observados so subtrados dos dados
simulados gerando assim um sinal de erro. Tal erro faz o caminho inverso da sada
para a entrada , e esse retorno do sinal denominado de retro-propagao do erro,
caracterizando a segunda fase do funcionamento do algoritmo (Figura 4.8). Os pesos
sinpticos so ajustados e o sinal propagado novamente pela rede, de forma a buscar um
sinal de erro menor a cada propagao.

Figura 4.8: Ilustrao das direes de propagao do sinal funcional e do erro.


Fonte: BOCANEGRA (2004).

4.7.1

Treinando

uma

MLP

com

algoritmo

de

retro-propragao

(backpropagation)
BOCANEGRA (2002) descreve um processo de treinamento em cinco
passos:

75

1. Apresentar rede um conjunto de dados com entradas e suas respectivas


sadas conhecidas;
2. Estimar a sada a partir dos dados fornecidos como entrada;
3. O sinal se propaga pela rede at atingir a sada; quando os pesos da
sada so ajustados;
4. Ajustar os pesos das camadas intermedirias;
5. Checar o erro, que pode ser feito de vrias formas. O objetivo principal
de tal passo determinar um critrio que o erro deve atingir e, caso o erro
no atenda ao critrio, o processo repetido, os pesos das camadas
intermedirias so reajustados, novos valores para sadas so estimados e
o novo erro encontrado. Diz-se que o algoritmo est treinado quando
o erro atende o critrio pr-definido.
A redefinio dos pesos sinpticos depende de dois fatores: a taxa de
aprendizado e o termo momentum. O primeiro vai determinar o quo suavemente se
dar a atualizao dos pesos (RAIA JR., 2000) e o segundo pode aumentar a
velocidade do aprendizado e tem por caracterstica acelerar o treinamento em regies
planas da superfcie de erro (RAIA JR., 2000).
ZAMPIERE (2006) afirma que as diferentes taxas de aprendizado
possibilitam modificar o tamanho do ajuste que o aplicativo far nas conexes dos
neurnios artificiais, influenciando na velocidade com que a rede reconhece as
caractersticas do fenmeno. Os pesos so redefinidos por padro ou ciclo. Segundo
RAIA JR. (2000), o primeiro atualizado aps a apresentao de um padro,
enquanto o segundo se atualiza aps a apresentao de todos os padres.
4.7.2 Seleo dos dados para treinamento das RNA
Para MLP a essncia da aprendizagem back-propagation identificar uma
relao funcional entre entradas e sadas representadas por um conjunto de exemplos
combinados com pesos sinpticos e limiares de uma MLP (HAYKIN, 1999). O
objetivo que a rede seja treinada de tal forma que ela aprenda bastante o histrico
para prever o futuro (HAYKIN, 1999). A ferramenta da estatstica que sugere um

76

procedimento para tratamento dos dados chamada Validao Cruzada (CrossValidation).


O primeiro passo dividir o total de dados disponveis em dois grupos:
conjunto de treinamento (1) e conjunto de teste(2). O primeiro se subdivide em mais
dois: subconjunto de estimao (usado para treinar o modelo 1.1) e o subconjunto de
validao (usado para testar ou validar o modelo 1.2). Com base nos resultados de
KEARNS (1996) apud HAYKIN (1999), 80% dos dados deve se destinar para o
conjunto de treinamento e os 20% restantes para validao e teste do treinamento.
No artigo de FERNANDES et al. (2005), o autor sugere que redes neurais
nunca predizem bem dados de treinamento prximos extremidade. Conforme se
observa no exemplo da Figura 4.9, se os dados no eixo A tm amplitude de 0.08 a 0.52,
o intervalo de dados de interesse est entre 0.1 e 0.5, assim como se o intervalo de
interesse de dados de B esto entre 2.0 e 10.0, a amplitude est entre 1.55 e 10.45,
recomendando, ento, que definindo-se a rea de interesse em um intervalo de 85% e
95% de total de dados de treinamento pode-se minimizar o problema da borda
(FERNANDES et al., 2005).

Figura 4.9: Zona de sombra. Adaptado de FERNANDES et al. (2005).

4.8 APLICAES DAS RNA EM PLANEJAMENTO DE TRANSPORTES


O uso das RNA em planejamento de transportes no uma novidade.
BOCANEGRA (2002) dedica um tpico da sua pesquisa a citar exemplos, conforme a
Tabela 4.3.

77

Sistema de transportes e
contagens

Gerao e distribuio de Viagens

Tabela 4.3: Aplicaes de RNA ao Planejamento de Transportes.


Estabeleceram um indicador de gerao de viagens com a
utilizao de dez indicadores socioeconmicos.
Gerou uma matriz O-D com base no volume de trfego
observado numa rotatria e suas aproximaes para trs
horrios.
Utilizao das RNA na estimativa de gerao de viagens com
base no princpio de que a deciso humana inerente no
linear.
Estudos comparativos entre o Modelo Logit e RNA para
modelagem do fluxo de viagens interurbanas.
Avaliao de ferramentas de previso de viagens comparando
o padro de viagens entre homens e mulheres em Israel.
Comparao entre a previso e a distribuio de viagens
feitas com RNA e o modelo de Mxima Verossimilhana
Duplamente Restringido.
Utilizou RNA e SIG para estimar um ndice de potencial de
viagens utilizando variveis de acessibilidade e mobilidade.
Uniram RNA, SIG e Sensoriamento Remoto para previso da
demanda de viagens no contexto do planejamento estratgico.
Utilizaram RNA para obter modelos de gerao de viagens e
compar-los com os modelos obtidos atravs da Regresso
Mltipla.
Utilizao de RNA para estimar tempo de viagens
considerando condies das rodovias.
Controlar distncias entre veculos.
Sistema de apoio deciso para diminuir a carga de trabalho
dos despachantes que realizam o controle do trfego.

FAGHRI & HUA

1992

CHIN et al.

1994

FAGHRI & ANEJA

1996

NIJKAMP et al.

1996

SHMUELI et al.

1996

MOZOLIN et al.

2000

RAIA JR.

2000

DANTAS et al.

2000

RUIZ e MEDINA

2000

FAGHRI & HUA

1994

VITELA et al.

1996

VUKADINOVIC et al.

1996

WERMERSCH &
KAWAMOTO

1999

Caracterizar o comportamento dos usurios dos sistemas de


transportes em relao ao modo de viagem.

MARTINELLI
BULLOCK et AL.

1996
1993

Otimizar operaes de trens.


Mtodo para deteco de veculos para efeito de contagem.

Adaptado de BOCANEGRA (2002).

4.9 REDES NEURAIS ARTIFICIAIS X SINTAXE ESPACIAL


Em seu trabalho pioneiro, ZAMPIERE (2006) pretendeu medir as
propriedades configuracionais e as medidas de desempenho na rea central da cidade de
Santa Maria relativizando-as com o fluxo de pedestres da rea.
Partiu-se da hiptese de que o potencial de predio da Sintaxe Espacial
podia ser melhorado se seus dados tivessem sido processados em RNA. Foi gerada,
nesse trabalho, uma RNA tendo como dados 17 variveis de entrada e uma de sada.
Para sada, foram utilizadas duas variveis diferentes, a primeira foi nmero de
pedestres parados e a segunda foi nmero de pedestres em movimento.
Geraram-se cinco variveis a partir do mapa axial (Integrao Global,
Integrao Local, Conectividade, Controle e Profundidade. Consideraram-se os
atratores (classificao dos usos dos lotes em quatro tipos: residencial, comercial,
servios e outros usos) e medidas de desempenho operacional da via como largura,

78

comprimento, atratividade, conforto, manuteno, segurana e segurana pblica.


Utilizaram-se 75% dos dados para treino e 25% dos dados para teste.
O aplicativo utilizado foi o BrainMaker Professional (California Scientific
Software, 1998). O mesmo aplicativo utiliza o Erro Relativo Absoluto Mdio (ERAM)
e o coeficiente de determinao (R) para testar a eficcia do treinamento. Para alcanar
um melhor resultado, alteraram-se as taxas de aprendizado, o nmero de neurnios e
fazendo seleo aleatria dos dados (shuffles). Foi utilizada a funo de ativao
sigmide logstica.
Das opes de taxa de aprendizado fornecidas pelo aplicativo utilizado,
variou-se entre constante, linear, exponencial e heurstico, sendo o melhor resultado
alcanado com a taxa de aprendizado constante com valor de 0,3 para pedestres em
movimento e de 0,6 para parados, que varia de 0 a 1 (ZAMPIERE, 2006).
O trabalho tambm testou diferentes topologias de redes, variando entre 17
e 25 neurnios em uma camada intermediria. Percebeu-se que, na medida em que o
nmero de neurnios aumentou, o desempenho da rede diminuiu (ZAMPIERE, 2006).
Dados do melhor desempenho: 17 neurnios; 2.916 ciclos; r = 0,96; pedestres em
movimento.

79

CAPTULO 5

MATERIAIS E MTODO
5.1 CONSIDERAES GERAIS DA METODOLOGIA PROPOSTA

O presente captulo est divido em duas partes. Na primeira, apresentam-se


os materiais utilizados (dados, aplicativos, etc.); na segunda, descreve-se o mtodo em
forma de passos. A Tabela 5.1 resume os dois tpicos bsicos do captulo.
Tabela 5.1: Resumo da metodologia proposta.

