ENG 1507 A e B - Aula 3. Distribuição de Viagens

4.
Distribuição de viagens
ENG 1507
ENG 1507-TRANSPORTE E LOGÍSTICA

Aula 3: Distribuição de viagens
PROF. MARIO A.P. BITENCOURT – MAPB_130655@HOTMAIL.COM

PROF. MARIO A.P. BITENCOURT
TRANSPORTE
DEPARTAMENTO DE ENGENHARIA E LOGÍSTICA
INDUSTRIAL – ENG 1507 EM DEPARTAMENTO
– GRADUAÇÃO ENGENHARIA DE PRODUÇÃO
DE ENGENHARIA INDUSTRIAL
1
4. Distribuição de viagens
1. Modelo das 4 Etapas - Distribuição

O Modelo das 4 Etapas é um modelo de simulação do funcionamento de um sistema de transportes que
se aplica com base num Modelo da Rede de Transportes e integra as seguintes etapas:
Vou ou não vou?
Para onde vou?
Como vou?
Por onde vou?
Etapa de Distribuição de viagens (para onde viajo?) Determina o número de viagens entre cada zona de
origem e cada zona de destino (variáveis Vij) – miolo da matriz OD.

TRANSPORTE E LOGÍSTICA – ENG 1507 DEPARTAMENTO DE ENGENHARIA INDUSTRIAL
2
Etapa de Distribuição de viagens (para onde viajo?)
Determina o número de viagens entre cada zona de origem e cada zona

de destino (variáveis Vjk) – miolo da matriz OD.
Vij

3
Da Geração para a Distribuição:

j
j
1 2 3
1 2 3
1 12 14 6 32
1 32
i
i
2 32 Oi 2 14 8 10 32 Oi
3 6 10 2 18
3 18
Vij 32 32 18
32 32 18
Dj
Dj
Um modelo de geração (1ª Etapa), estima o Um modelo de distribuição (2ª Etapa),

número de viagens com origem ou destino estima para onde se dirigem as viagens
em cada zona (que motivam essas viagens). iniciadas em cada zona, e/ou onde tiveram
origem as viagens que se sabe seu destino
Com este modelo conhecemos uma ou numa zona.
ambas as bordas da matriz O/D.
Com este modelo preenche-se o miolo da
matriz.

4
Características:
• Tipos de Modelos de distribuição
- Modelos Agregados: baseiam-se em dados da zona de tráfego. São os mais utilizados.
- Modelos Desagregados: baseiam-se no indivíduo. Reproduzem o processo de escolha de
um destino por cada indivíduo. Estes modelos estão ainda em fase de estudo e
aperfeiçoamento devido à complexidade dos mesmos.
• Separação de Viagens por motivos
Para se obter uma relação lógica entre elementos que produzem e elementos que atraem o
ideal seria separar as viagens por motivos, a fim de modelar adequadamente relações O/D.
Quanto mais detalhada for a definição do motivo de viagens tanto mais exata será a definição
dos equipamentos (destinos) em questão. Existe no entanto uma contradição entre a
necessidade de detalhar a especificação do motivo de viagem e de equipamentos por um
lado e a disponibilidade de dados atuais e futuros correspondentes a tal grau de detalhe.
• Tamanho das Zonas de Tráfego
O tamanho das zonas de influencia na maior ou menor capacidade maior ou menor
capacidade para fornecer dados para o planejamento do transporte urbano. Alguns conceitos
sobre o levantamento dos dados para o planejamento da rede vem se alterando ao longo dos
últimos 30 anos. O que antes se desprezava, por exemplo as viagens intrazonais, hoje elas
assumem importância pelo incentivo aos modais ativos e ao adensamento do uso do solo
misto em regiões próximas ao embarque/desembarque do transporte de massa.
5
Antes de passar para a etapa de distribuição de viagens, há a necessidade de se obter a

relação de que o somatório das viagens originadas é igual ao somatório das viagens
destinadas, também no futuro. Os modelos de geração de viagens devem ajustar seus
valores de borda da Matriz O/D futura para respeitar essa igualdade. Só a partir deste
ajuste é possível determinar os deslocamentos interzonais futuros.
Como já foi observado é padrão representar as viagens de uma área de estudo por uma
matriz bidimensional, onde cada célula representa o deslocamento entre cada zona
desta área e até mesmo deslocamentos para zonas externas.
É importante apresentar algumas definições e notificações que serão

usadas nas diversas modelagens da etapa de distribuição de viagens.

6
O/D 1 2 ... j ... z ෍ 𝑉𝑖𝑗

𝑗
1 𝑉11 𝑉12 𝑉1𝑗 𝑉1𝑧 𝑂1

෍ 𝑉𝑖𝑗 = 𝑂𝑖
2 𝑉21 𝑉22 𝑉2𝑗 𝑉2𝑧 𝑂2
𝑗
3 𝑉31 𝑉32 𝑉3𝑗 𝑉3𝑧 𝑂3
෍ 𝑉𝑖𝑗 = 𝐷𝑗 ... …
𝑖 i 𝑉𝑖1 𝑉𝑖2 𝑉𝑖𝑗 𝑉𝑖𝑧 𝑂𝑖
... …
෍ 𝑉𝑖𝑗 = 𝑇 z 𝑉𝑧1 𝑉𝑧2 𝑉𝑧𝑗 𝑉𝑧𝑧 𝑂𝑧
𝑖𝑗
෍ 𝑽𝒊𝒋 𝐷1 𝐷2 … 𝐷𝑗 … 𝐷𝑧 σ𝑖𝑗 𝑉𝑖𝑗 =T

𝒊
෍ 𝑉𝑖𝑗 = 𝑇 = ෍ 𝑂𝑖 = ෍ 𝐷𝑗
𝑖𝑗 𝑖 𝑗
7
෍ 𝑉𝑖𝑗 = 𝑂𝑖 ෍ 𝑉𝑖𝑗 = 𝐷𝑗 ෍ 𝑉𝑖𝑗 = 𝑇

𝑗 𝑖 𝑖𝑗
(1) (2) (3)
Essas três igualdades estarão sempre presentes na etapa de distribuição. A

igualdade (3) pode ser também representada como:
෍ 𝑉𝑖𝑗 = 𝑇 = ෍ 𝑂𝑖 = ෍ 𝐷𝑗
𝑖𝑗 𝑖 𝑗
Para representar um ano base – ano de pesquisa de matriz O/D, utiliza-se o
expoente 0 e para o ano futuro de projeção, utiliza-se o expoente N. Desse
modo tem-se como exemplo:
𝑂10 Total de viagens originadas da zona 1 no ano-base
𝐷3𝑁 Total de viagens destinadas para a zona 3 no ano futuro N.

8
Pesquisa de Origem e Destino atual
V110 v0 ... v10j n n
 v  Oi  ij  D j
12
0 0
0 v
V  
v ij
0 21 j 1 e i 1
0
0 0 0 ෍ 𝑣𝑖𝑗 =𝑇
v i1
v i2
v ij 𝑖𝑗
Futuro (ano N):
n n Através da 1ª etapa
 j 1
VijN  OiN
 VijN  D N
j Geração de Viagens
i 1
e N N
... v1Nj
v11
v12
෍ 𝑉𝑖𝑗 = 𝑇 𝑁
𝑖𝑗
 
N
V 
N
v21
:
:
:
:
:
:
:
O que precisamos obter? viN viN2 ... vijN
1
9
O-D 1 2 3 Oi0 OiN

1 * * * 286 350
2 * * * 240 250
3 * * * 189 275
D 0j 400 257 58 715
DN
j 429 309 137 875
Total de viagens originadas e destinadas atuais
Modelo de geração de Viagens (valores futuros)
*
Modelo de Distribuição de Viagens (valores futuros)

10
Métodos
1) Fator de crescimento ou de expansão

Os modelos de fatores de crescimento baseiam-se na suposição de que o padrão
atual de viagem pode ser projetado no futuro, usando-se valores previstos da
taxa zonal de crescimento. Não envolvem relações causais específicas (BRUTON,
1979).
Métodos iterativos de ajustamento:

1.1. Método do Fator Médio de Crescimento
1.2. Método de Detroit
1.3. Método de Fratar
1.4. Método de Furness

11
Métodos
2) Sintéticos
Antes que os padrões de viagens futuras possam ser previstos, deve-se entender os
fatos que causam os movimentos. As relações causais que fornecem os padrões de
movimento podem ser melhor entendidas, se elas forem consideradas semelhantes
a certas leis de comportamento físico (BRUTON, 1979).
•Potencial atraído de cada zona: Viagens Originadas
Pessoas potencialmente dispostas a exercer a atividade
COMPONENTES • Potencial de atração para uma zona : Viagens Atraídas.

