TCC - Jadson Ferreira Jacob

U NIVERSIDADE F EDERAL DO R IO G RANDE DO N ORTE
C ENTRO DE T ECNOLOGIA
D EPARTAMENTO DE E NGENHARIA DE P RODUÇÃO
C URSO DE G RADUAÇÃO EM E NGENHARIA DE P RODUÇÃO
JADSON FERREIRA JACOB
T ÉCNICA MISTA DE SIMULAÇÃO : UMA APLICAÇÃO NO

FLUXO DE VEÍCULOS NUM TRECHO URBANO DA
CIDADE DE N ATAL /RN
Natal
2018
JADSON FERREIRA JACOB
T ÉCNICA MISTA DE SIMULAÇÃO : UMA APLICAÇÃO NO FLUXO DE
VEÍCULOS NUM TRECHO URBANO DA CIDADE DE N ATAL /RN
Monografia apresentada ao Departamento de En-

genharia de Produção da Universidade Federal
do Rio Grande do Norte como requisito parcial
para obtenção do grau de Bacharel em Engenha-
ria de Produção.
Orientador: Werner Kleyson da Silva Soares
Natal
2018
Universidade Federal do Rio Grande do Norte - UFRN
Sistema de Bibliotecas - SISBI
Catalogação de Publicação na Fonte. UFRN - Biblioteca Central Zila Mamede
Jacob, Jadson Ferreira.

Técnica mista de simulação: uma aplicação no fluxo de
veículos num trecho urbano da cidade de Natal/RN / Jadson
Ferreira Jacob. - 2018.
83 f.: il.
Graduação (monografia) - Universidade Federal do Rio Grande

do Norte, Centro de Tecnologia, Graduação em Engenharia de
Produção. Natal, RN, 2018.
Orientador: Prof. Dr. Werner Kleyson da Silva Soares.
1. Medida de segurança - Sinalização - Monografia. 2.

Simulação computacional - Monografia. 3. Teoria das Filas -
Monografia. 4. Tráfego - melhoria - Monografia. 5. Trânsito -
melhoria - Monografia. I. Soares, Werner Kleyson da Silva. II.
Título.
RN/UF/BCZM CDU 656.11.053.1
Elaborado por Kalline Bezerra da Silva - CRB-15/327

Este trabalho é dedicado aos meus filhos, Israel e Isabelly, os motivos que me movem todas as
manhãs, à minha esposa, Katiana, mulher sábia que luta pelos seus ideais e que sempre esteve
ao meu lado nos momentos bons e difíceis, e a Deus, a quem desejo amar até que nada mais
importe.
AGRADECIMENTOS
A Deus, autor e consumador da minha fé, de quem é o reino, e o poder, e a glória, para
sempre. “Ele não é servido por mãos de homens, como se necessitasse de algo, porque ele mesmo
dá a todos a vida, o fôlego e as demais coisas. (...) Deus fez isso para que os homens o buscassem
e talvez, tateando, pudessem encontrá-lo, embora não esteja longe de cada um de nós. ‘Pois nele
vivemos, nos movemos e existimos’ ”. (Atos 17:24-31)
À minha esposa e amiga Katiana, pela compreensão e parceria de todos os dias e noites
em claro, e aos meus filhos Israel e Isabelly. Obrigado pelo amor incondicional que vocês tem
por mim.
Ao meus pais, Manoel Jacob Sobrinho e Francinete Ferreira Jacob (in memorian), não
tenho palavras suficientes para agradecer tudo o que fizeram por mim. Apesar de serem pessoas
humildes, ao ponto de ir dormir sem saber o que colocar à mesa no dia seguinte, sempre me
incentivaram a me esforçar nos estudos.
A todos os meus colegas de graduação, deixo meu respeito e admiração, pessoas maravi-
lhosas que abrilhantaram as nossas discussões nos trabalhos e visitas, além do desempenho e
bons momentos que tivemos nas disciplinas de Empreendedorismo, negócios e gestão de projetos
inovadores; Projetos de Empreendimento; Teoria das Filas e Simulação; Engenharia Econômica;
Ergonomia.
Agradecimentos especiais são direcionados ao Grupo de pesquisa POLO - Pesquisa
Operacional e Logística da Universidade de Federal do Rio Grande do Norte, na pessoa do Prof.
Dr. Werner Kleyson da Silva Soares, que contribuiram e que ainda contribuirão para a evolução
dos estudos em Pesquisa Operacional e Logística da Engenharia de Produção na UFRN.
Aos colegas de trabalho na Biblioteca Setorial de Odontologia da UFRN e todos aqueles
que contribuíram para que a execução e conclusão desse trabalho fosse possível, agradeço pela
ajuda, orientação e paciência.
“Quem não entende, por todas estas coisas, que a mão do Senhor fez isto?
(Bíblia Sagrada, Jó 12:9)
“E não vos conformeis a este mundo, mas transformai-vos pela renovação da vossa mente, para
que experimenteis qual seja a boa, agradável, e perfeita vontade de Deus.
(Bíblia Sagrada, Romanos 12:2)
RESUMO
Os congestionamentos causam prejuízos financeiros, na saúde e no meio ambiente. Entretanto,
para efetuar uma melhoria assertiva no fluxo de veículos, são necesarios investimentos em
infraestrutura, a fim de reduzir os “gargalos” do tráfego. Assim, o presente estudo objetiva
encontrar soluções para beneficiar o fluxo de veículos, por meio da modificação do funcionamento
do semáforo em simulações. Após modelagem e validação do modelo computacional, foram
feitas, no software Anylogic ,R simulações de implementação de tempos de verde diferentes
do sistema real, e simulação da implantação de um sistema de semáforo atuado. Os resultados