5.2 MATERIAIS
Neste tpico, so apresentadas os aplicativos computacionais utilizados
nesta investigao que so trs: o primeiro o TransCAD, utilizado para o
processamento das informaes de trfego e o desenho da malha viria da rea de
estudo; o segundo, UCL DepthMap, utilizado para gerao das variveis sintticas; e o
terceiro, EasyNN-Plus, utilizado para treinamento das redes neurais.
O objetivo principal da metodologia desenvolver um procedimento que
permita simular uma varivel operacional a partir de variveis sintticas. Foi utilizada a
base cartogrfica digital da cidade de Fortaleza (CE), fornecida pela Autarquia
Municipal de Cidadania (AMC), onde esto contidos dados relativos as caractersticas

80

operacionais de trfego referentes capacidade, volume mdio dirio, sentido de


trfego, entre outros.
5.2.1 TransCAD e a base cartogrfica digital
O TransCAD um Sistema de Informaes Geogrficas (SIG) projetado
especificamente para o planejamento, gerenciamento, operao e anlise das
caractersticas dos sistemas de transportes (CALIPER, 1999 apud VIANA, 2007). O
aplicativo possui rotinas para modelagens de transportes, anlise de redes, estatsticas,
anlise de mercado, alocao de trfego, anlise espacial, definio de rotas e
programao (VIANAet al, 2007). Como outras ferramentasSIG, os dados podem ser
vinculados a linhas, pontos ou reas. A utilizao desse aplicativo nesta investigao foi
apenas para identificar quais links da malha viria da rea de estudo possuam os dados
da varivel de trfego a ser simulada.
5.2.2 AutoCAD 2000 para desenho do mapa axial
O AutoCAD verso 2000 foi desenvolvido pela Autodesk e trabalha com
a tecnologia CAD (Computer Aided Design). Foi utilizado para desenhar um mapa axial
da cidade de Fortaleza para, em seguida, gerar as variveis sintticas no programa
DepthMap.
5.2.3 DepthMap e gerao de variveis sintticas
Para gerao das variveis sintticas utilizou-se o aplicativo UCL DepthMap
verso 6.8, desenvolvido pela Bartlett School of Graduate Studies, UCL, London
(www.vr.ucl.ac.uk) a partir do mapa axial que permitiu tambm a realizao da anlise
de segmentos.
Alm de calcular as variveis sintticas tradicionais a partir dos mapas
axiais, o aplicativo permite analisar os segmentos de duas formas: Anlise Angular
Padro (ou Full Angular) e Anlise Tulipa (Tulip Analysis). Nessas duas formas,
possvel escolher ainda o raio para gerao das variveis sintticas. Tal opo permite
que, em lugar de calcular a medida do grafo de um segmento x para todos os outros
segmentos, a medida calculada de x a todos os outros segmentos dentro de certo
nmero de passos (TURNER, 2007). Isso permite que se conhea a importncia de um

81

determinado segmento num contexto local, sem considerar o peso de tal segmento em
toda a malha viria.
5.2.4 EasyNN-Plus para treinamento de RNA
Utilizou-se o aplicativo EasyNN-Plus verso 9.0d, desenvolvido e
comercializado por Stephen Wolstenholme (Inglaterra) para treinamento de RNA. Esse
aplicativo utiliza Multilayer Perceptron (MLP) como topologia e permite utilizar at
trs camadas intermedirias. O algoritmo de aprendizado do tipo backpropagation e,
de acordo com informaes do prprio fabricante, utiliza a funo de ativao sigmide
logstica.
O aplicativo foi escolhido por no exigir conhecimentos de programao
computacional para seu uso e por ter uma interface amigvel com o usurio, bem como
comunicao com planilhas eletrnicas. Outra caracterstica do aplicativo que ele j
normaliza os dados apresentados antes de realizar o treinamento, permitindo que o
usurio utilize os dados da forma como foram coletados, sem pr-processamento. A taxa
de aprendizagem e o momentum so parmetros que, neste aplicativo, podemvariar de
0,1 a 0,9.
O programa predefine a taxa de aprendizagem inicial em 0,6, oferecendo
ainda em seus controles a opo Optimize, que permite ao software determinar a taxa
de aprendizado automaticamente no decorrer de alguns ciclos aprendendo com
diferentes valores (EasyNNPlus). A opo Decay permite que o programa reduza
automaticamente a taxa de aprendizagem, caso ocorram erros ou oscilaes de
aprendizagem. O mesmo ocorre para o Momentum, no qual uma RNA inicialmente tem
valor de 0,8.
5.2.5 Microsoft EXCEL para clculo do coeficiente de correlao (r de Pearson), do
Erro Relativo Mdio (ERM)
O MS-Excel 2007 um aplicativo desenvolvido pela Microsoft para a
elaborao de planilhas eletrnicas e que possui recursos para clculo de funes
matemticas bsicas, clculos financeiros e estatsticos. Esse aplicativo foi utilizado na
pesquisa para identificar as variveis sintticas com melhor correlao atravs do

82

clculo automtico do r de Pearson (coeficiente de correlao), tambm utilizado para


calcular o Erro Relativo Mdio (ERM), entre valores simulados pelas diferentes
topologias e os dados observados.
5.3 O MTODO

Descreve-se o mtodo utilizado na presente pesquisa, apresentado em forma


de passos, para facilitar a compreenso.
5.3.1 Passo 1: Construo de mapa para gerao de variveis sintticas a partir da
base cartogrfica digital existente
A partir da base cartogrfica digital, desenhou-se um mapa axial para que
posteriormente fossem geradas as variveis sintticas. Como a base SIG continha links
com os quais no se conseguiu uma associao direta, em razo de alguns trechos de
vias possurem at dois segmentos com dados operacionais distintos, optou-se por uma
associao visual dos identificadores (ID) dos dois tipos de mapas.
5.3.2 Passo 2: A gerao de variveis sintticas a partir do mapa de links
Com o mapa axial desenhado, foram geradas diversas variveis ASA no
aplicativo DepthMap 6.8, nas opesTulipa e Full Angular.
5.3.3 Passo 3: Filtrando as variveis sintticas a serem utilizadas para o treino das
RNA
Adotou-se o coeficiente de correlao ou r de Pearson (Equao 5.1)
como ferramenta para detectar quais variveis sintticas tm maior relao linear com a
caracterstica operacional de trfego a ser simulada, apesar de uma forte correlao no
ser sinnimo de uma relao de causa-e-efeito entre amostras e variveis (LAPPONI,
2005), pois o simples conhecimento do coeficiente de correlao no suficiente
devido s anomalias na disperso dos dados.

(5.1)

83

Como se observa nas Figuras 5.1a e 5.1b onde se alterou apenas o ltimo
par de dados observa-se a necessidade de utilizar um grfico de disperso para uma
anlise visual, sendo possvel perceber melhor a relao existente entre duas variveis.

Figura 5.2a: Coeficiente de correlao e grfico de


disperso, ltimo par 1 e 2. Fonte: o Autor

Figura 5.2b: Coeficiente de correlao e grfico


de disperso, ltimo par 60 e 60. Fonte: o Autor

O coeficiente citado varia de -1 a 1; quanto mais prximo de um dos dois


extremos, mais forte a relao linear entre as duas variveis (negativa ou
positivamente). Quando o valor mais prximo de zero, isso no constitui uma
evidncia de que no existe uma relao forte, mas apenas de que falta uma relao
linear (DEVORE, 2006), sendo necessrio cuidado na interpretao de tal coeficiente
antes de afirmar a existncia ou no-existncia de relaes entre variveis analisadas.
Mesmo conhecendo as precaues necessrias para a interpretao do
resultado do coeficiente de correlao, este foi utilizado, pois permite comparar
variveis de grandezas diferentes. O objetivo no foi encontrar relaes estatisticamente
perfeitas entre valores reais e valores simulados, pois, caso isso acontecesse, seria
possvel que o treinamento das RNA no tivesse a abstrao necessria para simular
com eficincia dados desconhecidos.
Como alguns dados de trfego se apresentam em pares, considerando o
duplo sentido de algumas vias, criou-se em planilha eletrnica uma nica coluna de
dados, considerando a soma dos valores, para os casos de dois sentidos, ou o valor
nico, para os casos em que a via possua apenas um sentido. Apesar da proposta de
BARROS (2006) de que se considere o maior valor para os casos em que haja dados
operacionais dos dois sentidos, optou-se por som-los, pois se entende que, se de fato o
volume mdio dirio for influenciado pela configurao da malha, ento essa influncia
acontece para todo o volume que passa pelo arco, independentemente do sentido da via.

84

5.3.4 Passo 4: Construindo uma rvore de testes


A rvore de testes nada mais do que um esquema que demonstra quais as
variaes a serem feitas no processo de treinamento das RNA. Recebe o nome de rvore
porque o mesmo esquema pode ser representado num desenho que se parece com uma
estrutura de planta, com galhos derivando de um caule.
Considerando que os parmetros envolvidos num algoritmo de uma RNA
nos permitem uma grande quantidade de possibilidades de treinamento, foi necessrio
estabelecer algumas limitaes quanto construo da rvore de testes. As primeiras
limitaes impostas foram os valores de trs variveis: a taxa de aprendizado (learning
rate), em 0.60; o momentum, em 0.80; e o limite do erro (target error), em 0.01. Os
valores so opes padro do aplicativo utilizado (EasyNN-Plus). Outra limitao
adotada foi realizar os treinamentos apenas com uma camada intermediria.
O conjunto de dados foi divido em trs grupos selecionados aleatoriamente:
80% das observaes da amostra para treino; 10% para validao; e 10% para teste.
Estes ltimos no sero apresentados no treino, conforme recomendao de HAYKIN
(1999). Como as possibilidades de agrupar o conjunto de dados em trs grupos so
quase infinitas, foram adotadas na pesquisa trs selees aleatrias diferentes. A mesma
rvore de treinamento foi aplicada para cada seleo, o que permitiu que houvesse
desempenhos diferentes de uma seleo em relao s demais, sob as mesmas condies
de treinamento.
Para cada seleo aleatria (S1, S2 e S3), geraram-se doisesquemas
diferentes de treinamento, variando no nmero de neurnios na camada intermediria
conforme revisado no captulo 4. No esquema 1 (E1), utilizou-se a recomendao de
NIELSEN(1989) apud DA SILVA(2003) para determinao do nmero de neurnios na
camada intermediria e no segundo esquema (E2) utilizou-se a recomendao de
LIPPMANN(1987) apud DA SILVA(2003) para o mesmo fim e todas as topologias
utilizou-se apenas 1 camada intermediria. Os dados de entrada so as variveis
sintticas escolhidas no passo anterior, o dado de sada a soma dos valores dos VMD
para os dois sentidos.