BÁSICOS: Oportunidades ou equipamentos específicos para exercer
a atividade
• Fatores de resistência ao deslocamento (impedância):

tempo de viagem, distância, custo, etc
• Modelos Gravitacionais
- Sem restrições
- Com restrições
12
Podemos estimar a matriz OD (Tjk) através de:
• Estimação direta (explicado na etapa da Geração) – Fazem-se pesquisas origem-destino, em que se
entrevistam as pessoas procurando saber de onde vêm e para onde vão, permitindo estimar cada
célula da matriz (miolo) assim como os totais de viagens geradas/atraídas por cada zona (bordas).
• Estimação indireta usando modelos sintéticos (gravitacionais) – A matriz é estimada através de

indicadores do número de viagens e do custo de viajar entre cada par de zonas. Não é tão realista
como um inquérito OD completo, mas é incomparavelmente mais barato e mais rápido e na maior
parte dos casos o modelo consegue reproduzir suficientemente bem essa realidade.
- Precisa de uma pesquisa mais curta que permita aferir a impedância na distribuição de
viagens;
- Permite obter uma relação de acessibilidade com distribuição de viagens.
13
Modelos à base do Fator de Crescimento

Estes modelos procuram ajustar a matriz O/D atual aos valores futuros de geração e atração de
viagens de cada zona para o ano de projeção.
Dados de input:
• Matriz O/D atual
• Estimativa dos valores futuros de viagens geradas, 𝑂𝑖 , e atraídas, 𝐷𝑗 .
• Grau de rigor das aproximações.
Matriz O/D Ano 0 Exemplo
𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝑂/𝐷 0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊
0 0
1 𝑉11 𝑉12 0
𝑉13 𝑂10 𝑶𝑵
𝟏 1 100 210 290 600 1057
0 0
2 𝑉21 𝑉22 0
𝑉23 𝑂20 𝑶𝑵
𝟐 2 150 200 210 560 818
0 0 0
3 𝑉31 𝑉32 𝑉33 𝑂30 𝑶𝑵
𝟑 3 400 490 200 1090 889
𝐷𝑗0 𝐷10 𝐷20 𝐷30 𝑇0 𝐷𝑗0 650 900 700 2250
𝑫𝑵
𝒋 𝑫𝑵
𝟏 𝑫𝑵
𝟐 𝑫𝑵
𝟑 𝑇𝑁 𝑫𝑵
𝒋 684 822 1258 2764

14
Fator de Crescimento Matriz atual
pesquisa o-d
O/D 1 2 3 O0i ONi
1 100 210 290 600 1057
2 150 200 210 560 818
3 400 490 200 1090 889

Determinados
D0j 650 900 700 2250 na 1ª etapa
geração/atraçã
DNj 684 822 1258 2764 o de viagens

15
O Método Iterativo como solução
V ij
Método iterativo é um processo que produz
soluções aproximadas que melhoram a cada
n iterações iteração executada. A implementação de um
até alcançar Método de método iterativo inclui um algoritmo iterativo e
o grau de fator de um critério de parada das iterações. O método
crescimento iterativo é considerado convergente, quando a
exigência sequência de iterações converge para o critério
estabelecido de parada. É um procedimento
bastante usado em matemática computacional
para heurísticas.
VijN
No nosso caso, o processo se repete diversas vezes para se chegar a um resultado mais próximo
possível dos valores obtidos na etapa de geração de viagens. Em cada iteração usa-se os resultados
parciais da iteração anterior. O processo se encerra ao alcançar um grau de exigência (erro em relação
aos valores da geração de viagem).
Geralmente o grau de exigência é um percentual absoluto ou relativo da relação que existe entre o
total das viagens originadas de cada zona futuro e atual e/ou entre o total das viagens destinadas de
cada zona futuro e atual.

16
Fator de crescimento da
𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝒇𝒊 geração:
1 100 210 290 600 1057 1.76
2 1.46 𝑂𝑖𝑁
150 200 210 560 818 𝑓𝑖 = ൘ 0
𝑂𝑖
3 400 490 200 1090 889 0.82
𝐷𝑗0 Fator de crescimento da
650 900 700 2250
𝑫𝑵 atração:
𝒋 684 822 1258 2764
𝒇𝒋 1.05 0.91 1.80 m=1.23 𝐷𝑗𝑁
𝑓𝑗 = ൘ 0
𝐷𝑗
𝑶𝟎𝒊 : viagens originadas na zona 𝑖 no ano base.
𝑶𝑵
𝒊 : viagens originadas na zona 𝑖 no ano Fator de crescimento do total
horizonte.
de viagens:
𝑫𝟎𝒋 : viagens atraídas para a zona 𝑖 no ano base.
𝑇𝑁
𝑫𝑵
𝒋 : viagens atraídas para a zona 𝑖 no ano 𝑚= 0
𝑇
horizonte.
17
1.1. Métodos Iterativos de Aproximação: Fator de Crescimento Médio
Quadro Inicial Iteração 8
𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝒇𝒊 𝑂/𝐷0 1 2 3 𝑂𝑖𝐼𝑇𝐸 𝑶𝑵
𝒊 𝒇𝒊
1 100 210 290 600 1057 1.76 1 158 278 620 1056 1057 1.00
2 150 200 210 560 818 1.46 2 201 224 393 818 818 1.00
3 400 490 200 1090 889 0.82 3 324 321 246 890 889 1.00
𝐷𝑗0 650 900 700 2250 𝐷𝑗𝐼𝑇𝐸 683 822 1259 2764
𝑫𝑵
𝒋 684 822 1258 2764 𝑫𝑵
𝒋 684 822 1258 2764
𝒇𝒋 1.05 0.91 1.80 1.23 𝒇𝒋 1.00 1.00 1.00 1.00
Iteração 1
1.76 + 0.91
𝑂/𝐷 0 1 2 3 𝑂𝑖𝐼𝑇𝐸 𝑶𝑵
𝒊 𝒇𝒊 𝑉12 = 210 × = 281
2
1 141 281 516 938 1057 1.13
2 188 237 342 768 818 1.07
3 374 424 261 1058 889 0.84 𝑉𝑖𝑗𝑛 = 𝐹𝑖𝑗𝑛−1 𝑉𝑖𝑗𝑛−1
𝐷𝑗𝐼𝑇𝐸 703 942 1119 2764
𝑫𝑵
𝒋 684 822 1258 2764
𝑓𝑖 + 𝑓𝑗
𝐹𝑖𝑗 =
𝒇𝒋 0.97 0.87 1.12 1.00 2
18
𝑝 𝑝−1 𝑝−1
Numa iteração p 𝑉𝑖𝑗 = 𝐹𝑖𝑗 𝑉𝑖𝑗
𝑝−1 𝑝−1
𝑓𝑖 + 𝑓𝑗
𝐹𝑖𝑗 =
Esquema mnemônico 2
O/D 1 2 3 O0i On i f0i
1
2
3
D0j
DNj
f0j

19
1.2. Métodos Iterativos de Aproximação: DETROIT
Quadro Inicial Iteração 8
𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝒇𝒊 𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝒇𝒊
1 100 210 290 600 1057 1.76 1 155 269 633 1058 1057 1.00
2 150 200 210 560 818 1.46 2 201 221 396 818 818 1.00
3 400 490 200 1090 889 0.82 3 327 331 230 888 889 1.00
𝐷𝑗0 650 900 700 2250 𝐷𝑗0 683 822 1259 2764
𝑫𝑵
𝒋 684 822 1258 2764 𝑫𝑵
𝒋 684 822 1258 2764
𝒇𝒋 1.05 0.91 1.80 1.23 𝒇𝒋 1.00 1.00 1.00 1.00
Iteração 1
1.76 × 0.91
𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝒇𝒊 𝑉12 = 210 × = 275
1 0.90
1.23
151 275 747 1173 1057
2 188 217 449 854 818 0.96
3 279 297 239 815 889 1.09 𝑉𝑖𝑗𝑛 = 𝐹𝑖𝑗𝑛−1 𝑉𝑖𝑗𝑛−1
𝐷𝑗0 618 789 1435 2842 𝑝−1 𝑝−1
𝑫𝑵
𝒋 684 822 1258 2764 (𝑝) 𝑓
𝑝−1 𝑖
𝑓𝑗
𝑉𝑖𝑗 = 𝑉𝑖𝑗
𝒇𝒋 1.11 1.04 0.88 0.97 𝑚𝑝−1
20
f i p 1. f jp 1
Numa iteração p Vij( p )  Vij( p 1) . p 1
m
Esquema mnemônico
O/D 1 2 3 O0i On i f0i