foram analisados com ajuda de planilhas eletrônicas e softwares de análise estatística para ajustes
no modelo computacional a fim de aproximar os resultados da simulação aos resultados dos
cálculos teóricos. Como resultado, a simulação computacional indicou a redução nos tempos
e tamanhos das filas para os veículos oriundos da Avenida Bernardo Vieira nos experimentos,
especificamente, redução de 75,57% no tempo total no sistema para os que enfrentaram a fila
2, e de 48,54% de tempo no sistema na fila 3 ao implantar o sistema atuado. A implementação
de um semáforo atuado na área simulada no estudo favoreceu a redução do tempo de fila e da
quantidade de veículos presos no congestionamento local.
Palavras-chave: Simulação computacional. Teoria das Filas. Trânsito. Tráfego.

ABSTRACT
Congestion causes financial damage to health and the environment. However, to make an
assertive improvement in the flow of vehicles, infrastructure investments are needed to reduce
traffic bottlenecks. Thus, the present study aims to find solutions to benefit the flow of vehicles,
through the modification of the traffic lights in simulations. After modeling and validation of
the computational model, simulations of implementation of different green times of the real
system and simulation of the implementation of an actuated semaphore system were made in
Anylogic textregistered software. The results were analyzed with the help of spreadsheets and
statistical analysis software to adjust the computational model in order to approximate the results
of the simulation to the results of the theoretical calculations. As a result, the computational
simulation indicated the reduction in the times and sizes of the queues for the vehicles coming
from Avenida Bernardo Vieira in the experiments, specifically, reduction of 75.57 % in the total
time in the system for those who faced row 2, and of 48.54 % system time in queue 3 when
deploying the actuated system in experiment 2. The implementation of a traffic light in the area
simulated in the study favored the reduction of queuing time and the number of vehicles stuck in
local congestion.
Keywords: Simulation. Anylogic. Queueing Theory. Transit. Traffic.

LISTA DE ILUSTRAÇÕES
Figura 1 – Mapa do local do estudo. . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Figura 2 – Tempo de verde e Fluxo de Saturação. . . . . . . . . . . . . . . . . . . . . 26

Figura 3 – Laços indutivos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Figura 4 – Classificação da Pesquisa. . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

Figura 5 – Estrutura de pesquisa em Simulação. . . . . . . . . . . . . . . . . . . . . . 34
Figura 6 – Análise de correlação. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

Figura 7 – Imagem de satélite do local de estudo. . . . . . . . . . . . . . . . . . . . . 41
Figura 8 – Imagem da formação de filas. . . . . . . . . . . . . . . . . . . . . . . . . . 42
Figura 9 – Estabilização das chegadas por rodada. . . . . . . . . . . . . . . . . . . . . 43
Figura 10 – Modelagem do sistema. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
Figura 11 – Animação das filas em 3D. . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Figura 12 – Experimento 1: modificação na simultaneidade dos tempos de verde. . . . . 47
Figura 13 – Algoritmo do funcionamento do semáforo dinâmico. . . . . . . . . . . . . . 48
Figura 14 – Teste 1 do funcionamento do semáforo dinâmico. . . . . . . . . . . . . . . 49
Figura 15 – Teste 2 do funcionamento do semáforo dinâmico. . . . . . . . . . . . . . . 50
Figura 16 – Dados fila 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

