UNIVERSIDADE VIRTUAL DO ESTADO DE SÃO PAULO

Alberto Rocha Dos Santos, RA 2006769

Anderson Gilmar Rangel Cordeiro, RA 1709618
Cristiano Jose Da Silva Lima, RA 1710349
Daniela Domingues Queiros De Oliveira, RA 2005098
Milena Alves Ribeiro, RA 2012855
Rafael Souza Santos, RA 2009139
Rodrigo Justiniano De Castro Ferreira, RA 2004193

Sistema de Monitoramento de tráfego urbano usando análise de dados para

otimizar a fluidez e melhorar a mobilidade no transporte.

São Paulo - SP
2023

1
 UNIVERSIDADE VIRTUAL DO ESTADO DE SÃO PAULO

Sistema de Monitoramento de tráfego urbano usando análise de dados para

otimizar a fluidez e melhorar a mobilidade no transporte.

Relatório Técnico-Científico apresentado na

disciplina de Projeto Integrador IV para os
cursos de Engenharia da Computação e
Ciência de Dados da Universidade Virtual do
Estado de São Paulo (UNIVESP).

São Paulo - SP
2023
2
ROCHA DOS SANTOS, Alberto; GILMAR RANGEL CORDEIRO, Anderson; JOSE DA
SILVA LIMA, Cristiano; DOMINGUES QUEIROS DE OLIVEIRA, Daniela; ALVES
RIBEIRO, Milena; SOUZA SANTOS, Rafael; JUSTINIANO DE CASTRO FERREIRA,
Rodrigo. Sistema de Monitoramento de tráfego urbano usando análise de dados para
otimizar a fluidez e melhorar a mobilidade no transporte. Relatório Técnico-Científico.
Nome do curso – Universidade Virtual do Estado de São Paulo. Tutor: Angélica Fermann.
Polos: UNICEU Alvarenga, Casablanca, Cidade Dutra, Parque Veredas, Vila Curuçá e Alto Alegre,
2023.

RESUMO

A solução proposta neste estudo consiste em apresentar um aplicativo que obtenha

dados em tempo real do tráfego urbano sendo capaz de reportar ao usuário um alerta
identificando possíveis congestionamentos, obras e outras anomalias relativas ao trânsito,
podendo sugerir opções inteligentes de trajetos alternativo com base em machine learning para
o endereço almejado pelo motorista. A coleta, seleção e classificação das informações
necessárias para elaborar este trabalho foi fundamentada em estudos bibliográficos, pesquisas
de campo e coleta de dados estatísticos de domínio público, além de outras fontes voltadas ao
tema. Para o armazenamento destes dados, foi usado um sistema de banco de dados baseado
em SQL, adequado para o tratamento e o refino deste volume de informações gerando uma
fonte de dados que alimenta uma aplicação desenvolvida na linguagem Pyton®, melhorando a
análise de dados em escala para a geração destes alertas. A interface web da solução foi
desenvolvida sob o framework ReactJS, proporcionando uma plataforma leve e amigável do
ponto de vista do usuário. Em busca por uma solução criativa para orientar os motoristas a
contornar os constantes problemas de congestionamento urbano, este trabalho buscou
compreender os principais fatores que causam estes eventos, através da coleta e tratamento de
dados de tráfego de diversas fontes. As ferramentas e metodologias aplicadas permitiram a
construção de uma solução eficiente e inovadora para enfrentar os problemas de mobilidade
urbana podendo ser replicado para outros cenários em qualquer cidade.

PALAVRAS-CHAVE: Mobilidade; Tráfego; Machine Learning; Python; React JS; Análise.