1
2
3
D0j
DNj
f0j m

21
Exercício:
Método Detroit
Calcule o valor da primeira iteração para as células (2,1),(2,3) e (3,1) da matriz
dada em aula.
O/D 1 2 3Oi Oi
1 280 510 790 810
2 260 500 760 900
3 320 400 720 790
Dj 580 680 1010 2270
Dj 610 750 1140 1600 2500
f i 0 . f j0
Vij1  Vij0 .
m0

22
1.3. Métodos Iterativos de Aproximação: FRATAR Quadro Inicial
𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝒇𝒊
1 100 210 290 600 1057 1.76
Matrizes Assimétricas 2 150 200 210 560 818 1.46
3 400 490 200 1090 889 0.82
𝐷𝑗0 650 900 700 2250
𝑫𝑵
𝒋 684 822 1258 2764
𝒇𝒋 1.05 0.91 1.80 1.23
Iteração 1
Matrizes Simétricas 𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝒇𝒊
1 172 281 855 1308 1057 0.81
OiN
Vijp  Vijp 1. f jp 1. n
2 204 209 500 913 818 0.90
 ij j
p 1 p 1 3 256 237 243 736 889 1.21
V . f
k 1
𝐷𝑗0 632 728 1598 2958
𝑫𝑵
𝒋 684 822 1258 2764
𝒇𝒋 1.08 1.13 0.79 0.93
1.76+0.91 1057 822
𝐹12 = 210 × × × =281
2 100×1.05+210×0.91+290×1.80 210×1.76+200×1.46+490×0.82

24
Um exemplo: Matrizes simétricas
O/D 1 2 3 4
1 250 290 234 774 O/D 1 2 3 O0i Oni o0i
2 250 490 240 980
3 290 490 125 905
1
4 234 240 125 599 2
𝐷𝑗0 774 980 905 599 3258
3
D0j
Esquema Fratar assimétrico DNj

d0j m

25
1.4. Métodos Iterativos de Aproximação: FURNESS BIDIMENSIONAL
Quadro Inicial 1º Passo: utilizar os fatores de crescimento
𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝒇𝒊 de geração, 𝑓𝑖
1 100 210 290 600 1057 1.76
𝑽𝒏𝒊𝒋 = 𝒇𝒏−𝟏
𝒊 𝑽𝒏−𝟏
𝒊𝒋
2 150 200 210 560 818 1.46
3 400 490 200 1090 889 0.82 2º Passo: utilizar os fatores de crescimento
𝐷𝑗0 650 900 700 2250 de atração, 𝑓𝑗
𝑫𝑵
𝒋 684 822 1258 2764
𝑽𝒏𝒊𝒋 = 𝒇𝒏−𝟏
𝒋 𝑽𝒏−𝟏
𝒊𝒋
𝒇𝒋 1.05 0.91 1.80 1.23
Iteração nas linhas Iteração nas colunas
𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝒇𝒊 𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝒇𝒊
1 176 370 511 1057 1057 1.00 1 167 286 655 1109 1057 0.95
2 219 292 307 818 818 1.00 2 208 226 393 827 818 0.99
3 326 400 163 889 889 1.00 3 309 309 209 828 889 1.07
𝐷𝑗0 722 1062 981 2764 𝐷𝑗0 684 822 1258 2764
𝑫𝑵
𝒋 684 822 1258 2764 𝑫𝑵
𝒋 684 822 1258 2764
𝒇𝒋 0.95 0.77 1.28 1.00 𝒇𝒋 1.00 1.00 1.00 1.00

26
Esquema mnemônico
Furness: Iteração nas linhas.
Esquema mnemônico
Furness: Iteração nas colunas.

27
Exercício:
Método Furness-bi - Calcule o valor da primeira iteração das linhas e colunas da matriz
dada em aula.
O/D 1 2 3 Oi Oi
1 300 510 810 900
2 290 510 800 1000
3 320 620 940 1040
Dj 610 920 1020 2550
Dj 750 980 1210 1600 2940

28
Resposta:
O/D 1 2 3Oi Oi o0
1- 333 567 900 900 1,00
2 363- 638 1000 1000 1,00
Linhas 3 354 686- 1040 1040 1,00
Dj 717 1019 1204 2940
Dj 750 980 1210 2940
d0 1,05 0,96 1,00 1,00
O/D 1 2 3Oi Oi o0
1- 320 569 890 900 1,01
2 379- 641 1020 1000 0,98
Colunas
3 371 660- 1030 1040 1,01
Dj 750 980 1210 2940
Dj 750 980 1210 2940
d0 1,00 1,00 1,00 1,00
29
Exemplo: Crescimento médio, Detroit, Fratar e Furness

30
Grau de exigência para os métodos por fatores de

crescimento
TESTE
OiN
Se n
1 e DN
j então
1
 Vijp n
j 1 
i 1
Vijp
Pare
Senão
p=p+1
volte para o 1° passo
Fim se

31
Vantagens e Limitações dos métodos “Fator de

Crescimento”
Os Métodos “fator de crescimento ou expansão” são razoáveis para
horizontes de planejamento de curto prazo ou quando não são esperadas
mudanças na infraestrutura de transporte da região. Geralmente esses
métodos requerem a mesma base de dados que os métodos sintéticos, que
serão vistos a seguir. Dessa forma esses métodos são fortemente
dependentes da precisão obtida nas pesquisas de matriz O/D do ano-base.
Erros nos dados observados certamente serão amplificados com o uso
desses métodos. Assim sendo, esses métodos não devem ser aplicados em
matrizes parcialmente observadas.
Esses métodos também não consideram as alterações que ocorrerão nos
custos de transporte, devido aos melhoramentos que serão implantados na
rede de tráfego.

32
RESUMO
Vantagens:
• Fácil aplicabilidade e entendimento;
• Baseado em métodos iterativos que garantem uma solução com certo grau de erro definido pelo
analista;
• As taxas ou fatores de crescimento têm como fonte normalmente dados oficiais;
• A matriz estimada conserva os padrões de viagens produzidas e destinadas por zona.
Desvantagens:
• Não é recomendado para estimações de longo prazo;
• Os custos da pesquisa para obtenção dos dados das viagens costumam ser caros;
• Se a matriz OD base obtida da pesquisa contém células vazias, então, isso implica que a matriz
estimada terá células vazias também;
• Não considera as possíveis mudanças no tempo ( ou no período que vai ser estimada a matriz OD)
na rede viária e nem os custos de operação.

33
“Uma Visão crítica dos métodos de distribuição de viagens”,

Santos , F.L.P.N.

34
2. Métodos Sintéticos
Modelo Gravitacionais de distribuição de viagens
Baseiam-se na Lei de Newton: “a força de atração entre dois corpos é diretamente proporcional ao
produto das massas dos dois corpos e inversamente proporcional ao quadrado das distâncias entre
eles”.
Há várias formas de modelo gravitacional:
Sem restrições – Usam-se indicadores do número de viagens geradas e atraídas por cada zona,
como a população ou o emprego, para estimar as viagens entre cada par OD, tendo como
referência uma pesquisa de viagens para alguns pares OD e as distâncias ou tempos de viagens
entre essas zonas. Não requer o passo da Geração (onde obtemos 𝑂𝑗 e 𝐷𝑘 ).
Uma restrição – Queremos que Oj ou Dk seja cumprida, apenas uma das bordas, sendo que a
outra borda fica independente;
Duplamente restringido – Queremos que Oj e Dk sejam cumpridas, ou seja, ambas as bordas
da matriz OD devem ser exatamente iguais aos valores estimados no módulo de geração;
A vantagem deste modelo em relação aos outros é que nele se considera, além da atração, o efeito
da separação espacial ou facilidade de interação entre as regiões definida pela função de impedância.