Figura 17 – Dados Fila 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Figura 18 – Dados fila 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Figura 19 – Tempos Médios no Sistema. . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Figura 20 – Dados carros da V2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Figura 21 – Dados ônibus da V4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
Figura 22 – Dados ônibus da V5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Figura 23 – Tempos de travessia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Figura 24 – Emissão de poluentes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Figura 25 – Função para cálculo da extensão de verde. . . . . . . . . . . . . . . . . . . 72

Figura 26 – Action Chart para cálculo da extensão de verde. . . . . . . . . . . . . . . . 73
Figura 27 – Action Chart para cálculo do tempo de ciclo. . . . . . . . . . . . . . . . . . 74
Figura 28 – Action Chart para cálculo da variável tempo3. . . . . . . . . . . . . . . . . 75
Figura 29 – Análise dos dados para escolha da simulação adequada. . . . . . . . . . . . 76
Figura 30 – Boxplots dos dados para as filas de ônibus urbano. . . . . . . . . . . . . . . 77
Figura 31 – Boxplot dos dados para as filas da V2. . . . . . . . . . . . . . . . . . . . . 78
Figura 32 – Boxplot dos dados para os tempos de travessia. . . . . . . . . . . . . . . . . 78
Figura 33 – Área de trabalho do Anylogic. . . . . . . . . . . . . . . . . . . . . . . . . . 80
Figura 34 – Ferramentas Tráfego do Anylogic. . . . . . . . . . . . . . . . . . . . . . . 81
Figura 35 – Ferramentas do Anylogic. . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Figura 36 – Ferramentas da biblioteca connectivity. . . . . . . . . . . . . . . . . . . . . 83
Figura 37 – Biblioteca Agent. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
LISTA DE TABELAS
Tabela 1 – Determinação do FS para larguras inferiores a 5,5m. . . . . . . . . . . . . . 27
Tabela 2 – Dados coletados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
Tabela 3 – Dados das simulações. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

Tabela 4 – Emissões de CO2 e CO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
LISTA DE QUADROS
Quadro 1 – Tipos de validação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Quadro 2 – Equações das distribuições de probabilidade . . . . . . . . . . . . . . . . . 44

SUMÁRIO
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.1 PROBLEMATIZAÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2 OBJETIVOS E JUSTIFICATIVA . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.1 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.2 Contextualização e Justificativa . . . . . . . . . . . . . . . . . . . . . . . 17
2 REVISÃO BIBLIOGRÁFICA . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.1 CONCEITOS BÁSICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.1.1 Distribuição de Probabilidades . . . . . . . . . . . . . . . . . . . . . . . 19
2.1.2 Processos estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2 REFERENCIAL TEÓRICO . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.1 Teoria das filas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.2 Simulação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.3 Estudo de tráfego . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.3.1 Controle semi-atuado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2.3.2 Controle totalmente atuado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.4 Poluentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3 SOFTWARES DE SIMULAÇÃO DE TRÁFEGO . . . . . . . . . . . . . . . 30
2.4 SOFTWARE ANYLOGIC R . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3 PROCEDIMENTOS METODOLÓGICOS . . . . . . . . . . . . . . . . . . . 33
3.1 COLETA E ANÁLISE DOS DADOS REAIS . . . . . . . . . . . . . . . . . . 35
3.2 ANÁLISE DAS SIMULAÇÕES . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3 DESENVOLVIMENTO, VERIFICAÇÃO E VALIDAÇÃO DO MODELO . . . . 38
4 IMPLEMENTAÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.1 A SIMULAÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.1.1 Experimentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.1.1.1 Experimento 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1.1.2 Experimento 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.1.1.3 Experimento 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5 RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.1 ANÁLISE DOS RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . 60
6 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
APÊNDICES 71
15
1 INTRODUÇÃO
Nos grandes centros urbanos, os congestionamentos geram perdas de tempo e de dinheiro,