3
LISTA DE ILUSTRAÇÕES

FIGURA 1 – GRÁFICO 1 – PESQUISA DE CAMPO 1 ....................................................... 12

FIGURA 2 – GRÁFICO 2 – PESQUISA DE CAMPO 1 ....................................................... 12

FIGURA 3 – GRÁFICO 3 – PESQUISA DE CAMPO 1 ....................................................... 12

FIGURA 4 – GRÁFICO 4 – PESQUISA DE CAMPO 1 ....................................................... 13

FIGURA 5 – GRÁFICO 5 – PESQUISA DE CAMPO 1 ....................................................... 13

FIGURA 6 – GRÁFICO 6 – PESQUISA DE CAMPO 1 ....................................................... 13

FIGURA 7 – GRÁFICO 7 – PESQUISA DE CAMPO 1 ....................................................... 14

FIGURA 8 – GRÁFICO 8 – PESQUISA DE CAMPO 1 ....................................................... 14

FIGURA 9 – GRÁFICO 9 – PESQUISA DE CAMPO 1 ....................................................... 14

FIGURA 10 – GRÁFICO 10 – PESQUISA DE CAMPO 1 ................................................... 15

4
 SUMÁRIO

1 Introdução 5
2 Desenvolvimento 6
2.1 Objetivos 6
2.1.1 Objetivo geral 6
2.1.2 Objetivos específicos 6
2.2 Justificativa e delimitação do problema 7
2.3 Fundamentação teórica 8
2.4 Metodologia 10
2.5 Pesquisa de campo 11
2.5.1 Gráficos da Pesquisa de Campo 12
2.6 Resultados preliminares 15
2.6.1 Solução inicial 15
Referências 17

5
1 Introdução

Vivendo em qualquer cidade, inevitavelmente nos deparamos com questões

relacionadas à mobilidade urbana. É preciso considerar os meios e a forma de como se chegar
a um determinado local. Se existem meios de transporte eficientes disponíveis, o tempo
necessário para chegar e qual a melhor opção de transporte para o trajeto em questão.
A mobilidade urbana é um fator fundamental para a realização de atividades cotidianas
como trabalho, estudo, acesso à saúde, lazer e cultura nas cidades modernas, as quais são
predominantemente urbanizadas. A rápida e intensa transformação da população brasileira, que
passou de predominantemente rural para majoritariamente urbana no século XX, foi resultado
de um modelo de desenvolvimento urbano excludente e altamente concentrado em aspectos
médicos, territoriais e demográficos. Esse modelo privou as faixas de menor renda das
condições básicas para uma inserção efetiva na cidade e no meio urbano.
O transporte urbano e a mobilidade representam um dos maiores desafios enfrentados
pelos motoristas nas grandes cidades em todo o mundo. Congestionamentos, atrasos e
mobilidade precária constituem problemas que afetam a vida de milhões de pessoas. Nesse
contexto, a análise de dados se torna uma ferramenta importante para otimizar a fluidez do
tráfego e melhorar a mobilidade no transporte urbano.
Diante disso, o objetivo deste trabalho é apresentar um sistema de monitoramento de
tráfego urbano que utiliza análise de dados para identificar problemas e propor soluções para
otimizar a fluidez do tráfego e melhorar a mobilidade no transporte. Para isso, serão abordados
temas como a coleta de dados em tempo real, a análise dos dados coletados, a previsão da
intensidade do tráfego baseado em histórico e sugestão de medidas corretivas e preventivas que
podem ser adotadas com base nas informações obtidas.
Ao desenvolver este trabalho, busca-se delimitar o foco da pesquisa e situá-la no
contexto geral da área de transporte urbano. Além disso, serão descritas as motivações que
levaram à escolha deste tema, bem como o objeto do trabalho, ou seja, o sistema de
monitoramento de tráfego urbano e sua aplicação para melhorar a mobilidade no transporte em
áreas urbanas.
Por fim, acredita-se que a análise de dados integrada ao uso de tecnologias acessíveis
representa uma ferramenta de apoio interessante no que diz respeito ao enfrentamento dos
desafios impostos aos motoristas e a todos que precisam se deslocar nas grandes cidades. Esta
pesquisa visa ainda contribuir para a discussão e aprimoramento das soluções já existentes.