35
O modelo  A taxa de geração de viagens na zona i é

gravitacional se proporcional à sua massa, no caso medida
baseia, por analogia, através de uma variável tipo população,
na Lei Gravitacional emprego, produção agrícola etc.
de Newton.  A taxa de atração de viagens pela zona j deve
também ser proporcional à sua massa,
podendo essa variável ser representada pela
população, pelo número de empregos etc.
 Admite-se que o número de viagens entre
suas zonas diminui com o afastamento
𝑑𝐶𝐸 (ponderado) entre elas. Na lei clássica de
Newton, o fenômeno físico é determinístico e
a resistência à atração de duas massas é dada
pelo quadrado da distância entre as massas.

36
COMPONENTES BÁSICOS:
• Potencial atraído de cada zona: Viagens Originadas
Pessoas potencialmente dispostas a exercer a atividade
• Potencial de atração para uma zona : Viagens Atraídas.
Oportunidades ou equipamentos específicos para exercer a
atividade
• Fatores de resistência ao deslocamento:
(tempo de viagem, distância, custo, etc)
Ilustração do modelo
gravitacional:
Rio de Janeiro e São Paulo estão a 430 km
uma da outra, mas há mais viagens entre
elas do que entre Rio de Janeiro e Juiz de
Fora, cuja distância é de apenas 180 km.

37
Então, as primeiras fórmulas usadas para a etapa de distribuição de viagens
eram análogas à de Newton.
𝐾𝑃𝑖 𝑃𝑗
𝑉𝑖𝑗 = 2 (Casey-1955)
𝑑𝑖𝑗
Onde Pi e Pj eram as populações das zona i e j respectivamente, dij a
distância entre as zonas e K um fator de proporcionalidade. A partir daí
houve um relaxamento nas premissas e, ao invés de variáveis proporcionais
às geração e atração de viagens, os planejadores passaram a usar o total de
viagens originadas e destinadas e uma potência n, a ser calibrada, para as
distâncias.
Novas atualizações ao modelo foram desenvolvidas:
𝑉𝑖𝑗 = 𝐾𝑂𝑖 𝐷𝑗 f(𝑐𝑖𝑗 )

Onde f(𝑐𝑖𝑗 ) é uma função generalizada de custos.

38
Modelo Gravitacional
Fator de resistência ou impedância à

viagem entre i e j
f(𝑐𝑖𝑗 )
O custo generalizado pode englobar variáveis tais como: tempo gasto

dentro do veículo, tempo total de esperas e transferências, acessibilidade,
custo direto de viagem (¨out-of-pocket”) etc.
39
Custos generalizados de viagens:

par
Cij  a1tij  a2tij  a3tij  a4tijtrans  a5Fij  a6Ter  
v w
v
tij Tempo de viagem no veículo
tijw Tempo de espera pelo veículo
tijpar Tempo em paradas
tijtrans Tempo em transbordos
Fij Tarifa do Transporte
Ter Custo em terminais
 Custo em segurança, conforto, confiabilidade etc

40
A distribuição do número de viagens em função da sua impedância não segue
uma função exponencial ou potencia perfeitas e portanto o modelo traduz mal
as viagens de proximidade.
Se colocarmos f(Cjj)como 0, já que as

viagens de uma zona para ela mesma
são consideradas como tendo origem e
destino no mesmo nó centróide,
estaremos sobredimensionando esse
número de viagens, o que não coincide
com a realidade.
Baseado em (Ortuzar, Willumsen, 2001)
Por vezes o que fazemos nestes casos é considerar a impedância como um valor
muito alto (99999), evitando que sejam distribuídas viagens intra-zonais.

41
Exercício de aplicação do modelo não restringido

Determine a matriz origem-destino para as viagens em automóvel na região apresentada
com base na informação sobre população, emprego e tráfego disponibilizada. Admita
que o padrão de deslocamentos segue um modelo gravitacional da forma:
População Emprego
Centro
Pj .Ek (milhares) (milhares)
T jk   
A 37.1 13.2
t jk B 139.1 70.8
C 13.0 4.2
D 61.6 24.2
A
E 26.4 9.0
H
G F 21.7 7.2
4
12 18
Tráfego
Origem Destino
21 Velocidades
(VLE/período)
I
21 (km/h) B A 602
17
7 B C 1208
5 B B D 1842
120
16 J
B E 1139
13 80
E B F 727
D 20 60
A B 1911
C 50
Distâncias em km 14 C B 3243
D B 2197
F E B 1442
F B 1024

42
Que parâmetro vamos utilizar como fator de

massa para a geração de viagens?
E para a atração?

43
Resolução – vamos recorrer à regressão linear

Calibração do Modelo
Pj .Ek  T jk 
1. Precisamos de uma expressão linear! T jk    ln    ln   β ln t jk
t jk
β  P .E 
Temos de “logaritmizar” a expressão de  j k 
Newton y  a b x
2. Converter os dados para a expressão transformada usando o excel.
Origem Destino ln(Tjk/(Pj*Ek)) ln(tjk)

B A -1.11515 3.044522
Matriz de tempos de viagem (minutos) B C 0.726444 2.302585
B D -0.60294 3.465736
A B C D E F B E -0.09451 3.178054
A 99999 21 31 35 31 42 B F -0.32035 3.044522
B 21 99999 10 32 24 21 A B -0.31809 3.044522
C 31 10 99999 42 34 11 C B 1.259446 2.302585
D 35 32 42 99999 8 32 D B -0.68567 3.465736
E 31 24 8 8 99999 24 E B -0.25944 3.178054
F 42 21 32 32 24 99999 F B -0.4057 3.044522

44
1,5
1
Interseção na origem:
0,5 y = -1,4427x + 4,1566 Ln ( )=a=4.157 =>   e^4.157 = 63.88
R² = 0,7141
0
Declive:
2 2,2 2,4 2,6 2,8 3 3,2 3,4 3,6
-0,5
𝛽 =-b=-(-1.4427)=1.4427
-1 Coeficiente de determinação:
R2 = 0.7141 (71%)
-1,5
Pj .Ek  T jk 
T jk    ln    ln   β ln t jk Pj  Ek
t jk
β  P .E  T jk  63.88
 j k  t jk 1.4427
y  a b x

45
2º Cálculo da Matriz O/D – Determinam-se as viagens célula a célula:
PA  EB
TA, B  63.88 1.4427
t A,B
37.1 70.8
 63.88 1.4427
 2076
21
TA,C  (...)
Excel

46
MODELO GRAVITACIONAL
Pi .E j Calibração por regressão linear simples

Exemplo : Vij  K 
d ij
Vij : Viagens de i para j;
Pi : Potencial de elementos atraídos da zona i (população);

Ej : Potencial de atração da zona j (num. de empregos);
K : Constante de Proporcionalidade;
dij : Fator de resistência à viagem entre i e j (distância);
Podemos calibrar esse modelo através de regressão, aplicando logaritmos à expressão.

Desse modo, temos:
𝑉𝑖𝑗 𝐾
= = 𝑔𝑖𝑗 𝐿𝑜𝑔𝑔𝑖𝑗 = 𝑙𝑜𝑔𝐾 − 𝛽𝑙𝑜𝑔𝑑𝑖𝑗
𝑃𝑖 𝐸𝑗 𝑑 𝛽
𝑖𝑗

47
Dados sobre distância, população e emprego
Zona Distância inter e intrazonal (Km) População

i\j 1 2 3 4 5 Pi
1 1,6 4,5 7,0 4,5 8,8 12826
2 4,5 1,2 4,1 7,0 11,7 67457
Vamos analisar uma 3 7,0 4,1 1,2 11,1 15,8 52374
região dividida em 5 zonas 4 4,5 7,0 11,1 1,4 4,7 119064
de tráfego. 5 8,8 11,7 15,8 4,7 1,3 61023
Num. De
38054 5599 2404 15450 4183
empregos Ej
Viagens diárias Vij
Zona
i\j 1 2 3 4 5 Oi
1 43927 1456 314 3754 365 49816
2 47219 45437 3326 11651 1396 109029
3 19151 7218 16907 4150 591 48017
4 84116 6665 1355 181585 8285 282006
5 16664 1623 484 19574 31162 69507
Dj 211077 62399 22386 220714 41799