além dos problemas ambientais causados pela emissão de gás carbônico (CO2 ) por parte dos
veículos. Devido aos congestionamentos, é preciso hoje calcular um tempo adicional ao tempo
de viagem e calcular também a possibilidade de aumento no consumo de combustível. Sob
um prisma mais abrangente e tendo em mente que no Brasil se utiliza principalmente o modal
rodoviário, os atrasos nos transportes de mercadorias acabam por se constituir um entrave à
produtividade do país e contribui para a elevação do custo do transporte rodoviário, tornando
pouco eficiente os transportes de mercadorias e bens nas rodovias brasileiras (DOWNS, 2005).
Para além dos transtornos logísticos das empresas, os engarrafamentos prejudicam de muitas
maneiras todos os agentes envolvidos, quer seja nos aspectos economicos, psicológicos ou
ambientais.
1.1 PROBLEMATIZAÇÃO
Congestionamentos são resultado da influência da elevação constante do fluxo de veículos

automotores somada a fatores externos à corrente de tráfego como semáforos, lombadas, travessia
de pedestres e buracos na via, muito frequentes nas estradas brasileiras, além de outras correntes
de tráfego prioritárias. Todos esses elementos causam interrupções do fluxo. Por conseguinte, a
constante aceleração e desaceleração dos veículos congestionados, somados ao número crescente
de veículos circulando nas ruas elevam o consumo de combustíveis e emissão e poluentes
diariamente (TESTA, 2015). Desse modo passam a ser necessárias as intervenções estruturais na
via com o objetivo de minimizar os problemas causadores dos “gargalos”. Para isso é importante
um estudo de viabilidade e o uso de ferramentas adequadas a essa análise, como a Simulação
Computacional, o que proporciona um investimento mais assertivo ao fazer as tomadas de
decisão.
No município de Natal, RN, parte da população necessita deslocar-se diariamente da zona
norte da cidade para as demais áreas da região metropolitana. Não somente a população local,
como também pessoas que chegam de avião em Natal pelo aeroporto internacional localizado no
município vizinho, de São Gonçalo do Amarante, geralmente precisam passar pelo trecho objeto
deste estudo na Av. Bernardo Vieira. Para isso, utiliza-se da Ponte Presidente Costa e Silva,
mais conhecida localmente como “Ponte de Igapó”, cuja maioria dos carros e caminhões segue
direto para o local estudado, depois de enfrentar um congestionamento de aproximadamente 4km
de extensão, contados desde o encontro das Avenidas Dr. João Medeiros Filho com a Avenida
Bacharel Tomaz Landim (pouco antes da entrada da “Ponte de Igapó”) até o começo da Avenida
Bernardo Vieira no horário da manhã. O mapa a seguir apresenta uma vista superior das ruas,
Capítulo 1. INTRODUÇÃO 16
incluindo um trecho da “Ponte de Igapó”.
Figura 1 – Mapa do local do estudo.
Fonte: Adaptado de Google.
Destacada com um círculo vermelho na Figura 1 está a Rua dos Pegas e o início da Av.
Bernardo Vieira, na altura do semáforo da intersecção entre as duas vias. A “Ponte de Igapó”
está localizada na parte superior esquerda do mapa. Por esta ponte passavam em média cerca de
32870 veículos todos os dias conforme relatório do Departamento Nacional de Infraestrutura e
Transportes (2009) já em 2009, quando a frota de veículos da cidade era da ordem de 256056
veículos. Com a inauguração do Aeroporto Internacional de Natal Governador Aluízio Alves em
maio de 2014, houve um incremento à taxa de crescimento do número de veículos que passam
pela ponte seguindo pela Av. Bernardo Vieira, passando pelo encontro com a Rua do Pegas
em Natal / RN. Em junho de 2017, a frota em Natal chegou a 387767 veículos (DETRAN/RN,
2017).
Por causa desses fatores, dentre outros, o tempo gasto no deslocamento diário sofre
um acréscimo devido à ocorrência de congestionamentos. Um dos prejuízos gerados por esses
engarrafamentos foi estimado pelo Sistema FIRJAN (2015), cujo relatório apontou que em
Natal, 205 mil trabalhadores levaram, em média, 109 minutos nos deslocamentos casa-trabalho-
casa, considerando apenas os deslocamentos acima de 30 minutos no ano de 2012. Segundo a
instituição, isso gerou o que foi chamado de custo da produção sacrificada, isto é, quanto poderia
ser produzido na economia no mesmo tempo gasto nos deslocamentos, de valores acima de R$
537,6 milhões naquele ano.
A partir dessas informações, e levando em consideração os problemas acarretados por
congestionamentos, no presente estudo foram desenvolvidos modelos computacionais no intuito
de responder ao problema de pesquisa: Os modelos desenvolvidos podem ser usados como
opções de melhoria do trânsito local do estudo para tomada de decisão?
1.2 OBJETIVOS E JUSTIFICATIVA
Uma vez que o funcionamento do semáforo possui grande representatividade no efeito