5
2 Desenvolvimento

2.1 Objetivos

2.1.1 Objetivo geral

O objetivo geral deste trabalho consiste em desenvolver uma solução de análise de

dados capaz de identificar padrões de intensidade de tráfego nas vias utilizadas pelos motoristas
ao longo do seu trajeto, baseados em machine learning. O sistema irá prever situações de
lentidão ou congestionamentos por conta da rota a ser utilizada, podendo emitir alertas sobre
acidentes, obras ou interdições e sugerir rotas para otimizar a mobilidade urbana com base no
destino ou ponto final do trajeto do motorista.
Para que o objetivo principal deste projeto seja alcançado, alguns objetivos específicos
terão que ser traçados conforme abordado a seguir:

2.1.2 Objetivos específicos

Nesta seção serão descritas as etapas necessárias para a implementar a solução proposta e a
abordagem pretendida.
a) Objetivos exploratórios:
● Conhecer as necessidades e requisitos da comunidade externa para planejar uma
solução de análise de dados de tráfego eficiente;
● Identificar as fontes de dados relevantes para realizar o estudo desejado;
● Levantar padrões de tráfego em diferentes horários e locais da cidade com base
nos dados obtidos;
● Definir as principais rotas utilizadas pelos motoristas para refinar a pesquisa e
criar algoritmos capazes de retornar as informações pertinentes ao estudo.
b) Objetivos descritivos:
● Classificar os dados de tráfego em função da intensidade com base no volume,
velocidade média, horários e capacidade de fluidez da via;
● Detectar os padrões de tráfego e atribuir sua relação com os congestionamentos;

6
 c) Objetivos explicativos:
● Analisar a eficácia de rotas alternativas sugeridas pela solução de análise de
dados apresentando valores mensuráveis que podem ser facilmente interpretados
pelo motorista;
● Avaliar o impacto da solução na redução dos congestionamentos e na otimização
da mobilidade urbana do ponto de vista dos usuários;
● Avaliar a viabilidade de implementação da solução de análise de dados de
tráfego em diversos cenários como outros municípios;

2.2 Justificativa e delimitação do problema

Reduzir os problemas de mobilidade urbana é um desafio crescente em todo o mundo.

Seus impactos afetam não somente a qualidade de vida dos cidadãos, mas também a economia
e o meio ambiente de modo generalizado. Considerando este contexto, pergunta-se: “Como
podemos utilizar a análise de dados para identificar padrões, prever congestionamentos,
reportar anormalidades e sugerir rotas alternativas de modo a melhorar a mobilidade urbana e
com isso, a experiência dos motoristas em áreas urbanas de alta densidade?”
O uso de técnicas de análise de dados de tráfego tem o potencial de gerar insights
valiosos e sugerir soluções eficazes para melhorar a mobilidade urbana. Além disso, a pesquisa
pode ter contribuições significativas para o local onde o projeto será aplicado, uma vez que a
solução pode ser aplicada em tempo real, melhorando a experiência de transporte dos cidadãos
e reduzindo os congestionamentos e consequentemente a poluição nas áreas de entorno.
No âmbito dos transportes, diversos públicos podem se beneficiar de um sistema que
analise e ofereça o melhor trajeto possível, tais como: 1. Motoristas de aplicativos que priorizem
determinada região, evitando áreas críticas de tráficos em horários de picos; 2. Motoristas que
trabalhem com transporte de cargas; 3. Motoristas entregadores de produtos diversos para
destinos específicos, e.g: entregadores das lojas de varejo que precisam traçar a melhor rota
considerando o tempo e distância para cumprir as metas estabelecidas; 4. Motorista de
transporte Escolar – público (TEG – Transporte Escolar Gratuito) ou particular: cada nova
criança que adere pode mudar totalmente a rota estabelecida, onde o motorista deve (re)fazer
seu itinerário a fim de atender a demanda quanto ao horário de entrada e saída das escolas e
quanto ao menor tempo possível de transporte à criança.

7
 A relevância da contribuição social e acadêmica desta pesquisa também é evidente, pois
a mobilidade é um tema de interesse crescente para a sociedade. A solução proposta pode ter
impacto significativo na vida dos cidadãos e estudiosos, pois contribuirá para incrementar os
conhecimentos nas áreas de sistemas, análise de dados e inteligência artificial.