48
x y
Valores de gij=Vij/PiEj LN(dij) LN(gij)
Zona 0,5 -9,32E+00
i\j 1 2 3 4 5 1,5 -1,09E+01
1,9 -1,16E+01
1 9,00E-05 2,03E-05 1,02E-05 1,89E-05 6,80E-06 1,5 -1,09E+01
2 1,84E-05 1,20E-04 2,05E-05 1,12E-05 4,95E-06 2,2 -1,18E+01
1,5 -1,08E+01
3 9,61E-06 2,46E-05 1,34E-04 5,13E-06 2,70E-06 0,2 -9,03E+00
1,4 -1,06E+01
4 1,86E-05 1,00E-05 4,73E-06 9,87E-05 1,66E-05 1,9 -1,15E+01
5 7,18E-06 4,75E-06 3,30E-06 2,08E-05 1,22E-04 2,5 -1,23E+01
1,9 -1,15E+01
1,4 -1,08E+01
0,2 -8,92E+00
2,4 -1,23E+01
2,8 -1,26E+01
ln𝑔𝑖𝑗 = 𝑙𝑛𝐾 − 𝛽𝑙𝑛𝑑𝑖𝑗 1,5 -1,09E+01
1,9 -1,14E+01
2,4 -1,22E+01
0,3 -9,22E+00
1,5 -1,08E+01
2,2 -1,19E+01
A calibração do modelo é feita por meio de regressão 2,5 -1,22E+01
simples. No caso podemos usar a linha de tendência ou 2,8 -1,28E+01
1,5 -1,10E+01
ANOVA no excel 0,3 -9,01E+00

49
𝐿𝑜𝑔𝑔𝑖𝑗 = 𝑙𝑜𝑔𝐾 − 𝛽𝑙𝑜𝑔𝑑𝑖𝑗
0,00E+00
0,0 0,5 1,0 1,5 2,0 2,5 3,0
-2,00E+00
-4,00E+00
y = -1,4608x - 8,6678
-6,00E+00
R² = 0,9966
LN(gij)
-8,00E+00
-1,00E+01
-1,20E+01
-1,40E+01
LN(dij)
𝐿𝑁𝑔𝑖𝑗 = −8,6678 − 1,4608𝐿𝑁𝑑𝑖𝑗

50
RESUMO DOS RESULTADOS
ln𝑔𝑖𝑗 = 𝑙𝑛𝐾 − 𝛽𝑙𝑛𝑑𝑖𝑗
Estatística de regressão
R múltiplo 0,998287417
R-Quadrado 0,996577766
R-quadrado
ajustado 0,996428973
Erro padrão 0,070010038
𝐿𝑁𝑔𝑖𝑗 = −8,6678 − 1,4608𝐿𝑁𝑑𝑖𝑗
Observações 25
ANOVA
gl SQ MQ F F de significação
6697,75610
Regressão 1 32,82842 32,82841773 1 7,27115E-30
Resíduo 23 0,112732 0,004901405
Total 24 32,94115
95%
Erro superiore Inferior Superior
Coeficientes padrão Stat t valor-P 95% inferiores s 95,0% 95,0%
Interseção -8,667808025 0,032291 -268,431028 1,02694E-41 -8,73460629 -8,60101 -8,73461 -8,60101
Variável X 1 -1,460798434 0,017849 -81,8398198 7,27115E-30 -1,497722902 -1,42387 -1,49772 -1,42387

51
Projeção de População e Emprego
Conhecendo-se
as projeções da Zona Valores projetados para
população e do horizonte de 5 anos
emprego para
um determinado
Pi Ej
No excel
horizonte, 1 16200 44220
podemos 2 74000 6092
determinar Vij 3 57300 2589
futuro.
4 138000 17474
5 68700 4639
Para 𝐾 = 𝑒 −8,6678 =17,221 × 10−5 e 𝛽 = 1,461 podemos estimar as viagens futuras.

16200 × 4639
Por exemplo: 𝑉15 = 17,221 × 10−5 ≈ 539
8,81,461

52
É importante esclarecer que esta formulação do modelo gravitacional não torna
necessário o processo de geração/atração. Quando engloba, é necessário calibrar os
valores achados na distribuição com a primeira etapa de geração. Veremos mais adiante
como calibrar os valores para essas duas primeiras etapas.
Há um outro tipo de formulação do modelo gravitacional que necessitamos calibrar mais
de um coeficiente angular além do coeficiente linear. Para esse tipo de formulação
ajustamos o modelo com regressão múltipla.
Pi E j
Vij  K Precisamos ajustar 𝛼, 𝛽 𝑒𝛾 𝑎𝑙é𝑚 𝑑𝑜 𝐾
d ij
Calibração por regressão linear múltipla

Tomando o logarítmo :
Y  a o  a1 x1  a 2 x 2  a3 x3

53
Exemplo 2:
 
Pi E j
Vij  K 
Calibração por regressão linear múltiplaC
d ij
Tomando o logarítmo :
Y  a o  a1 x1  a 2 x 2  a3 x3
Onde: 𝑎3 =-𝛾

54
Y  a o  a1 x1  a 2 x 2  a3 x3
OD Vij Pi Ej dij OD LN(Vij) LN(Pi) LN(Ej) LN(dij)
12 80 300 100 20 12 4,38 5,70 4,61 3,00
13 80 300 100 22 13 4,38 5,70 4,61 3,09
14 100 300 300 20 14 4,61 5,70 5,70 3,00
15 75 300 100 20 15 4,32 5,70 4,61 3,00
21 150 400 300 10 21 5,01 5,99 5,70 2,30
23 180 400 100 9 23 5,19 5,99 4,61 2,20
24 200 400 300 12 24 5,30 5,99 5,70 2,48
25 125 400 100 18 25 4,83 5,99 4,61 2,89
31 200 300 300 12 31 5,30 5,70 5,70 2,48
32 100 300 100 12 32 4,61 5,70 4,61 2,48
34 90 300 300 16 34 4,50 5,70 5,70 2,77
35 80 300 100 14 35 4,38 5,70 4,61 2,64
41 150 380 300 12 41 5,01 5,94 5,70 2,48
42 150 380 100 10 42 5,01 5,94 4,61 2,30
43 120 380 100 8 43 4,79 5,94 4,61 2,08
45 200 380 100 6 45 5,30 5,94 4,61 1,79
51 110 300 300 15 51 4,70 5,70 5,70 2,71
52 80 300 100 16 52 4,38 5,70 4,61 2,77
53 80 300 100 14 53 4,38 5,70 4,61 2,64
54 90 300 300 15 54 4,50 5,70 5,70 2,71

55
Aplicando a análise de regressão para determinar os coeficientes da
equação apresentada anteriormente, tem-se:
RESUMO DOS RESULTADOS
Estatística de regressão
R múltiplo 0,874423413
R-Quadrado 0,764616305
1,23 0,21
R-quadrado 𝑃𝑖 𝐸𝑗
ajustado
Erro padrão
0,720481862
0,185633808 𝑉𝑖𝑗 =𝑒 −2,26 0,46
Observações 20
𝐷𝑖𝑗
ANOVA
F de
gl SQ MQ F significação
Regressão 3 1,791023597 0,597007866 17,32470729 2,79729E-05
Resíduo 16 0,551358571 0,034459911 excel
Total 19 2,342382167
Superior
Coeficientes Erro padrão Stat t valor-P 95% inferiores 95% superiores Inferior 95,0% 95,0%
Interseção -2,261682494 2,712860871 -0,833689084 0,416729216 -8,012690631 3,489325643 -8,012690631 3,489325643
LN(Pi) 1,230481029 0,415100222 2,964298654 0,009134536 0,350507869 2,110454189 0,350507869 2,110454189
LN(Ej) 0,209608605 0,077318762 2,71096691 0,015421547 0,045700152 0,373517058 0,045700152 0,373517058
LN(dij) -0,46289763 0,162405342 -2,850261102 0,011574721 -0,807181576 -0,118613684 -0,807181576-0,118613684

56
2025 Vij Pi Ej dij Com os valores de 2025 da

12 208,86 650 130 20
13 185,02 650 90 22 população, emprego e distância
14 201,67 650 110 20 determina-se os deslocamentos.
15 205,39 650 120 20
21 293,65 580 279 10
23 243,23 580 90 9
24 222,05 580 110 12
25 187,44 580 120 18 Teríamos então a seguinte matriz O/D
31 340,15 700 279 12 para 2025.
32 289,84 700 130 12
34 244,97 700 110 16
35 265,39 700 120 14
41 400,89 800 279 12
42 371,68 800 130 10
43 381,55 800 90 8
45 462,99 800 120 6
51 154,08 400 279 15
52 127,43 400 130 16
53 125,50 400 90 14
54 126,77 400 110 15

57
Transportando os valores dos deslocamentos para uma matriz O/D, tem-se:
O/D 1 2 3 4 5 Oi fi
1 208,86 185,02 201,67 205,39 800,94 800 1,00
2 293,65 243,23 222,05 187,44 946,37 1000 1,06
3 340,15 289,84 244,97 265,39 1140,34 1200 1,05
4 400,89 371,68 381,55 462,99 1617,11 1800 1,11
5 154,08 127,43 125,50 126,77 533,79 600 1,12
Dj 1188,78 997,80 935,30 795,47 1121,20 5038,55
1200 1200 966 834 1200 5400
fj 1,01 1,20 1,03 1,05 1,07 1,07
Vamos supor que para este caso, calculamos a primeira etapa de geração de viagens
futuras para o ano 2025. É conveniente então, acertar os valores da segunda etapa com os
da primeira etapa. Isto é feito, usando-se algum método de fator de crescimento de
distribuição de viagens ( Detroit, Fratar ou Furness). Acredita-se que a primeira etapa tem
a modelagem mais precisa do processo.