85

Figura 5.3: rvore de Testes.

5.3.5 Passo 5: Identificao da topologia mais adequada


Vrias medidas de erro podem ser utilizadas para se identificar a topologia mais
adequada e encontrar a que possui melhor desempenho na predio de dados.
Enumeram-se, a seguir, algumas delas, conforme a bibliografia pesquisada:
Erro Quadrtico Mdio EQM (Mean Squared Error MSE) a
medida mais comum na bibliografia consultada. Conforme AKAMINE
(2005) e BOCANEGRA (2002), trata-se de uma medida de exatido da
previso em termos de valores absolutos, considerando a mdia dos
quadrados da diferena entre o valor observado e o valor estimado. Essa
medida tambm utilizada nos trabalhos de RAIA JR. (2000) e MONMA (2005).
(5.2)

Raiz do Erro Quadrtico Mdio REQM (Root Mean Squared Error


RMSE) nada mais do que a raiz quadrada do EQM.
Erro Relativo Mdio ERM (Relative Mean Error RME) medida
muito parecida com EQM, s que com o objetivo de calcular a mdia
das diferenas entre valores estimados pelas redes neurais e os valores
observados (AKAMINE, 2005) atravs de valores percentuais.

86

(5.3)

Erro normalizado medida que consiste em normalizar a diferena entre


os valores observados e os valores estimados entre 0 e 1, calculando a
mdia desses valores.
(5.4)

Coeficiente de Determinao (R) medida de desempenho que varia de


0 a 1 e consiste no r de Pearson elevado ao quadrado. Apesar de
identificar uma relao linear e positiva entre dados observados e
estimados, desejvel um grfico de pontos com o propsito de tornar
explcito o quo prximo esto as previses dos valores alvos
correspondentes (AKAMINE, 2005), sendo que os pontos devem
formar uma linha de 45 a partir da origem.
MSE (Mean of Squared Error) medida de desempenho encontrado em
DA SILVA (2003), a mesma definida como:

(5.5)

Onde:
SSE = Diferenas quadrticas entre os valores de sada da RNA e os
valores esperados como ideais, pela definio (corresponde ao EQM citado por
AKAMINE, 2005 e BOCANEGRA, 2002);
n = Nmero de exemplos do conjunto de treinamento (quantidade de
padres);

87

p = Nmero de parmetros a serem estimados (quantidade de pesos da


rede).
Uma afirmao relevante a respeito de qual medida deve ser utilizada que
o uso de diferentes medidas estatsticas pode levar a diferentes concluses sobre o
desempenho do modelo. Embora uma combinao de duas ou mais medidas estatsticas
possa ser usada para determinar o melhor modelo (BLACK et al., 2003, apud
AKAMINE, 2005).
Nessa fase, para se testar o poder de simulao de cada tipologia, foram
utilizados os 10% dos dados separados para teste, os quais no eram conhecidos pela
rede. Procedeu-se da seguinte forma: foram mostrados apenas os dados de entrada para
a rede j treinada e validada, fazendo com que ela simulasse valores para sada. Os
resultados simulados foram comparados a partir da medida de erro escolhida.
Por se tratar de dados de VMD com amplitude entre 900 e 38.000, utilizar
uma medida de dados absolutos para comparar resultados de diferentes topologias pode
comprometer a escolha da RNA que possui melhor resultado, pois possvel que, no
processo de seleo aleatria dos dados, alguma das topologias tenha concentrado os
maiores valores de VMD no conjunto de dados de teste e outras tenham concentrado os
menores valores no mesmo conjunto de dados.
Isso significa que uma topologia que concentra dados com valores menores
pode gerar erros mdios (absolutos) com valores menores que as RNA que concentram
valores maiores. Por isso, foi escolhido o Erro Relativo Mdio (ERM)para avaliao da
qualidade das estimativas, em funo deste fornecer dados em percentuais (dados
relativos), o que possibilita comparar os resultados de erros de diferentes topologias. A
interpretao da medida : quanto menor o valor do Erro Relativo Mdio, mais precisa
ser a capacidade de previso da topologia, ou seja, menor a diferena entre o dado
observado e o dado estimado.
Mesmo optando por tal medida, preciso precauo quanto sua
interpretao, pois, por se basear numa medida de tendncia central (no caso, mdia de
valores percentuais), possvel que uma RNA que gera um ERM baixo gere tambm
valores muito dispersos.

88

Optou-se como indicador de desempenho a equao 5.3, onde a diferena


entre o dado observado e o dado simulado divididapelo dado observado em mdulo
(sempre positivo). Dessa forma, alguns valores negativos resultantes da diferena entre
dados observados e dados simulados no influenciam na mdia dos erros relativos e o
menor valor ser zero.
Na prtica, a interpretao da medida de erro encontrada : sabe-se
percentualmente a diferena entre o dado observado e o dado simulado, mas no se
consegue identificar se o erro para mais ou para menos.
5.3.6 Passo 6: Refinando a topologia escolhida
O passo seis pode foi subdivido em dois momentos. No primeiro, foram
feitos novos treinamentos, variando os valores dos parmetros momentum e taxa de
aprendizagem, porm mantendo fixo o nmero de ciclos e gerando, assim, 100
variaes de treinamento da mesma tipologia selecionada. No segundo momento, aps a
identificao da condio de treinamento com melhor desempenho, foram feitas
variaes no nmero de ciclos. O procedimento para identificar os efeitos provocados
pela variao dos parmetros na qualidade dos resultados de predio o mesmo
adotado no passo 5.
5.3.7 Passo 7: Caracterizao do erro encontrado, estatstica e espacialmente
Este passo foi realizado atravs da estatstica descritiva do erro relativo
encontrado e do grfico de disperso. Em seguida, o mesmo erro foi representado em
mapa atravs do TransCAD, para sua identificao espacial.

89

CAPTULO 6

ESTUDO DE CASO
6.1 INTRODUO
O presente captulo demonstra a aplicao da metodologia proposta no captulo
anterior para a cidade de Fortaleza, capital do estado do Cear, na regio Nordeste do
Brasil. Foi utilizada na pesquisa a mesma base cartogrfica digital que utilizada pelo
rgo responsvel pelo planejamento de trnsito de Fortaleza-AMC. Com os dados de
trfego contidos nesta base,foi possvel fazer a associao das variveis sintticas
geradas pelo mapa axial com os VMD Volumes Mdios Dirios coletados em 2003
(variveloperacional escolhida para ser simulada nomtodo).
6.1.1 A rede viria de Fortaleza e os dados a serem simulados.
A rede viria de Fortaleza possui diferentes caractersticas fsicas, operacionais
e de padres de demandas, localizadas nas mais diversas regies do Municpio (DE
PAULA, 2006), onde as mesmas so classificadas em Expressas, Arteriais, Coletoras e
Locais,porm o mesmo autor destaca como problema que a classificao viria
planejada, a qual se encontra presente na legislao municipal, no reflete o que
observado no cenrio real. Segundo DE PAULA (2006), a malha viria de Fortaleza
possua at a sua pesquisa, 3.601 km de vias arteriais implantadas segundo a Lei de Uso
do Solo representando 7% de tal malha.

Esta investigao buscou gerar estimativas para o carregamento de trfego na


malha viria de Fortaleza-CE atravs da simulao dos Volumes Mdios Dirios, a
partir dos dados obtidos de contagens de trfego em campo e pelo Controle de Trfego
em rea de Fortaleza (CTAFOR) no ano de 2003 (Figura 6.1).

90

Figura 6.1: Links com dados de VMD coletados em 2003.

Nesta pesquisaforam utilizados dados correspondentes a 391 links, alguns dos


arcos possuem dados de VMD em um nico sentido.Em alguns casos, os arcos possuem
dados nos dois sentidos da via. A mdia dos valores dos VMD de 12.935 e os dados
vo de 920 a 38.687.A distribuio de freqncia dos mesmos apresentado naFigura
6.2.

40%

35%
30%

25%
20%
15%

10%
5%

0%
5000

10000

15000

20000

25000

30000

35000

40000

Figura 6.2: Distribuio de Freqncia dos VMD de 391 links de Fortaleza.