“anda e para” do congestionamento local, foram a seguir estabelecidos os objetivos deste trabalho.
1.2.1 Objetivos
O presente estudo tem como objetivo geral encontrar soluções para melhorar o fluxo de
veículos, por meio da modificação do funcionamento do semáforo em simulações. Para isso,
compõe o escopo do estudo, isto é, os objetivos específicos deste trabalho:
• Encontrar um modelo válido na simulação computacional do sistema estudado;
• Analisar o comportamento do fluxo de automóveis na simulação em função das mudanças

no funcionamento do semáforo do encontro entre a Avenida Bernardo Vieira e a Rua dos
Pegas de Natal/RN;
• Simular a implementação de um semáforo dinâmico na área simulada no estudo;
• Analisar o comportamento do fluxo de automóveis na simulação em função das mudanças

no funcionamento do semáforo quanto à redução do tempo de fila e da quantidade de
veículos presos no congestionamento local;
• Estimar os efeitos na emissão de poluentes.
1.2.2 Contextualização e Justificativa

O Engenheiro de Produção tem potencial para otimização e melhoria dos mais variados
sistemas se utilizando das ferramentas disponíveis na Engenharia de Produção. A simulação de
sistemas é uma delas. E a experimentação de novas funcionalidades dos softwares disponíveis no
mercado fomenta as capacidades desse profissional. Portanto, a aplicação do ferramental usado
neste estudo constitui mais uma abordagem daquilo que o engenheiro de produção é capacitado
a fazer.
Además, a observação das atividades do cotidiano foi um dos motivadores do tema
deste trabalho. Em muitas ocasiões as filas acabam sendo inevitáveis e por vários motivos
como: falha no sistema, quantidade de atendentes insuficientes, grande variação na demanda
e outros motivos. No transito não é diferente. O crescimento dos congestionamentos demanda
intervenções estruturais para minimizar os problemas causadores dos “gargalos” na via. Para isso
é importante um estudo de viabilidade podendo ser usadas simulações computacionais para um
investimento em melhorias mais assertivo, trazendo assim benefícios à sociedade, quais sejam, a
possibilidade de despender menos tempo nos congestionamentos do trânsito diário.
Ainda, quanto à análise dos benefícios ambientais das melhorias no fluxo de veículos,
estudos de SALDIVA et al. (2007) mostram que aproximadamente 3 mil mortes por ano em
São Paulo estão relacionadas à poluição do ar, representando um custo anual de cerca de R$ 1,5
bilhão, além das 200 doenças associadas, o que evidencia a importancia de estudos para redução
das emissões de poluentes.
Além disso, as pesquisas academicas no tema Simulação na Engenharia de Produção tem
maior relação com a solução de problemas organizacionais e gestão da produção e de serviços,
de modo que os artigos com as palavras chave ’traffic congestion’, ’simulation’, ’computer
simulation’ e ’optimization’ representam apenas 16,2% das buscas em engenharia (dentre 48602
resultados para ’production’ e ’simulation’ em engenharia desde 2013) na base de dados SCOPUS
nos últimos cinco anos, e apenas 0,04% se acrescentada a palavra ’Anylogic’ na busca. Portanto
há uma baixa utilização da simulação de tráfego urbano com o software Anylogic nos estudos
envolvendo engenharia e produção.
A seguir é levantado na revisão bibliográfica o referencial teórico, abordando os conceitos
básicos necessários ao estudo de filas e simulação de sistemas, seguidos do estado da arte no
tema. Depois é introduzido, no capítulo seguinte, o programa de simulação utilizado no estudo.
Na sequência é descrita a metodologia utilizada na execução dos trabalhos e implementação
dos sistemas. São mostrados, em seguida, na seção resultados, os achados da investigação. O
relato termina na seção de análise dos resultados, com a interpretação e os comentários sobre
o significado dos resultados e a comparação com outros achados de pesquisas sobre o assunto,
seguido da conclusão.
19
2 REVISÃO BIBLIOGRÁFICA
A seguir são abordados alguns conceitos das várias áreas a Engenharia de Produção
necessários ao entendimento do estudo e utilizados nas várias etapas deste trabalho, começando
pelas definições mais fundamentais e termina tratando um pouco sobre programas específicos da
engenharia de tráfego.
2.1 CONCEITOS BÁSICOS
Os conceitos básicos compreendem o entendimento acerca de alguns conteúdos acerca

de probabilidades, tais como distribuições, seguidos de processos estocásticos, conceitos da
engenharia de tráfego, teoria de filas e simulação.
2.1.1 Distribuição de Probabilidades