58
Os Valores em azul foram determinados na 1ª etapa geração/atração. Utilizando o

método “fator de crescimento” Detroit, após a primeira iteração teremos:
O/D 1 2 3 4 5 Oi 𝑂𝑖2025 fi
1 234,10 178,09 197,06 204,87 814,11 800 0,98
2 292,25 247,68 229,53 197,79 967,26 1000 1,03
3 337,14 342,25 252,18 278,891210,46 1200 0,99
4 420,30 464,24 409,28 514,651808,47 1800 1,00
5 163,13 160,73 135,94 139,40 599,21 600 1,00
Dj 1212,82 1201,33 971,00 818,17 1196,20 5399,52
𝐷𝑗2025 1200 1200 966 834 1200 5400,00
fj 0,99 1,00 0,99 1,02 1,00 1,00

59
Buscando uma maior precisão no uso do modelo distribuição, o

planejador, primeiramente, estima as viagens originadas/atraídas (1ª
etapa). Após o uso do modelo gravitacional, os totais de viagens
originadas/atraídas deduzidas pelo modelo (2ª etapa) devem estar
próximos dos totais previstos pela 1ª etapa geração/atração. Então, é
necessário fazer um pequeno ajustamento nos valores. Após usar um
modelo sintético de distribuição (gravitacional) este ajustamento é
feito usando um método de fator de crescimento (do tipo Fratar,
Detroit, Furness) , a fim de igualar os totais de viagens originadas e
destinadas das duas etapas.
n n
j 1
VijN  OiN V
i 1
N N
ij  D j

60
O modelo duplamente restringido
Ambas as bordas Oj e Dk vindas do passo da Geração têm que ser respeitadas.
V
k K
jk
 O j , j  J V
j J
jk
 Dk , k  K
Para isso precisamos de dois vetores auxiliares Aj e BK no modelo gravitacional:
Aj .O j .Bk .Dk
V jk 
f ( L jk )
Os fatores Aj BK são introduzidos no modelo para garantir a compatibilidade do somatório das
viagens realizadas de cada zona para as diferentes zonas de tráfego com a totalidade das viagens
nessa zona de tráfego.
1 1
Aj 
Bk .Dk
, j  J e Bk  Aj .O j
, k  K

kK f (L jk )  f ( L jk )
j J
Garante Oj Garante Dk

65
Os fatores Aj calculam-se a partir dos factores Bk e os factores Bk calculam-se a partir

dos factores Aj, portanto a respectiva determinação só é possível resolvendo um
sistema de equações não-lineares.
Um método simples e eficaz que pode ser usado para o efeito é utilizar um processo
iterativo:
• Admite-se inicialmente Bk =1, k e calculam-se os Aj.
• Usam-se os Aj assim obtidos para calcular os novos valores para Bk
• Calculam-se os novos valores para Aj, e assim sucessivamente, até que os
valores de Aj e Bk se mantenham em duas iterações sucessivas (o que
normalmente se verifica bastante rapidamente). Desta forma consegue
obter-se uma solução para o sistema de equações não linear.
NOTA: Usando o Excel podemos obter essa solução sem ser necessário o processo
iterativo, utilizando a ferramenta solver que resolve sistemas de equações não
lineares.

66
Exercício de aplicação do modelo duplamente restringido

Oj Dk
Determine a matriz origem-destino da cidade representada
A 5565 7051
para o período da manhã utilizando como geração/atração os B 3317 13166
valores estimados no passo da Geração. C 7419 9169
D 11498 6559
E que a distribuição de tráfego obedece a um modelo E 5898 4386
gravitacional com função de impedância: Norte 4320 1258
Sul 5040 1467
f (L jk )  L jk 1.5 , com L jk  d jk
Neste caso já nos dão o valor β da impedância da
função de atrito.
Matriz de Distâncias
A B C D E NORTE SUL
A 999999 2 4 4 4 10 11
B 2 999999 6 6 2 8 9
C 4 6 999999 8 8 8 15
D 4 6 8 999999 8 14 15
E 4 2 8 8 999999 10 9
NORTE 10 8 8 14 10 999999 17
SUL 11 9 15 15 9 17 999999

67
Resolução usando o método iterativo:
1ª iteração 1 1
AA  
Bk .Dk BA . DA BS . DS
Fazendo: Bk   {1, 1, 1, 1, 1,1,1}, k , vem 
k K LA k
1 .5
LAA1.5  (...) 
LAS1.5
A  {1.38;1.91;4.27;4.12;1.58;6.69;8.83}10
j
4

1
 1.38  10  4
1 7051 1 1467
Bk   {0.648;0.698;1.683;2.211;1.080;2.661;3.899} 999991 .5
 (...) 
111.5
Ao fim de seis iterações:
A   {1.27;1.74;4.37;4.46;1.85;5.7;8.25}10
j
4
Bk   {0.633;0.681;1.716;2.286;1.119;2.612;3.840}
AD .OD .BA .DA
Matriz O/D VDA  1 .5 
A B C D E NORTE SUL Oj LDA
0 2238 1388 1323 433 73 109 5565
4.46  104  11498  0.633  7051
A
B 910 0 617 588 999 84 120 3317 
C 1809 1976 0 2146 703 470 314 7419 41.5
D 2866
610
3131
3463
3568
759
0
724
1113
0
322
114
498
228
11497
5898
 2866 viagens.
E
NORTE 348 976 1712 705 382 0 198 4320
SUL 509 1381 1126 1073 756 195 0 5040 Cumpre cada vez melhor as restrições,
Dk 7051 13166 9169 6559 4386 1258 1467 poderíamos continuar até o erro ser nulo.
Excel
68
Pelo Solver
Bj 1 1 1 1 1 1 1
Ai A B C D E NORTE SUL Oi objetivo AiOi Erro

0,000137948 A 0,00 3573,46 879,86 629,40 420,88 30,54 30,87 5565,00 5565,00 0,77 0,00
0,000191436 B 1582,98 0,00 396,15 283,39 984,68 35,30 34,50 3317,00 3317,00 0,63 0,00
0,000427029 C 2792,31 2838,11 0,00 918,34 614,10 176,14 80,00 7419,00 7419,00 3,17 0,00
0,000412282 D 4178,08 4246,62 1920,89 0,00 918,86 113,84 119,70 11498,00 11498,00 4,74 0,00
0,000158091 E 821,81 4340,32 377,83 270,28 0,00 37,09 50,66 5898,00 5898,00 0,93 0,00
0,000668946 NORTE 644,36 1681,49 1171,01 361,84 400,81 0,00 60,48 4320,00 4320,00 2,89 0,00
0,000883376 SUL 860,47 2171,03 702,69 502,66 723,24 79,91 0,00 5040,00 5040,00 4,45 0,00
Dj 10880,01 18851,03 5448,44 2965,92 4062,56 472,82 376,22
Objetivo 7051,00 13166,00 9169,00 6559,00 4386,00 1258,00 1467,00
BjDj 7051,00 13166,00 9169,00 6559,00 4386,00 1258,00 1467,00
Erro 14661343,09 32319514,77 13842595,85 12910229,89 104610,33 616505,70 1189801,21 75644600,84
2
𝑒𝑟𝑟𝑜 = 10880,01 − 7051
Soma dos erros quadráticos