6.2 MTODO PROPOSTO APLICADO AO ESTUDO DE CASO

6.2.1 Gerao das variveis sintticas


O aplicativo Depthmap permite que sejam geradas as variveis axiais
tradicionais (Integrao, Controle, Conectividade, etc.), bem como as variveis ASA

91

Angular Mean Depth, Angular Node Count, Angular Total Depth, Choice,e ainda
permite calcular tais variveis ponderadas conforme sugerido por TUNNER (2007).
Uma limitao encontrada no aplicativo que gera as variveis ASA em relao
varivel Choice, pois a mesma s calculada utilizando a opo Tulipa, assim reduz o
esforo computacional para calcul-la.
Foram geradas ento as variveis ASA Angular Mean Depth, Angular Node
Count, Angular Total Depth na opo Full Angular.Como a variao do Raio tornaas
possibilidades quase infinitas, estabeleceu-se um critrio iniciando com Rn, 1, 2, 3, 4, 5,
6, 7, 8, 9, 10 e em seguida, gerando-se para os raios 20, 30, 40, 50, 60, 70, 80, 90 e 100
(Tabela 6.1).Dessa forma, buscou-se observar se as variaes de raio melhoram as
correlaes com os dados de VMD em dois nveis de escala: de 1 em 1 e de 10 em 10.
Tabela 6.1: Variveis ASA Full Angular.
Full Angular (3)
Mean Depth
Node Count
Total Depth
(20)
(20)
(20)
Rn
Rn
Rn
R1
R1
R1
R2
R2
R2
R3
R3
R3
R4
R4
R4
R5
R5
R5
R6
R6
R6
R7
R7
R7
R8
R8
R8
R9
R9
R9
R10
R10
R10
R20
R20
R20
R30
R30
R30
R40
R40
R40
R50
R50
R50
R60
R60
R60
R70
R70
R70
R80
R80
R80
R90
R90
R90
R100
R100
R100

Na opo Tulipa, gerou-se a varivel Choice e como em tal opo, o aplicativo


exige que se defina o nmero de bins (que pode variar de 4 a 1024), predefiniram-se os
seguintes valores: 4, 8, 12, 16, 20, 24, 28, 32, 36, 40, 106, 208, 310, 412, 514, 616, 718,
820, 922 e 1024. Os graus correspondentes as estes valores esto dispostos conforme
Tabela 6.2 e todas as variaes foram geradas considerando Raio N.

92

Tabela 6.2: Variaes nos parmetros bins.


bins
graus
bins
Graus
90
3,40
4
106
45
1,73
8
208
30
1,16
12
310
22,5
0,87
16
412
18
0,70
20
514
15
0,58
24
616
12,86
0,50
28
718
11,25
0,44
32
820
10
0,39
36
922
9
0,35
40
1024

A escolha dos valores para bins seguiu dois critrios: o primeiro critrio foi
dividir a amplitude permitida (4 a 1024) por 10 encontrando-se os valores 4, 106, 208,
310, 412, 514, 616, 718, 820, 922 e 1024 permitindo avaliar o efeito das variaes dos
bins em toda a amplitude da escala. O segundo critrio foi considerar valores menores
de bins adotando como amplitude 4 a 40 bins dividindo-se por 10 (4, 8, 12, 16, 20, 24,
28, 32, 36 e 40) assim foi possvel avaliar os efeitos de variaes angulares mais
significativas (90, 45, 30, 22,5, etc.).
Na opo Tulipa o mesmo aplicativo ainda permite fazer variaes no nmero
de raios (como ocorre na opo Full Angular), e ainda escolher de que maneira se quer
calcular a menor distncia entre dois segmentos; se por distncia angular, mtrica e
passos. Ainda permite que a distncia entre segmentos seja multiplicada por qualquer
outra varivel (Figura 6.3).

93

Figura 6.3: Opes do Depthmap para a Anlise de Segmentos.

Como na gerao da varivel Choice considerou-se inicialmente apenas o raio N,


gerou-se tambm a mesma varivel com raios de 1 a 10 e para cada variao de raio,
variou-se o nmero de bins conforme o segundo critrio (de 4 a 40 bins).
6.2.2 Filtrando as variveis sintticas.
Apesar de se reconhecer a vulnerabilidade de se escolher uma varivel sinttica
para composio do modelo apenas pelo coeficiente de correlao (r de Pearson), o
mesmo foi utilizado conforme sugerido pela bibliografia pesquisada testando-se a
correlao das variveis ASA Full Angular(Mean Depth, Node Count e Total Depth)
com e os VMDs.Observou-se que para a varivel Angular Mean Depth o raio que
apresentou maior correlao foi R5 sendo igual -0,299; para Angular Node Count o
maior resultado foi 0,307 para R2; Angular Total Depth igual a 0,312 para R2 (Figura
6.4).
0,40
0,30
0,20

0,10
0,00
-0,10

R1

R2

R3

R4

R5

R6

R7

R8

R9

R10

-0,20

-0,30
-0,40

Mean Depth

Node Count

Total Depth

Figura 6.4: Curva que mostra as correlaes entre os VMDs e as Variveis sintticas geradas pela opo
Full Angular (variando de raio de 01 a 10).

94

O que pode ser interpretado em relao varivel Total Depth que os links
com maiores valores para R1 (Figura 6.5a) encontram-se na regio dos bairros Meireles,
Aldeota, Dionsio Torres e Joaquim Tvora (ver anexo I). Isso ocorre, pois nessa regio,
a malha viria mais ortogonal e qualquer mudana de sentido na trajetria igual ou
prximo a 90, o que no ocorre em toda a cidade.

No se pode afirmar que tal condio da malha desta rea especfica o fator
determinante para que as suas vias possuam volumes de trfego superiores a outras ruas
da cidade, mas porque tal rea resultado de um processo de expanso urbana forjado
em um planejamento que se iniciou nos anos 1970, processo este que previa uma
continuao da malha ortogonal que vinha do centro em direo ao leste. A rea citada
concentra hoje famlias de alta renda e altas densidades populacionais (ver anexo I1).
Tambm no se pode afirmar que em todas as cidades que se calcule o Total Depth, os
links que possurem os maiores valores iro concentrar os maiores volumes de trfego.

Quando se calcula a mesma varivel com R2 (Figura 6.5b), restringem-se o


nmero de vias que se destacam, as mesmas encontram-se entre a Av. Baro de Studart
e Av. Des. Moreira no sentido Norte-Sul e nos dois casos destacam-se tambm os links
da Rua Antonio Pompeu/Pe. Valdevino e Av. Santos Dumont no sentido Leste-Oeste
(ver anexo III).

Figura 6.5a: Mapa Sinttico de Fortaleza, Angular Total Depth R1

95

Figura 6.5b: Mapa Sinttico de Fortaleza, Angular Total Depth R2

medida em que se aumenta o raio, os maiores valores para tal varivel migram
para o lado Oeste da cidade (Figuras 6.5c e 6.5d), na direo dos bairros Centro,
Benfica, Parque Arax, Monte Castelo, etc. onde a malha mais contnua e no existem
limitaes naturais como o Parque do Coc e Salinas.

Figura 6.5c: Mapa Sinttico de Fortaleza, Angular Total Depth R4

96

Figura 6.5d: Mapa Sinttico de Fortaleza, Angular Total Depth R5

Por observar que as variveis Node Counte Total Depth na Figura 6.4a se
comportam de forma muito parecida, plotou-se um grfico de disperso (Figura 6.6)
entre as mesmas, calculadas com raio 2, e constatou-se que as duas possuem valor
significativo do coeficiente de determinao, isso quer dizer que possuem praticamente
o mesmo poder de explicao sendo possvel utilizar apenas uma delas na modelagem.
A escolhida foi Total Depth por se tratar de uma medida angular, diferentemente da
varivel Node Count.

3500
R = 0,988
3000

2500
2000
1500

1000
500
0

-500

1000

2000

3000

4000

5000

Figura 6.6: Grfico de disperso gerado das variveis Node Count R2 e Total Depth R2.

Ao analisar as variaes de 10 em 10 raios, observam-se variaes significativas


entre os raios 10, 20 e 30, da em diante, os valores de correlao se estabilizam (Figura

97

6.7).Essa estabilizao ocorre pois no h diferenas significativas em se calcular


qualquer uma das variveis para um raio de 30 ou para todos os links do sistema,
mesmo assim os valores das correlaes so negativos e vo de zero a -0,10. A
correlao entre a varivel Node Count e os VMD se mantm igual a zero, pois quando
se calcula tal varivel para raios grandes os valores se repetem.

0,00
-0,01

R10

R20

R30

R40

R50

R60

R70

R80

R90

R100

RN

-0,02
-0,03

-0,04
-0,05
-0,06
-0,07
-0,08
-0,09

-0,10

Mean Depth

Node Count

Total Depth

Figura 6.7: Curva que mostra as correlaes entre os VMDs e as Variveis sintticas geradas pela opo
Full Angular (variando de raio de 10 a N).

Ao analisar as correlaes entre as variaes calculadas para varivel Choice Rn,


na opo Tulipa e a soma dos VMD, a variao calculada considerando 16 bins (22,5)
obteve maior valor sendo o mesmo igual a 0,365. Variando o clculo de Choice entre 4
a 40 bins observa-se que existem mudanas significativas nos valores das correlaes
conforme Figura 6.8a onde, ao se utilizar 4 bins (90) a correlao igual a zero, pois os
valores calculados so nulos.

Na Figura 6.8b, onde est variao de 4 a 1024 no ocorre o mesmo, pois os


valores das correlaes se estabilizam entre os valores 106 a 922. Tal estabilidade
ocorre por que calcular a varivel Choice considerando cada unidade angular igual a
3,4 (para 106 bins) ou 0,39 (para 922 bins) no representa uma diferena significativa.

98

0,40
0,35
0,30
0,25
0,20
0,15
0,10
0,05
0,00

12

16

20

24

28

32

36

40

Figura 6.8a: Correlaes entre VMD e as variaes geradas para Choice Rn, de 4 a 40 bins.

0,35
0,30
0,25

0,20
0,15
0,10

0,05
0,00

106

208

310

412

514

616

718

820

922

1024

Figura 6.8b: Correlaes entre VMD e as variaes geradas para Choice Rn, de 4 a 1024 bins.