2.3 Fundamentação teórica

Sobre o campo da avaliação dos dados, Bonabeau e Theraulaz (2000) entendem que a
coleta e análise de dados de tráfego é fundamental para melhorar a mobilidade urbana. A partir
dos dados coletados, se compreende como o tráfego flui em diferentes regiões da cidade,
possibilita identificar gargalos e encontrar soluções para melhorar a fluidez.
Segundo Provost e Fawcett (2013), a análise de dados é a ciência de extrair informações
úteis a partir de dados complexos. Aplicando esse contexto ao monitoramento de tráfego
urbano, a análise de dados permite identificar padrões de comportamento dos veículos e dos
pedestres, analisar a efetividade de medidas adotadas para melhorar o trânsito, e desenvolver
modelos preditivos para prever o fluxo de tráfego em diferentes horários e dias da semana.
Como destaca Zhang et al. (2018), o estudo de dados é a chave para a implementação
de sistemas inteligentes de transporte, que podem ajudar a reduzir congestionamentos e
melhorar a mobilidade urbana. Essas possibilidades são fundamentais para melhorar a fluidez
e a segurança do tráfego urbano.
Como apontado por Kerner (2018), o uso de tecnologias avançadas de comunicação e
análise de dados pode transformar a mobilidade urbana, tornando-a mais eficiente, segura e
sustentável. Além disso, os insights gerados podem ser combinados com outras tecnologias,
como sistemas de comunicação veicular (V2V) e sistemas de transporte inteligentes (ITS), para
criar soluções ainda mais efetivas.
Cabral (2018) destaca que a inteligência artificial (IA) refere-se ao desenvolvimento de
máquinas capazes de pensar e agir como seres humanos. Estes são programas de software com
a capacidade de destilar e aprender novas ideias. Dessa forma, pretende-se auxiliar nas tarefas
diárias, modernizar e avançar a pesquisa científica.
Um estudo divulgado no portal da empresa TOTVS destaca algumas vantagens da IA
as quais incluem auxílio nos processos analíticos, apoio à tomada de decisão, aumento da
velocidade do processamento das informações, aumento da automação, entre outros gerando
mais agilidade no processamento das informações, reduzindo assim os riscos operacionais,
erros e custos operacionais (TOTVS, 2019).

8
 Evidenciando casos reais, atualmente várias cidades ao redor do mundo utilizam
tecnologias inteligência artificial nos seus meios de transporte e para melhorar a mobilidade
urbana. Cingapura conhecida por ser uma das cidades mais inteligentes do mundo, utiliza
técnicas de Machine Learning para melhorar o transporte público e melhor o tráfego nas suas
ruas. Nova York utiliza Machine Learning para prever a duração das viagens de táxi e melhorar
a alocação de recursos para o transporte público. Londres, por meio da Transport for Lodon
(TfL), utiliza técnicas de Machine Learning para melhorar a precisão dos horários de ônibus e
trens, além de identificar áreas com maior incidência de congestionamento. Já Pequim utiliza
Machine Learning para melhorar a segurança no trânsito, mapeando áreas com maior propensão
a acidentes.
Em São Paulo, por sua vez, temos que a Companhia de Engenharia e Tráfego (CET)
que utiliza várias tecnologias, como câmeras de vigilância, radares e sensores para monitorar o
tráfego em tempo real, direcionando esforços e recursos para os pontos críticos. Identifica
padrões e tendências como quais são os horários de pico e as rotas mais utilizadas, analisando
fatores como números de veículos, velocidades e as capacidades das vias. Realiza estudos
técnicos para mensurar o impacto de alterações no trânsito como a mudança no sentido de vias,
alargamento ou afunilamento de vias, bem como implantação de faixas exclusivas para ônibus.
Os estudos técnicos contemplam algumas etapas importantes: Levantamento de dados, análise
de acidentes, análise do impacto no tráfego, avaliação das alternativas e consulta pública para
ouvir a opinião dos usuários e moradores da região afetada.

9
2.4 Metodologia

O primeiro passo foi entender o contexto da mobilidade urbana e as principais

necessidades dos usuários. Para isso, foram coletados dados de tráfego de diferentes fontes,
como empresas de transporte público, aplicativos de trânsito e informações governamentais
sobre mobilidade urbana.
Com base no problema enfrentado pelos motoristas e passageiros nas grandes cidades,
o objetivo deste projeto é desenvolver uma solução que permita a análise de dados de tráfego
para identificar padrões de tráfego, congestionamentos e sugerir rotas alternativas. Para
alcançar esse objetivo, a metodologia do projeto será baseada em três etapas:

1) Coleta e análise de dados: Serão coletados dados de tráfego de fontes, como

empresas de transporte público, aplicativos de trânsito e informações
governamentais. Esses dados serão analisados usando técnicas de análise de dados
e aprendizado de máquina para identificar padrões de tráfego e congestionamentos.
2) Desenvolvimento de soluções: Com base na análise dos dados, foram desenvolvidas
soluções para reduzir os congestionamentos e sugerir rotas alternativas para os
motoristas. Essas soluções foram desenvolvidas usando a linguagem de
programação Python, com a aplicação de algoritmos de inteligência artificial e
aprendizado de máquina. Nesta etapa, foi utilizado o Design Thinking como
metodologia, e foram realizados diversos brainstormings e prototipagens da
solução. Foram criados fluxogramas e wireframes para visualizar e testar a
usabilidade e a navegabilidade da solução.
3) Implementação da solução: A solução desenvolvida será implementada em uma
plataforma web, usando a linguagem de programação ReactJS. A plataforma
permitirá que os usuários visualizem as informações de tráfego em tempo real,
recebam notificações de congestionamentos e sugestões de rotas alternativas.

O processo de construção da primeira solução desenvolvida seguiu a metodologia

proposta, iniciando pelo passo de “ouvir e interpretar o contexto”. Nesta etapa, o grupo realizou
uma pesquisa bibliográfica para identificar as principais causas do congestionamento urbano e
as soluções propostas por outros estudos e projetos já realizados. Em seguida, foram realizadas
entrevistas com motoristas e passageiros que vivenciam diariamente o problema de
congestionamento urbano. As entrevistas foram realizadas tanto de forma presencial quanto
online, utilizando formulários e questionários como instrumentos de coleta de dados.
10
2.5 Pesquisa de Campo

Sabendo que a problemática do transporte e mobilidade urbana afeta diversas pessoas o

presente Projeto Integrador (PI) buscou interagir com o público-alvo desta pesquisa tendo em
vista reunir requisitos e mensurar a aceitação ou não do presente trabalho. Para isso foi realizada
pesquisa de campo direcionada tanto àqueles que trabalham diretamente com transporte,
buscando entender se o sistema proposto atendia às expectativas desses profissionais, como
também àqueles que utilizam os sistemas de transporte como usuários.
Com relação ao perfil profissional do público, Figura 1 e 2, tivemos profissionais que
trabalham com transporte de pessoas, transporte de cargas, transporte de documentos, e
transporte de produtos para destino específico, além de estudantes e profissionais de outras
atividades, tais como bombeiro, assessor administrativo, funcionário público etc. A totalidade
do universo pesquisado, Figura 3 e 4, foi unânime quanto a utilidade de um sistema ou
aplicativo que forneça rotas otimizadas no trânsito, mostrando que há espaço e aceitação a
soluções tecnológicas que tragam praticidade no dia a dia. Quanto a Melhor Rota Instantânea
(MRI), Figura 5, que leva em consideração o melhor trajeto no momento pesquisado, cerca de
68,8% do público pesquisado atribuiu grau máximo de importância, consideram essencial para
uma tomada de decisão. Com relação à Melhor Rota Fixa (MRF), Figura 6, que leva em
consideração o melhor trajeto tendo com base na análise do histórico de viagens e do histórico
de trânsito em determinada região, cerca de 43,8% atribuiu grau máximo de importância. Já
com relação à possibilidade de existência de um modelo híbrido que ofereça o melhor trajeto
possível entre MRI e MRF, Figura 7, cerca de 75% do público pesquisa atribuiu grau máximo
de importância.
Finalmente, com relação à padronização de rotas fixas, Figura 8, o público-alvo
pesquisado considera que tal padronização contribuiria de algum modo para que os órgãos de
trânsito municipais estabelecessem rotas otimizadas em determinadas regiões. E a maioria,
cerca de 81,3% do público-alvo pesquisado, Figura 9, considera que a imposição de rotas –
alteração de sentido de vias e/ou criação de rotas alternativas em horários críticos – pelos órgãos
municipais de trânsito como algo positivo. Ainda, a presente pesquisa abordou uma faixa etária
de idade ampla, conforme Figura 10, contemplando pessoas entre 20 e 63 anos de idade,
mostrando que o sistema proposto neste PI seria útil atendendo ao público de forma abrangente.