69
Pelo Solver
Bj 1 1 1 1 1 1 1

0,000137948 A 0,00 3573,46 879,86 629,40 420,88 30,54 30,87 5565,00 5565,00 0,77 0,00
0,000191436 B 1582,98 0,00 396,15 283,39 984,68 35,30 34,50 3317,00 3317,00 0,63 0,00
0,000427029 C 2792,31 2838,11 0,00 918,34 614,10 176,14 80,00 7419,00 7419,00 3,17 0,00
0,000412282 D 4178,08 4246,62 1920,89 0,00 918,86 113,84 119,70 11498,00 11498,00 4,74 0,00
0,000158091 E 821,81 4340,32 377,83 270,28 0,00 37,09 50,66 5898,00 5898,00 0,93 0,00
0,000668946 NORTE 644,36 1681,49 1171,01 361,84 400,81 0,00 60,48 4320,00 4320,00 2,89 0,00
0,000883376 SUL 860,47 2171,03 702,69 502,66 723,24 79,91 0,00 5040,00 5040,00 4,45 0,00
Dj 10880,01 18851,03 5448,44 2965,92 4062,56 472,82 376,22
Objetivo 7051,00 13166,00 9169,00 6559,00 4386,00 1258,00 1467,00
BjDj 7051,00 13166,00 9169,00 6559,00 4386,00 1258,00 1467,00
Erro 14661343,09 32319514,77 13842595,85 12910229,89 104610,33 616505,70 1189801,21 75644600,84
Minimizar este erro!

70
Pelo Solver
Bj 0,368060766 0,395687715 0,996653232 1,328092807 0,65006401 1,51792817 2,2314954

0,000218362 A 0,00 2238,22 1388,09 1323,18 433,09 73,38 109,04 5565,00 5565,00 1,22 0,00
0,00029889 B 909,67 0,00 616,45 587,62 999,39 83,67 120,20 3317,00 3317,00 0,99 0,00
0,000751547 C 1808,76 1976,43 0,00 2146,51 702,57 470,54 314,19 7419,00 7419,00 5,58 0,00
0,000768322 D 2865,80 3131,45 3567,77 0,00 1113,15 322,04 497,80 11498,00 11498,00 8,83 0,00
0,000318802 E 609,97 3463,28 759,38 723,86 0,00 113,54 227,98 5898,00 5898,00 1,88 0,00
0,000981045 NORTE 347,81 975,76 1711,61 704,77 382,12 0,00 197,94 4320,00 4320,00 4,24 0,00
0,001420111 SUL 509,14 1381,01 1125,85 1073,20 755,81 194,99 0,00 5040,00 5040,00 7,16 0,00
Dj 7051,14 13166,14 9169,14 6559,14 4386,14 1258,16 1467,14
Objetivo 7051,00 13166,00 9169,00 6559,00 4386,00 1258,00 1467,00
BjDj 2595,20 5209,62 9138,31 8710,96 2851,18 1909,55 3273,60
Erro 0,02 0,02 0,02 0,02 0,02 0,02 0,02 0,14
excel
71
Exemplo 3:
Método Iterativo
Vij  KOi D j f ij
Expressão simplificada do
modelo
Oi e Dj representam as viagens originadas e atraídas respectivamente, K o fator
de proporcionalidade e fij a função de resistência ao deslocamento.
Para assegurar que o somatório das viagens determinadas na distribuição de

viagens estarão bem próximas das viagens originadas/atraídas da 1ª etapa,
substitui-se K por 2 fatores de balanceamento, assemelhando a iteração com o
modelo de Furness bi-dimensional.
Vij  Ai B j Oi D j f ij
77
A calibração deste modelo gravitacional com restrição bi-dimensional pode
também seguir as seguintes etapas:
−𝛽
1. Para 𝑓𝑖𝑗 = 𝑐𝑖𝑗 (função exponencial inversa) calibra-se 𝛽 sem restrições
(como no exemplo(1))
2. Atribui-se inicialmente o valor unitário para Bj para j=1,2,...,n
1
3. Determina-se os valores de Ai através da equação: 𝐴𝑖 =
σ𝑛𝑗 𝐵𝑗 𝐷𝑗 𝑓𝑖𝑗
4. Calcula-se os novos valores de Bj para j=1,2,...,n , através da equação:

1
𝐵𝑗 =
σ𝑛𝑖 𝐴𝑖 𝑂𝑖 𝑓𝑖𝑗
5. Repetem-se as iterações até que o processo convirja dentro de um nível de
precisão desejado.
(𝑘) (𝑘−1) (𝑘) (𝑘−1)

𝐴𝑖 − 𝐴𝑖 𝐵𝑗 − 𝐵𝑗
e ≤𝜖
(𝑘−1)
≤𝜖 (𝑘−1)
𝐴𝑖 𝐵𝑗

78
3. Determina-se os valores de Ai através da equação:

1
𝐴𝑖 = 𝑛
σ𝑗 𝐵𝑗 𝐷𝑗 𝑓𝑖𝑗
4. Calcula-se os novos valores de Bj para j=1,2,...,n , através da equação:

1
𝐵𝑗 =
σ𝑛𝑖 𝐴𝑖 𝑂𝑖 𝑓𝑖𝑗
5. Repetem-se as iterações até que o processo convirja dentro de um nível de
precisão desejado.
(𝑘) (𝑘−1) (𝑘) (𝑘−1)

𝐴𝑖 − 𝐴𝑖 𝐵𝑗 − 𝐵𝑗
e ≤𝜖
(𝑘−1)
≤𝜖 (𝑘−1)
𝐴𝑖 𝐵𝑗

79
Zona Distância inter e intrazonal (Km)

i\j 1 2 3 4 5
Pegando os dados
1 1,6 4,5 7,0 4,5 8,8
fornecidos para o
2 4,5 1,2 4,1 7,0 11,7
exemplo(1):
3 7,0 4,1 1,2 11,1 15,8
4 4,5 7,0 11,1 1,4 4,7
5 8,8 11,7 15,8 4,7 1,3
Zona
i\j 1 2 3 4 5 Oi
1 43927 1456 314 3754 365 49816
2 47219 45437 3326 11651 1396 109029
3 19151 7218 16907 4150 591 48017
4 84116 6665 1355 181585 8285 282006
5 16664 1623 484 19574 31162 69507
Dj 211077 62399 22386 220714 41799
80
𝑉𝑖𝑗 𝛽
Então temos: = 𝐴𝑖 𝐵𝑗 𝑓𝑖𝑗 = 𝑔𝑖𝑗 e 𝑓𝑖𝑗 =𝑑𝑖𝑗 para 𝛽 ≤ 0
𝑂𝑖 𝐷𝑗
(1) Linearizando a igualdade temos: 𝑙𝑛(𝑔𝑖𝑗 )=ln(𝐴𝑖 𝐵𝑗 )+𝛽ln(𝑑𝑖𝑗 )
0,00E+00
0,0 0,5 1,0 1,5 2,0 2,5 3,0
-5,00E+00
y x
y = -1,3792x - 11,613
LN(gij)
-1,00E+01 R² = 0,7623
-1,50E+01
-2,00E+01
Então 𝛽 = −1,379
LN(dij)
(2) Em seguida fazemos quantas iterações forem precisas para:

(𝑘) (𝑘−1)
(𝑘)
𝐴𝑖
(𝑘−1)
− 𝐴𝑖 𝐵𝑗 − 𝐵𝑗
≤𝜖 e ≤𝜖
(𝑘−1) (𝑘−1)
𝐴𝑖 𝐵𝑗
81
(1)
Para a primeira iteração Bj=1, então o cálculo de 𝐴1 será:
1 1 1 1 1 1 1
𝐴1 =σ5 = + + + + = +
𝑗=1 𝐵𝑗 𝐷𝑗 𝑓𝑖𝑗 𝐵1 𝐷1 𝑓11 𝐵2 𝐷2 𝑓12 𝐵3 𝐷3 𝑓13 𝐵4 𝐷4 𝑓14 𝐵5 𝐷5 𝑓15 211077×1,6−1,379
1 1 1 1
+ + +
63399×4,5−1,379 22386×7,0−1,379 220714×4,5−1,379 41799×8,8−1,379
(1)
A partir do cálculo de Ai, usamos os seus valores para calcular 𝐵𝑗 .