Nas correlaes entre as variaes calculadas para varivel Choice Rn, na opo
Tulipa e a soma dos VMD, o maior resultado foi encontrado em 16 bins (22,5 cada
bim) sendo este igual a 0,365. Por se tratar de uma varivel que identifica os links mais
utilizados para percorrer todas as possibilidades de menores percursos angulares entre
todos os pares de linksexistentes na cidade (no caso, raio n), o seu clculo destaca
alguns dos principais eixos virios de Fortaleza que ligam o limite leste, sul e oeste ao
centro da cidade (Figura 6.9a) vias estas que so classificadas como arteriais segundo
a LUOS 1996 (ver anexo IV).

Mais uma vez observam-se na regio do Centro/Aldeota as avenidas: Santos


Dumont, Desembargador Moreira, Duque de Caxiascomo as vias mais escolhidas por
todas as possveis rotas entre todos os pares de segmentos da malha (Figura 6.9b)

99

Figura 6.9a: Mapa Sinttico de Fortaleza, toda a cidade, Choice Rn, 16 bins

Figura 6.9b: Mapa Sinttico de Fortaleza, Choice Rn, 16 bins

Testando as correlaes entre os VMD e a varivel Choice gerada variando o


nmero de raio de 1 a 10 e o nmero de bins de 4 a 40, observou-se que os valores do
coeficiente de correlao encontrados no so superiores a 0,2, onde os maiores valores
de correlao encontrados so raio 10 (0,135) e para o bim 12 (0,129) conforme Tabela
6.3, as mesmas opes foram descartadas para composio do modelo.

100

Tabela 6.3:Correlaes variando os parmetros bins e Raio.

6.2.3 Montando a base para rvore de testes.


Escolheram-se como dados de entrada do modelo as variveis ASA: Angular
Total Depth R2, Angular Mean Depth R5 e Angular Choice Rn 16 bins a partir dos
resultados encontrados dos testes de correlao, utilizou-se o comprimento do link, pois
como j foi visto, tal medida influencia na escolha que os usurios faro em seus
trajetos.
Para reforar a idia de hierarquia viria na modelagem, agregou-se
propriedades axiais geradas a partir das vias que contm os links do conjunto amostral,
as variveis escolhidas conforme sugerido pela bibliografia revisada foram Axial
Integration Rn e Axial Choice Rn, ainda inclui-se o comprimento total da via.
Conceitualmente, as variveis sintticas entram no modelo para que a RNA identifique
os volumes de trfego a partir das relaes topolgicas entre os links havendo ento 07
variveis de entrada e 01 varivel de sada que representa o carregamento do link; a
soma dos VMD (Tabela 6.4).
Tabela 6.4: Esquema de treinamento (entradas e sada)
ENTRADA
Propriedades Axial Line Length
da via Axial Choice Rn
Axial Integration Rn
Segment Length
Propriedades Angular Choice Rn 16 bins
do link Angular Mean Depth R5
Angular Total Depth R2
SADA
Soma dos VMD

Tendo escolhidas s variveis sintticas para a composio do modelo e de posse


de dados operacionais dos links, tem-se ento a base de informaes necessrias para
proceder aos testes. Como se dispe de informaes de VMDs para 391 links, foi
divido ento, 313 dados para treino, 39 para validao e 39 para teste da topologia
treinada. Foram feitas 3 selees aleatrias para o mesmo conjunto de dados, ou seja,
trs formas diferentes de agrupar os dados em treino, validao e teste.

101

Para cada seleo aleatria foram treinadas inicialmente 2 opes de topologia, a


primeira com 8 neurnios na camada intermediria e a segunda com 15 neurnios,
conforme sugerido na bibliografia pesquisada.Todas as topologias da rvore de testes
foram feitas mantendo-se a Taxa de aprendizado em 0,6, o Momentum em 0,8 e a
quantidade de ciclos em 100 mil.
6.2.4 Anlise dos resultados da rvore de testes.
A varivel escolhida para avaliar o desempenho das diferentes topologias da
rvore de testes foi o Erro Relativo Mdio (ERM) em mdulo e calculadocomos dados
simulados por cada topologia e os 10% de dados reservados para teste.
Atravs da rvore de testes foi possvel gerar seis topologiasdiferentes (2
esquemas de treinamento e 3 selees aleatrias, conforme sugerido no captulo 5).
Comparando os valores encontrados, conforme aTabela 6.5, observa-se que na seleo
1, a topologia com 8 neurnios na camada intermediria (esquema 1) apresentou menor
ERM do que a utilizando 15 neurnios na camada intermediria (esquema 2), o mesmo
no ocorre na seleo 2 por exemplo, demonstrando que a o aumento do nmero de
neurnios na camada intermediria no garante resultados melhores.
Tabela 6.5: Resultados dos ERM gerados pelas diferentes topologias

Foi escolhida a RNA treinada pela seleo 1 e no esquema 1, e a distribuio de


freqncia dos erros relativos desta opo est disposta conforme Figura 6.10.
14

12
10
8

6
4
2

0
0,10

0,20

0,30

0,40

0,50

0,60

0,70

0,80

0,90

1,00

102

Figura 6.10: Distribuio de Freqncia do ERM para a combinao seleo 01 e esquema 01.

6.2.5 Refinando a topologia mais adequada.


Com a definio da topologia mais adequada, o refinamento foi realizado em
duas partes: na primeira foram realizados novos treinos com variaes dos parmetros
Momentum e da Taxa de Aprendizado onde os mesmos variaram de 0.1 a 0.9, mantendo
o mesmo nmero de ciclos.Novamente foram calculados ERM para cada topologia
conforme Tabela 6.6.
Tabela 6.6: Clculo da mdia dos ERM para as variaes de Momentum e Taxa de Aprendizado.

Ao calcular-se a mdia dos ERM para cada parmetro identificou-se que os


valores aumentam na medida em que se aumentam os parmetros (Tabela 6.6). Se a taxa
de aprendizado uma constante que quanto maior for seu valor maior ser a mudana
nos pesos que sero atribudos aos neurnios aps a retro-propagao do erro, entoa
mdia do ERM aumenta a medida que se aumenta a taxa de aprendizado pois valores
maiores para tal parmetro geram oscilaes no aprendizado aumentando assim o erro.
Conceitualmente o parmetro Momentum reconhece como as mudanas dos
pesos nos ciclos anteriores influenciaram no erro na sada do sinal e a sua utilidade
prtica a de reduzir as oscilaes que ocorrem para os mesmos pesos em funo do
valor utilizado para Taxa de Aprendizado menor mdia dos ERM ocorreu ao se utilizar
0,5 e 0,6 para tal parmetro.
De acordo com os resultados obtidos com a primeira fase do refinamento, a
segunda fase foi feita considerando a topologia com Taxa de Aprendizado igual a 0,3 e
Momentum igual a 0,5. Realizou-se ento, novas rodadas de treinamento variando o
nmero de ciclos para 200, 300, 400, 500, 600, 700, 800, 900 e um milho de ciclos
caracterizando assim a segunda parte do refinamento (Figura 6.11).O treinamento at
500 mil ciclos reduziu o ERM de 0,365 para 0,266 e para os demais nmeros de ciclos
no gerou melhoria significativa nos resultados.

103

0,32
0,31
0,30
0,29
0,28
0,27
0,26
0,25
0,24
1x10

2x10

3x10

4x10

5x10

6x10

7x10

8x10

9x10

10x10

Figura 6.11: Refinamento 02 - ERM em funo da variao do nmero de ciclos.

6.2.6 Caracterizao do erro encontrado na topologia escolhida.


Buscou-se visualizar de forma mais detalhada o erro relativo encontrado na
topologia considerada mais adequada, para isso, realizou-se uma distribuio de
freqncia dos erros relativos de cada par de dados observados e dados simulados
conforme Figura 6.12.
16

14
12

10
8

6
4

2
0

0,10

0,20

0,30

0,40

0,50

0,60

0,70

0,80

Figura 6.12: Distribuio de Freqncia dos erros relativos para RNA calculada no esquema 1 e na
seleo 1.

Observa-se que a topologia foi capaz de simular valores com at 10% de erro
para mais ou para menos em aproximadamente 40% dos dadosde teste.Ou seja, quase
metade dos dados a serem simulados pela RNA podem gerar erros, que apesar de
percentualmente baixos, podem influenciar uma tomada de deciso incorreta.Por
exemplo, se for considerado um link que possui valor de carregamento igual a 30.000,
um erro para mais seria superestimar o VMD em at 3.000 veculos.
Ao se construir o grfico de disperso entre os dados observados e simulados
pela topologia mais adequada, observa-se que o conjunto de dados tem pouca aderncia

104

linha de tendncia, caracterizando dados bastante dispersos.Isso se confirma atravs


do valor do coeficiente de determinao (Figura 6.13) confirmandoque neste caso, sob
estas condies e com estes conjuntos de dados, esta RNA tem baixa preciso ao prever
o carregamento virio
40000
R = 0,265

35000
30000
25000
20000
15000
10000
5000
0
0

5000

10000

15000

20000

25000

Figura 6.13: Grfico de disperso entre os VMD observados e simulados para RNA mais adequada.

Analisando espacialmente o erro relativo (Figura 6.14), observa-se que os


maiores erros encontram-se na Av. Desembargador Moreira, que classificada com via
arterial, prximo a Rua Ana Bilhar, Av Baro de Studart prximo a Av. Costa Barrose
Av. Santos Dumont, prximo a Rua Osvaldo Cruz.
O maior erro relativo encontrado est na rea norte da Av. Desembargador
Moreira, pois, topologicamente o trecho em questo mais isolado se comparado aos
trechos da mesma avenida que se encontram mais ao Sul. provvel que na rea em
questo existam tambm plos atratores/geradores de viagens que tornam o trecho mais
relevante do ponto de vista operacional. Os menores erros relativos encontram-se nos
links da Av. Pontes Vieira (limite sudoeste da chamada rea crtica).
Os erros representados na Figura 6.14 foram calculados a partir do conjunto de
dados de teste (10% do conjunto amostral) sendo que, se tais dados estivessem no grupo
de treinamento ou validao, ou treinamento, seriam observadas outras reas da cidade
com maior ou menor erro relativo.