11
2.5.1 Gráficos da Pesquisa de Campo

Figura 1

Figura 2

Figura 3

12
Figura 4

Figura 5

Figura 6

13
Figura 7

Figura 8

Figura 9

14
 Figura 10

2.6 Resultados preliminares

Com base nas informações coletadas, foi realizada uma análise dos dados obtidos
identificando as principais causas dos congestionamentos urbanos, bem como as necessidades
dos usuários em termos de deslocamento. Com isso, foram definidas as funcionalidades e
características que a solução precisa ter para atender às necessidades dos usuários.
Com base nesses resultados, foi desenvolvida uma aplicação web utilizando a
linguagem de programação Python para análise de dados integrada a um banco de dados SQL
e o framework ReactJS para a interface web.

2.6.1 Solução inicial

Conforme explicado, a solução desenvolvida consiste em um aplicativo que coleta

dados do tráfego urbano e fornece informações sobre a fluidez do trânsito identificando
possíveis congestionamentos, obras e outras anomalias com o intuito de alertar os motoristas
ou usuários sobre estas interferências de modo a oferecer opções alternativas de trajeto.
A solução foi avaliada através de testes de usabilidade e feedback dos usuários que
experimentaram as primeiras versões. Ajustes ainda estão sendo realizados conforme
necessário para melhorar a experiência do usuário e a eficácia da solução.
De modo geral, o processo de construção da solução inicial, se deu satisfatoriamente. O
projeto demonstra ter potencial para se tornar uma solução inovadora e eficiente para aliviar os
efeitos e as perdas ocasionadas pelo congestionamento urbano.

15
 Para obter uma análise mais precisa da situação do tráfego, seria necessário capturar
dados oriundos de informações em tempo real sobre a velocidade dos veículos e o volume de
tráfego em cada trecho da via. Outra proposta consiste em promover uma integração desta
solução de análise de tráfego com outras fontes de dados, como informações climáticas e
eventos locais, agregando valor à informação disponibilizada aos usuários.
Pela análise de dados de tráfego, é possível identificar gargalos, desenvolver soluções
mais efetivas e criar sistemas de transporte inteligentes que transformem a mobilidade urbana.
Com essa proposta, esperamos fornecer aos motoristas e passageiros uma solução eficaz
para lidar com os congestionamentos e reduzir o tempo perdido no trânsito. Além disso, a
solução também pode ajudar as autoridades de trânsito a tomar decisões mais sólidas sobre o
gerenciamento do tráfego e a melhoria da mobilidade urbana.

16
Referências

ABNT – Associação Brasileira de Normas Técnicas. NBR 14724: Informação e

documentação. Trabalhos Acadêmicos - Apresentação. Rio de Janeiro: ABNT, 2002.

BONABEAU, E. and THÉRAULAZ, G. Traffic and related self-driven many-particle

systems. Physica A: Statistical Mechanics and its Applications, v. 282, n. 1-2, p. 536-555, 2000.

PROVOST, F. and FAWCETT, T. Data Science for Business: What You Need to Know
about Data Mining and Data-Analytic Thinking. O'Reilly Media, Inc., 2013.

ZHANG, J., YANG, L. and CHEN, W. A Comprehensive Review of Smart Urban Traffic
Management. IEEE Transactions on Intelligent Transportation Systems, v. 19, n. 12, p.
3838-3857, 2018.

KERNER, B. S. Introduction to Modern Traffic Flow Theory and Control: The Long
Road to Three-Phase Traffic Theory. Springer International Publishing, 2018.

CABRAL, Isabela. Tudo sobre inteligência artificial: 10 fatos que você precisa saber.
TechTudo, 2018. Disponível em: <https://www.techtudo.com.br/listas/2018/05/tudo-sobre-
inteligencia-artificial-10-fatos-que-voce-precisa-saber.ghtml/>. Acesso em: 15 abr. 2023.

TOTVS. O que é inteligência artificial? Como funciona, exemplos e aplicações. TOTVS.

2019. Disponível em: <https://www.totvs.com/blog/inovacoes/o-que-e-inteligencia-
artificial/>. Acesso em: 13 abr. 2023.

17