82
1
𝐴𝑖 = 𝑛
σ𝑗 𝐵𝑗 𝐷𝑗 𝑓𝑖𝑗
(3) Após 5 iterações calculando
1
𝐵𝑗 = 𝑛
σ𝑖 𝐴𝑖 𝑂𝑖 𝑓𝑖𝑗
Viagens diárias Vij obtivemos:
Zona
i\j 1 2 3 4 5 Oi Ai erro
1 43927 1456 314 3754 365 49816 6,68502E-06 4,88425E-06 0,269374 4,67195E-06 0,043466 4,63445E-06 0,008026 4,62424E-06 0,002204
2 47219 45437 3326 11651 1396 109029 1,05553E-05 1,02358E-05 0,030272 9,90538E-06 0,032279 9,76305E-06 0,014368 9,70761E-06 0,005679
3 19151 7218 16907 4150 591 48017 2,01356E-05 1,84647E-05 0,082984 1,76801E-05 0,042488 1,73742E-05 0,017304 1,72577E-05 0,006708
4 84116 6665 1355 181585 8285 282006 5,70374E-06 6,29825E-06 0,104232 6,47237E-06 0,027645 6,52999E-06 0,008903 6,55037E-06 0,003121
5 16664 1623 484 19574 31162 69507 1,46308E-05 1,45255E-05 0,007199 1,4619E-05 0,00644 1,46929E-05 0,005051 1,4731E-05 0,002592
Dj 211077 62399 22386 220714 41799
Bj 1,568188381 0,820265093 0,980476035 0,776885669 1,02520857

1,662224562 0,847100607 1,050075794 0,727175561 1,01757564
erro 0,05996485 0,032715659 0,070985681 0,063986389 0,00744525
1,679358257 0,870061273 1,088059262 0,713432984 1,00960092
erro 0,01030769 0,027105005 0,03617212 0,018898567 0,00783697
1,683975838 0,880106641 1,103751883 0,708881859 1,0049785
erro 0,00274961 0,011545587 0,01442258 0,006379192 0,00457847
1,685548622 0,884061616 1,10985739 0,70725378 1,00279107
erro 0,000933971 0,004493745 0,005531593 0,002296685 0,0021766

83
(4)Para aplicar o modelo a situações futuras, é necessário antes projetar a etapa
de geração/atração de viagens.

Zona
i\j 1 2 3 4 5 Oi fi
1 57055 2519 699 5844 671 66787 60854 0,91
2 127000
3 55789
4 300001
5 81012
Dj 229986 80567 32756 233645 47702
624656
(5) Ajustamos os valores calculados pelo modelo gravitacional com os valores

calculados na etapa de geração/atração de viagens, com Fratar, Furness ou
Detroit.

84
RESUMO
Fatores Detroit
Modelos de Fratar
de Crescimento Furness
distribuição
Por regressão
Gravitacional
Por iteração

85
Fatores de Crescimento
(RESUMO)
f i p 1. f jp 1
Detroit Vij( p )  Vij( p 1) .
m p 1
Fratar
Assimétrico
2 p 1 2 p 2 OiN
Linha V V .
Furness ij ij
Vij2 p2
Bidimensional j
Coluna Vij2 p  Vij2 p 1. f j2 p 1

86
Perguntas:
1. Quais as vantagens e limitações dos métodos “fator de crescimento” de

distribuição de viagens?
2. Quais são os componentes básicos de um método de distribuição de
viagens?
3. Cite 3 variáveis que podem participar do custo generalizado na função de um
modelo gravitacional?
4. Na fórmula gravitacional a seguir identifique a variável que simboliza o
potencial de atração e a variável que representa a resistência ou impedância
ao deslocamento? Pi : população;
Pi .E j Onde: Ej : num. de empregos;
Vij  K K : Constante de Proporcionalidade;
d ij dij : distância;
5. Cite 3 Fatores de resistência à viagem entre zonas.

6. Há necessidade de usar um método de fator de crescimento após modelar de forma
gravitacional a distribuição de viagens deuma região?

87
Bibliografia
BRUTON, M.J. Introduction to transport Planning. Hutchinson & Co Ltda, 1979
CAMPOS, V. B. G. Planejamento de transportes – Conceitos e modelos. Editora Interciência
Ltda, 2013.
LEAL, J. E. Apostila de planejamento de transporte, PUC-RJ/Depto. Industrial. 2007
MELO B. P. Indicadores de ocupação urbana sob o ponto de vista da infra-estrutura viária.
Dissertação de mestrado, Instituto Militar de Engenharia, Rio de Janeiro, 2004.
ORTÚZAR J. AND WILLUMSEN L. Modelling Transport. 4rd Edition. John Wiley and Sons.
West Sussex, England, 2011.
REPOLHO H. Aulas de TRANSLOG, Graduação da Engenharia de Produção, PUC-RJ, 2013.

88

ENG 1507 A e B - Aula 3. Distribuição de Viagens

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

ENG 1507 A e B - Aula 3. Distribuição de Viagens

Enviado por

Direitos autorais:

Formatos disponíveis

4.

ENG 1507-TRANSPORTE E LOGÍSTICA

PROF. MARIO A.P. BITENCOURT – MAPB_130655@HOTMAIL.COM

1. Modelo das 4 Etapas - Distribuição

Vou ou não vou?

Para onde vou?

Por onde vou?

PROF. MARIO A.P. BITENCOURT

Etapa de Distribuição de viagens (para onde viajo?)

Determina o número de viagens entre cada zona de origem e cada zona

PROF. MARIO A.P. BITENCOURT

Da Geração para a Distribuição:

Um modelo de geração (1ª Etapa), estima o Um modelo de distribuição (2ª Etapa),

PROF. MARIO A.P. BITENCOURT

Antes de passar para a etapa de distribuição de viagens, há a necessidade de se obter a

É importante apresentar algumas definições e notificações que serão

PROF. MARIO A.P. BITENCOURT

O/D 1 2 ... j ... z ෍ 𝑉𝑖𝑗

1 𝑉11 𝑉12 𝑉1𝑗 𝑉1𝑧 𝑂1

෍ 𝑽𝒊𝒋 𝐷1 𝐷2 … 𝐷𝑗 … 𝐷𝑧 σ𝑖𝑗 𝑉𝑖𝑗 =T

෍ 𝑉𝑖𝑗 = 𝑂𝑖 ෍ 𝑉𝑖𝑗 = 𝐷𝑗 ෍ 𝑉𝑖𝑗 = 𝑇

Essas três igualdades estarão sempre presentes na etapa de distribuição. A

𝑂10 Total de viagens originadas da zona 1 no ano-base

𝐷3𝑁 Total de viagens destinadas para a zona 3 no ano futuro N.

PROF. MARIO A.P. BITENCOURT

O-D 1 2 3 Oi0 OiN

D 0j 400 257 58 715

Total de viagens originadas e destinadas atuais

Modelo de geração de Viagens (valores futuros)

PROF. MARIO A.P. BITENCOURT

1) Fator de crescimento ou de expansão

Métodos iterativos de ajustamento:

PROF. MARIO A.P. BITENCOURT

COMPONENTES • Potencial de atração para uma zona : Viagens Atraídas.

• Fatores de resistência ao deslocamento (impedância):

• Estimação indireta usando modelos sintéticos (gravitacionais) – A matriz é estimada através de

Modelos à base do Fator de Crescimento

Matriz O/D Ano 0 Exemplo

PROF. MARIO A.P. BITENCOURT

O/D 1 2 3 O0i ONi

1 100 210 290 600 1057

2 150 200 210 560 818

3 400 490 200 1090 889

PROF. MARIO A.P. BITENCOURT

PROF. MARIO A.P. BITENCOURT

Quadro Inicial Iteração 8

PROF. MARIO A.P. BITENCOURT

Quadro Inicial Iteração 8

O/D 1 2 3 O0i On i f0i

PROF. MARIO A.P. BITENCOURT

PROF. MARIO A.P. BITENCOURT

PROF. MARIO A.P. BITENCOURT

Esquema Fratar assimétrico DNj

PROF. MARIO A.P. BITENCOURT

Quadro Inicial 1º Passo: utilizar os fatores de crescimento

Iteração nas linhas Iteração nas colunas

PROF. MARIO A.P. BITENCOURT

Furness: Iteração nas colunas.

PROF. MARIO A.P. BITENCOURT

PROF. MARIO A.P. BITENCOURT

Exemplo: Crescimento médio, Detroit, Fratar e Furness

PROF. MARIO A.P. BITENCOURT