105

Figura 6.14:Posio do Erro Relativo no mapa de Fortaleza.

6.3 EXPERINCIAS METODOLGICAS ANTERIORES.


Antes da proposta metodolgica atual, apresentada como resultado final, foram
feitas diferentes alternativas para se buscar um resultado adequado. Todos eles
consideraram dados operacionais contidos apenas na chamada rea Crtica de Fortaleza
composta por aproximadamente 4 mil links. O mapa sinttico e as variveis da SE
tambm foram geradas a partir de tal rea. O conjunto de dados foi composto por 366
links e tais alternativas geraram aproximadamente 1400 topologias diferentes,
comentadas a seguir.

Basicamente os diferentes experimentos variam na quantidade de dados de


entrada e sada, na quantidade de dados para treino, validao e teste e na estruturao
da rvore de treinamento e no indicador utilizado para checar a qualidade do
treinamento. Uma informao que comum a todos os demais experimentos foi a
utilizao do coeficiente de correlao para identificao das variveis sintticas que
compuseram o modelo. Tal teste feito considerando a soma dos VMDs. Todas as
topologias adotaram apenas uma camada intermediria e como parmetros Momentum =
0,8 e Taxa de Aprendizado = 0,6. As selees aleatrias adotadas para dados de treino,
validao e teste so respectivamente 50%, 25% e 25% dos dados existentes.

106

No experimento 01 geraram-se as mesmas variveis sintticas ASA num total de


225, construiu-se uma rvore de treinamento considerando duas sadas para os VMD
AB e BA e utilizaram-se 04 variveis sintticas na entrada e 02 variveis operacionais
(sentido de fluxo e hierarquia viria) com 13 variaes no nmero de neurnios na
camada intermediria (5 a 25), 11 variaes no nmero de ciclos (de 60 a 260) e trs
selees aleatrias para os dados de treinamento, teste e validao num total 429
topologias treinadas.
Para o experimento 2, considerou-se apenas o dado operacional de sentido da
via por considerar o que foi apontado por DE PAULA (2006), que a hierarquia da
legislao nem sempre reflete a hierarquia operacional. Testou-se diferentes quantidades
de neurnios na camada intermediria (de 3 a 10) e diferentes ciclos (1 mil a 100 mil)
num total de 123 topologias treinadas.

No experimento 3, foram utilizadas 3 selees aleatrias com 3 esquemas


diferentes de treinamento que variam a sada; 2 sadas no esquema 1 (VMD-AB e
VMD-BA), um esquema para o VMD-AB e outro para o o VMD-BA. Adotou-se 18
variaes no nmero de neurnios na camada intermediria (3 a 10 e de 15, 20, 25 at
65) num total de 162 topologias. Destas, a que apresentou maior coeficiente de
correlao foi refinada variando os parmetros Momentum e Taxa de Aprendizado
acrescentando-se mais 81 topologias treinadas.

Para o experimento 4, testou-se a simulao de dados apenas por sentido, o que


diferenciou dos experimentos anteriores que nesse caso, escolheu-se as variveis
sintticas que tiveram maior correlao com os links que possuam dados no sentido AB
e repetiu-se o mesmo para os links que possuam dados em BA. Escolheu-se as 4
melhores variveis sintticas (inputs) testadas para cada sentido independentemente e
montou-se uma rvore de treinamento com duas variaes no nmero de neurnios na
camada intermediria.

Uma variao com 5 e outra com 9 neurnios conforme frmulas sugeridas por
NIELSEN (1989) apud DA SILVA (2003) e LIPPMANN (1987) apud DA SILVA
(2003). Foram feitas, para este experimento, 3 selees aleatrias para o conjunto de

107

dados de treino, validao e teste num total de 6 topologias para cada sentido num total
de 12. Tal experimento no foi desenvolvido por apresentar resultados muito abaixo dos
anteriores.

No experimento 5, utilizou-se 6 esquemas diferentes: no primeiro esquema


utilizou-se 7 variveis de entrada sendo 3 variveis sintticas ASA, 2 variveis Axiais
escolhidas arbitrariamente (Conectividade, Integrao RN), o comprimento do link e
Mean Depth calculado no para o link mas para toda a via, reduzindo o nmero de
entradas conforme Tabela 6.7. O objetivo de acrescentar as variveis sintticas foi
mostrar s RNAs propriedades de cada link e propriedades da via a qual pertence o link.
Tabela 6.7:Variaes nos inputs da rvore do treinamento do experimento 5.

O nmero de neurnios na camada intermediria segue o mesmo raciocnio do


experimento 04. Considerou-se 3 selees aleatrias para os conjuntos de dados
totalizando 36 topologias treinadas at 100 mil ciclos. Como output das RNAs foi
utilizado a soma dos VMD. Outra particularidade deste experimento que o objetivo de
se somar os VMD foi para, depois de simulados os dados, dividir por dois os resultados
dos links que possuam os dois sentidos da via, para logo em seguida testar a correlao
com os dados observados.

At o experimento 5, a medida de erro utilizada para identificar a topologia mais


adequada foi o coeficiente de correlao que, em algumas topologias chegou at 0,9,
mas quando se gerava o grfico de disperso, visualizaram-se dados muito dispersos
alterando ento a medida para o ERM Erro Relativo Mdio para identificao da
topologia mais adequada e as propores entre os dados de Treino, Validao e Teste, a
que se passou a adotar 80%, 10% e 10% respectivamente.

Para o experimento 6 utilizaram-se apenas as trs variveis sintticas escolhidas


anteriormente como entrada adicionando-se o sentido da via e para sada adotou-se 3
esquemas diferentes; 2 sadas (VMD-AB e VMD BA), 1 sada com VMD-AB e 1 sada

108

com o VMD-BA (Cada esquema foi utilizado 03 selees aleatrias para dados de
respectivamente).

Executou-se tambm variaes no nmero de camadas intermedirias (03, 04,


05, 06, 07, 08, 09, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65) num total de 162
topologias, Neste experimento, a topologia mais adequada foi refinada variando os
valores de Momentum e Taxa de Aprendizagem de 0,1 a 0,9 acrescentando-se 81
topologias. Para esta experincia, criou-se um esquema de treinamento onde incluiu-se
como dados de entrada para RNA propriedades topolgicas, operacionais e espaciais
conforme Tabela 6.8.
Tabela 6.8: Esquemas de treinamento (entradas e sadas) experincia 6.
ENTRADA

ENTRADA

Propriedades Sintticas

ESQUEMA A

ESQUEMA B

ESQUEMA C

T514 Choice

T514 Choice

T514 Choice

Ang M Dep R3

Ang M Dep R3

Ang M Dep R3

Ang M Dep R5

Ang M Dep R5

Ang M Dep R5

Propriedades Operacionais Velocidade de Fluxo Livre AB

Velocidade de Fluxo Livre AB

Velocidade de Fluxo Livre BA


Tempo de Fluxo Livre AB

Velocidade de Fluxo Livre BA


Tempo de Fluxo Livre AB

Tempo de Fluxo Livre BA


Capacidade no sentido AB

Tempo de Fluxo Livre BA


Capacidade no sentido AB

Capacidade no sentido BA

Propriedades Espaciais

SADA

Capacidade no sentido BA

Classificao Viria do Link

Classificao Viria do Link

Classificao Viria do Link

Sentido de Fluxo do Link

Sentido de Fluxo do Link

Sentido de Fluxo do Link

Comprimento do Link

Comprimento do Link

Comprimento do Link

Coordenada no Eixo X

Coordenada no Eixo X

Coordenada no Eixo X

Coordenada no Eixo Y

Coordenada no Eixo Y

Coordenada no Eixo Y

VMD Sentido AB

VMD Sentido AB

VMD sentido BA

VMD sentido BA

Todas as topologias foram treinadas at 100 mil ciclos havendo uma segunda
fase de refinamento onde se variou o nmero de ciclos em 100, 200, 400, 600, 800 e 1
milho de ciclos onde a topologia mais adequada gerou resultados para os dois sentidos
da via conforme Figuras 6.15a e 6.15b.
DISPERSO - VMD AB

DISPERSO - VMD BA

35000

18000

30000

16000

R = 0,793

14000

25000

12000

R = 0,439

20000

10000
8000

15000

6000

10000

4000

5000

2000

0
0

5000

10000

15000

20000

25000

Figura 6.15a: Disperso entre dados simulados e


observados para o sentido AB

5000

10000

15000

20000

25000

Figura 6.15b: Disperso entre dados simulados e


observados para o sentido BA

109

Pela metodologia proposta na ltima experincia e nas suas variaes onde s


entraram como dados de inputs da RNA variveis sintticas, no h indcios suficientes
para aceitarmos a hiptese de que as variveis sintticas possam sozinhas simular os
Volumes Mdios Dirios atravs de modelos neurais.

O erro relativo encontrado no teste da topologia mais adequada do ltimo


experimento realizado inviabiliza a utilizao do mtodo proposto para uma simulao
confivel nas mesmas condies demonstradas(ou seja, com um conjunto de dados
similar aos utilizados, tanto na quantidade quanto na qualidade), pois em alguns casos, a
simulao errou em at o dobro do valor observado.

Duas possveis situaes foram identificadas na aplicao da metodologia


proposta que precisam de ateno e podem ter influenciado no resultado: A primeira
em relao associao feita entre os links do mapa sinttico e do mapa da AMC,
associao esta feita visualmente; a segunda situao que o mapa axial foi desenhado
com base na realidade de Fortaleza do ano de 2007 e que os VMD coletados
representam a realidade de 2003 (quatro anos antes).

A primeira situao ocorreu, pois na base cartogrfica da Prefeitura, existem


alguns links que so compostos por duas entidades grficas e apenas uma delas recebe
atributo operacional, enquanto que no mapa axial isso no ocorre. Recomenda-se que os
mapas sejam os mesmos e que o problema identificado no mapa da prefeitura no
exista.
Na segunda situao, teoricamente haveria mais links em 2007 que 2003 e isso
poderia alterar a hierarquia morfolgica das vias. A associao de dados operacionais de
2003 com dados sintticos de 2007 no seriam corretos. A questo que Fortaleza
possui atualmente uma malha aproximada de 60 mil links e 3,6 mil km e no se acredita
que de 2003 para 2007 tenha havido um significativo aumento da malha viria a ponto
de alterar consideravelmente as propriedades morfolgicas da malha comprometendo o
resultado do experimento.

110

CAPTULO 7

CONCLUSES E RECOMENDAES
7.1 A UTILIZAO DA SE PARA PREVISO DO CARREGAMENTO VIRIO
A afirmao de HILIER et al (1993) de que a configurao da malha viria
influencia nos movimentos coerente mas por si s no os explica pois no reconhece
as reas que demandam e ofertam viagens e por conseqncia, os desejos de viagens
dos usurios.Afirmar que configurao da malha influencia na localizao dos
atratorestambm no deixa de ser uma verdade, mas no o nico fator que
influencia na localizao dos diversos tipos de usos do solo.
Para que a morfologia urbana fosse suficiente para modelar o carregamento
virio em qualquer tipo de malha viria seria necessrio que:
a) Todos os usurios tivessem perfeito conhecimento da malha;
b) Todos optassem por rotas com menor distncia angular possvel;
d) Todos os links demandassem e ofertassem o mesmo nmero de viagens para
todos os demais links;
e) Todos os usurios da malha agissem de forma cooperativa.
Atendendo as premissas citadas, a alocao de trfego atravs da SE, poderia
sim ser comparada a alocao tradicional do tipo wardrop conforme identificado por
CYBIS et al (1996) e a varivel sinttica que talvez melhor representa-se os
movimentos seria Angular Choice.
Conforme identificado pelas pesquisas da SE, a malha viria influencia at nos
movimentos de quem no a conhece. Cabe destacar que, quanto mais os usurios tm
conhecimento da malha viria, mais a morfologia influenciar os movimentos havendo
maior correlao entre valores sintticos e volumes de usurios, por isso que a SE
mais adequada para reas pequenas onde:
a) mais fcil a compreenso da malha e a identificao de todas as possveis
rotas e;

111

b)O uso do solo mais coerente com a hierarquia morfolgica da malha.


A SE tambm mais adequada para prever os movimentos dos pedestres do que
os movimentos dos veculos, pois, no modo a p, anda-se distncias bem mais curtas
que os veculos identificando de forma mais fcil as menores rotas angulares sem
precisar se limitar a restries de sentido de fluxo da via, velocidade mdia, etc.
possvel que atravs da proposta de CAVALCANTE et al (2007),ao se agregar
propriedades de uso do solo aos links na modelagem proposta, se consigam resultados
melhores, o problema que no haveriam ganhos prticos pois, colet-los seria to ou
mais oneroso quanto realizar uma pesquisa Origem/Destino.
Recomenda-se que sejam vinculadas aos links da malha viria, as informaes
georrefenciadas contidas no diagnstico de Fortaleza-CE feito pela Prefeitura Municipal
durante a elaborao do Plano Diretor Participativo em Junho de 2006 (tipos de uso,
densidade, etc.), tais dados serviriam como inputs para o treinamento das RNA onde
acredita-se que os resultados seriam significativamente melhores.
Como tais informaes j esto em formato de mapa, s seria necessrio um
esforo computacional de vincul-las aos links sem precisar da realizao de pesquisas
de campo, deslocamento, vrios pesquisadores, tabulao dos dados, etc.

7.2 O MTODO PROPOSTO PARA GERAO E SELEO DAS VARIVEIS


SINTTICAS
A proposta apresentada de gerao das variveis angulares demonstrou-se
coerente, pois permitiu que se cobrisse um grande nmero de possibilidades tanto na
opo Full Angular, com as variaes do nmero de raios e na opo Tulipa com as
variaes no nmero de raios e tambm no nmero de bins.
Recomendam-se para trabalhos futuros, onde sejam geradas variveis sintticas
na opo Tulipa tanto calculadas a partir de distncias angulares, quanto por Steps e por
distncia mtrica. Recomenda-se tambm testar varivel Choice na opo em que a
distncia angular multiplicada pela distncia mtrica.

112

As experincias anteriores baseadas na proposta metodolgica de HILIER et al


(1987) e repetida pelos demais pesquisadores que vieram a posteriori, se baseiam em
testes de correlao atravs do r de Pearson, indicador este que no suficiente para
aceitar ou rejeitar qualquer hiptese de que a circulao ou no influenciada por
determinada varivel sinttica. necessrio que se utilize o grfico de disperso como
forma complementar ou que sejam testadas outras medidas de erro, como por exemplo,
o prprio ERM associado a uma distribuio de freqncia destes dados. Recomenda-se
para trabalhos futuros, a utilizao da tcnica de Anlise de Discriminantes para seleo
de variveis sintticas que possuem maior relevncia para modelagem.

7.3 SOBRE O MTODO MATEMTICO UTILIZADO PARA MODELAGEM


DOS DADOS
A constatao de que o experimento no atingiu o resultado desejado no
impede que o experimento seja realizado novamente considerando algumas das
limitaes do prprio aplicativo utilizado:EasyNN-Plus que no permite as alteraesno
algoritmo, na funo de ativao e nem permite o re-embaralhamento dos dados aps a
retro-propagao recomendando-se ento a utilizao de outros aplicativos de Redes
Neurais Artificiais para tal fim.
Recomenda-se tambm que sejam treinadas topologias com a opo de Taxa de
Aprendizado Decrescente, pois na medida em que a MLP vai se aproximando de um
erro menor com o passar dos ciclos de treinamento, ela tambm vai diminuindo a
diferena entre os valores dos pesos adotados no ciclo atual para o ciclo posterior.
No ter atingido o resultado esperado, mesmo utilizando a derivao da SE que
trabalha com segmentos e uma ferramenta mais robusta que a regresso para construo
de um modelo matemtico no inviabiliza a metodologia proposta, pois o nmero de
dados da amostra (391 links) utilizados para treino, validao e teste pode ser
insuficiente para tal proposta. Adicionalmente, sob a tica da qualidade da informao
utilizada possvel tambm que o conjunto amostral no represente a malha como um
todo por concentrar a maior parte dos dados na chamada rea crtica.

REFERNCIAS BIBLIOGRFICAS
AGUIAR, D. V. (2002) Alma espacial, Texto especial 121, obtido do site
www.vitruvius.com.br visitado em janeiro de 2003.
AKAMINE, A. (2005) Explorando alternativas para construo de modelos neurais de
interao espacial. Dissertao de Mestrado, EESC-USP, So Carlos, 2005.
BANDEIRA, M. I. V. L. Q. B. (2006) Metodologia de priorizao da expanso da rede
de Gs Natural com base na Sintaxe Espacial: uma aplicao no setor residencial
de Fortaleza, Dissertao de Mestrado. PETRAN Programa de Engenharia de
Transportes, UFC, Fortaleza, 2005.
BARROS, A. P. B. G., MEDEIROS, V. A. S., CAVALCANTE, A. P. H. C., SILVA, P.
C. M. e HOLANDA, F. R. B. (2005) Sintaxe Espacial como ferramenta de
definio de parmetros de hierarquia viria. Trabalho apresentado no XIX
Congresso de Pesquisa e Ensino em Transportes, Recife, PE, Brasil, novembro /
2005.
BARROS, A. P. B. G. (2006) Estudo exploratrio da sintaxe espacial como ferramenta
de alocao de trfego. Msc. thesis, Mestrado em Transportes, Universidade de
Braslia. Braslia-DF, 2006.
BATISTA, J. F. (2002) Alternativas de Redes Multimodais para o Transporte Pblico
na Zona Oeste da Regio Metropolitana de Fortaleza. Dissertao de Mestrado,
Programa de Mestrado em Engenharia de Transportes, Universidade Federal do
Cear, Fortaleza-CE, 2002.
BOCANEGRA, C. W. R. (2002) Procedimentos para tornar mais efetivo o uso de
Redes Neurais Artificiais em planejamento de transportes. Dissertao de
Mestrado. USP-So Carlos, Departamento de Engenharia de Transportes. So
Carlos-SP, 2002.
BRASIL (2006) Departamento Nacional de Infra-Estrutura de Transportes DNIT.
Diretoria de Planejamento e Pesquisa. Coordenao Geral de Estudos e Pesquisa.
Instituto de Pesquisas Rodovirias. Manual de estudos de trfego. Rio de Janeiro.
BRONDINO, N. C. M. (1999) Estudo da influncia da acessibilidade no valor de lotes
urbanos atravs do uso de Redes Neurais. Tese de doutorado. USP-So Carlos,
Departamento de Engenharia de Transportes. So Carlos-SP, 1999.
CAVALCANTE, A. P. H. C. e HOLANDA, F. R. B. (2005) Uso da sintaxe espacial na
anlise da dinmica da hierarquia viria na cidade de Fortaleza, Cear. Anais do
XIX Congresso de Pesquisa e Ensino em Transportes, Recife, PE, Brasil,
novembro / 2005.
CAVALCANTE, A. P. H. C., PAULA, F. S. M. e FRANA, D. B. (2007). Anlise do
uso do solo utilizando Sintaxe Espacial para determinao de Locais Crticos para

implantao de Plos Geradores de Trfego. Anais do XVI Congresso Brasileiro


de Transporte e Trnsito, Macei-AL, Brasil, 2007.
CYBIS, H. B. B., TURKIENICZ, B., SCLOVSKY, L. e LINDAL, A. (1996) Anlise
comparativa entre modelos configuracionais e de alocao de tfego. Anais do X
Congresso da Associao Nacional de Pesquisa e Ensino em Transportes
ANPET. Braslia-DF, 1996.
CTB (2001). Lei n 9.503 de 23/9/97. Captulo III Das Normas Gerais de Circulao e
Conduta Artigos 60 e 61. Cdigo de Trnsito Brasileiro. DENATRAN, Braslia.
DA SILVA, C. A. U. (2003) Um mtodo para estimar observveis GPS usando Redes
Neurais Artificiais. Tese de doutorado. USP-So Carlos, Departamento de
Engenharia de Transportes. So Carlos-SP, 2003.
DA SILVA, A. N. R., RAMOS, R. A. R., SOUZA, L. C. L., RODRIGUES, D. S. e
MENDES, J. F. G. (2004) SIG: uma plataforma para introduo de tcnicas
emergentes no planejamento urbano, regional e de transportes: uma ferramenta
3D para anlise ambiental urbana, avaliao multicritrio, redes neurais
artificiais. Ed. dos Autores, So Carlos, SP.
DALTON, N. (2001) Fractional configurational analysis and a solution to the
Manhattan problem. Proceedings. 3rd International Space Syntax Symposium.
Atlanta, 2001.
DE PAULA, F. S. M. (2006) Proposta de adaptao da Metodologia Hyghway
Capacity Manual 2000 para anlise de vias arteriais urbanas de Fortaleza.
Dissertao de Mestrado PETRAN, UFC, 2006.
DEVORE, J. L. (2006) Probabilidade e estatstica para Engenharia e Cincias. Ed.
Pioneira Thomson Learning Ltda., So Paulo.
FERNANDES, F. A. N., LONA, L. M. F. (2005) Neural network aplications in
polymerization processes. Brazilian Journal of Chemical Engineering. Brasil.
FIGUEIREDO, L., AMORIM, L. (2004) Continuity lines: aggregating axial lines to
predict vehicular movement patterns. In: Proceedings of the Third Great Asian
Streets Symposium. National University of Singapore, Singapore.
HAYKIN (2001) Neural Networks, A Comprehensive Foundation. Second Edition,
Pearson Education, McMaster University, Hamilton, Ontario, Canada..
HILLIER, B. PENN A., HANSON J., GRAJEWSKI T. e XU, J. (1993) Natural
movement: or, configuration and attraction in urban pedestrian movement.
Environment and Planning, Londres, Pion Publication.
HILLIER, B., BURDETT, R., PEPONIS, J. e PENN, A. (1987) Creating life: or does
architecture determine anything? Arch. & Comport./Arch., v. 3, n. 3, p. 233-250.
HILLIER, B., HANSON, J. (2001) The social logic of the space. CUP, London.

JIANG B., CLARAMUNT C. e KLARQVIST B. (2000) Integration of space sintax


into GIS for modeling urban spaces. JAG, v. II, 2000.
KROSE B., SMAGT P. V. D. (1996) An introduction to Neural Networks. The
University of Amsterdam, Amsterdam, Netherlands.
KRUGER, M. (1989) On node and axial maps: distance measures and related topics,
European Conference on the Representation and Management of Urban Change,
University of Cambridge, 1989
LAPONNI, J. C. (2005) Estatstica usando Excel. Editora Elservier, 2005, 3
Reimpresso, Rio de Janeiro-RJ.
LEMES, D, C, S, S. (2005) Gerao de anlise de cenrio futuro como instrumento do
planejamento urbano e de transportes. Dissertao de Mestrado, Universidade
Federal de Urberlncia, UFU, Programa de Ps-Graduao em Engenharia Civil,
Uberlndia-MG, 2005.
LOPES FILHO, J. I. de O. (2003) Ps-Avaliao da Previso de Demanda por
Transportes no Municpio de Fortaleza. Dissertao de Mestrado, Programa de
Mestrado de Engenharia de Transportes, Universidade Federal do Cear,
Fortaleza, CE,
LUOS (1996), Lei 7987/1997. Lei de Uso e Ocupao do Solo Prefeitura Municipal de
Fortaleza, Fortaleza-CE, 1996.
MAIA, F. V. B. (2007) Calibrao e validao de modelos de meso e microssimulao
do trfego para a avaliao de intervenes ttico-operacionais na malha viria
urbana. Dissertao de Mestrado, Programa de Mestrado em Engenharia de
Transportes, Universidade Federal do Cear, Fortaleza-CE 2007.
MEDEIROS, L. F. (2004a) Linhas de continuidade no sistema axial. Dissertao de
Mestrado em Desenvolvimento Urbano, Programa de Ps-Graduao em
Desenvolvimento Urbano, UFPE, Recife, 2004.
MON-MA, M. M. (2005) Anlise da importncia das variveis intervenientes nos
acidentes de trnsito em intersees urbanas utilizando redes neurais artificiais.
Dissertao de Mestrado. UFSCar, So Carlos, 2005.
MICHAELIS, (2008),
Dezembro/2008.

Dicionrio

Eletrnico

MICHAELIS,

acessado

em

MOREIRA. R. B. (2005) Uma contribuio para avaliao do modelo CORSIM em


simulaes de trfego urbano no Rio de Janeiro. Dissertao de Mestrado.
COPPE / UFRJ. Rio de Janeiro-RJ, 2005.
OLIVEIRA, M. V. T. (2004) A natureza dos padres de variao espao-temporal do
volume veicular em ambiente urbano: estudo de caso em Fortaleza. Fortaleza-CE.

Dissertao de Mestrado Programa de Mestrado em Engenharia de Transportes.


UFC, Fortaleza-CE, 2004.
ORTZAR, J. de D. e L. G. WILLUMSEN. (1994) Modelling Transport. John Wiley
& Sons, Chichester, England.
PENN, A. HILLIER B. BANISTER, D. e XU, J. (1998) Configurational modeling of
urban movement networks. Environment and Planning B: Planning and Design, v.
25, 1998.
PEPONIS, J., ROSS, C., RASHID, M. (1997) The Structure of Urban Space, Movement
and Co-presence: the case of Atlanta. Geoforum, v. 28, n. 3-4, Elsevier Science
Ltd.
PORTUGAL, L. S. (2005) Simulao de trfego: conceitos e tcnicas de modelagem.
Ed. Intercincia, Rio de Janeiro-RJ.
PDDU-FOR (1992), Lei No 7061/1992, Plano Diretor de Desenvolvimento Urbano de
Fortaleza, Prefeitura Municipal de Fortaleza, Fortaleza-CE, 1992.
RAIA JR, A. A. (2000) Acessibilidade e Mobilidade na estimativa de um ndice de
potencial de viagens utilizando redes neurais artificiais e sistemas de informaes
Geogrficas. Tese de doutorado. USP-So Carlos, Departamento de Engenharia
de Transportes. So Carlos-SP, 2000.
RATTI, C. (2004) Space Syntax: some inconsistencies. Evironment and Planning B:
Planning and Design, 2004, volume 31, pages 487-499.
REINKE, M. (2008) Utilizao de Redes Neurais Artificiais aplicadas a mapeamentos
hidrogeolgicos. Dissertao de Mestrado. UNISINOS, Ps-Graduao em
Geologia, Meio Ambiente e Recursos Naturais. So Leopoldo RS.
SETTI, J. R. A. (2005) Tecnologia de transportes. Universidade de So Paulo, EESCUSP, So Carlos, 2002.
SOUZA, A. P. (2003) Caminhos cotidianos, limites e possibilidades dos deslocamentos
urbanos no Cabo de Santo Agostinho-PE. Dissertao de Mestrado em
Desenvolvimento Urbano, Programa de Ps-Graduao em Desenvolvimento
Urbano, UFPE, Recife, 2003.
TURNER, A. (2000) Angular analysis: a method for the quantification of space. CASA
Centre for Advanced Spatial Analysis, UCL University College London.
London, UK.
TURNER, A. (2001) Angular analysis. In: Proceeding 3rd International Symposium on
Space Syntax, p. 30-1 a 30.11.
TURNER, A. (2004) Depthmap 4 a researchers handbook. Bartlett School of
Graduate Studies, UCL, London.
TURNER, A. (2005) Could A Road-centre Line be an Axial Line in Desguise?
University College London, UK, 2005.

TURNER, A. (2007) From axial to road-centre lines: a new representation for space
syntax and new model of route choice for transport network analysis.
Environment and Planning B: Planning and Design 2007, volume 34.
VIANA F. R., PAULA, S., ROSADO E SOUSA, D. D. M. (2007) Obteno de
volumes de trfego na malha principal de Fortaleza a partir da calibrao e
validao de um modelo de alocao de trfego. ANTP - Anais do 16 Congresso
Brasileiro de Transporte e Trnsito, outubro de 2007, Macei-AL.
WILSON, R. J. (1989) Graphs: an introductory approach: a first course in discrete
mathematics. John Wiley & Sons, Inc.
ZAMPIERE, F. L. L. (2006) Modelo estimativo de movimento de pedestres baseado em
sintaxe espacial, medidas de desempenho e redes neurais artificiais. Dissertao
de Mestrado, UFRS, Porto Alegre, RS - 2006.

ANEXOS

ANEXO I

ANEXO II

ANEXO III

ANEXO Iv