Distribuição de probabilidade é um modelo matemático que relaciona um certo valor
da variável em estudo com a sua probabilidade de ocorrência, podendo ser contínua, quando a
varíável medida é expressa em uma escala contínua, como por exemplo valores dimensionais, ou
discreta, quando a varíável medida só pode ser expressa por valores determinados, como valores
inteiros 0, 1 e 2 por exemplo.
Em distribuições discretas, a probabilidade de que a variável X assuma um valor x0 é
dada por:
P(X = x0 ) = P(x0 ) (2.1)
Para variáveis contínuas, as probabilidades são estabelecidas por intervalos, uma vez que
a probabilidade associada a um número específico é zero, de modo que:
Z b
P(a ≤ X ≤ b) = f (x)dx (2.2)
a
As distribuções discretas mais relevantes são a Distribuição Binomial e a Distribuição

Poisson. As distribuições contínuas mais relevantes são a Distribuição Exponencial e Distribuição
Normal (MONTGOMERY; RUNGER; CALADO, 2000).
Para a teoria de filas, uma distribuição importante também é a distribuição Erlang (Ek ),
com k fases, e que possui relação com distribuição exponencial (FOGLIATTI; MATTOS, 2007).
Capítulo 2. REVISÃO BIBLIOGRÁFICA 20
2.1.2 Processos estocásticos

Segundo Fogliatti e Mattos (2007), são ditos estocásticos os processos cujo comporta-
mento pode ser definido em termos probabilísticos. Processos com filas, tempos entre chegadas
sucessivas e tempos de atendimento são representados por variáveis aleatórias e vem a ser
denominados processos estocásticos, que podem ser markovianos, semi-markovianos e não-
markovianos.
Processos estocasticos Markovianos ocorrem quando o evento no instante t0 não depende
ou interfere no evento do instante t1 para ocorrer, nem em t2 nem em eventos nos instantes
posteriores.
Um processo estocástico é denominado processo Markoviano se dada uma

sequência de tempos t0 < t1 < t2 < ... < tn < t, a distribuição de probabilida-
des condicional de X(t) para dados valores de X(t0 ), X(t1 ), ... X(tn ) depende
unicamente de X(tn ). (...) Em outras palavras, dada a informação do presente,
toda informação passada é irrelevante para a previsão da posição do processo
futuro. Um processo markoviano que possui o espaço de estados discreto é
denominado cadeia de markov(FOGLIATTI; MATTOS, 2007).
O comportamento de um processo markoviano passa a ser interessante após um longo

período de tempo de iterações, particularmente se o seu comportamento “se estabiliza” probabi-
listicamente alcançando o estado estacionário. Há três conceitos relacionados que têm a ver com
o comportamento de longo prazo chamados distribuições limitantes, distribuições estacionárias
e Ergodicidade. Para fins deste estudo, convém definir apenas distribuições estacionárias, qual
seja: uma cadeia irredutível tem uma distribuição estacionária, se e somente se, todos os seus
estados são recorrentes positivos (FOGLIATTI; MATTOS, 2007; SHORTLE et al., 2008).
2.2 REFERENCIAL TEÓRICO
A seguir, são levantados os conhecimentos básicos sobre a Teoria de filas e Simulação

necessários a estudos do campo da Pesquisa Operacional. São esclarecidos também conceitos da
Engenharia de Tráfego necessários ao desenvolvimento deste estudo.
2.2.1 Teoria das filas

Para Arenales et al. (2015), a Teoria das Filas é um ramo da Pesquisa Operacional que
estuda a relação entre a demanda de um sistema e os atrasos sofridos pelos usuários desse sistema.
A formação de filas ocorre quando a demanda excede a capacidade do sistema atendê-la a um
determinado tempo. Quanto menor é a capacidade do sistema, maior será o tempo médio de
espera; conforme se aumenta a capacidade, esse tempo diminui.
Para descrever um sistema de filas, é utilizado a notação proposta por Kendall, na forma
A/B/C/D/E, onde A e B referem-se à distribuição de probabilidades do tempo entre chegadas e
à distribuição do tempo de atendimento (M, D, Ek G), C e D denotam o número de servidores

(canais de atendimento) e o número máximo de clientes no sistema (finito ou infinito) e E
representa a disciplina de atendimento da fila (FIFO ( first in-first out), LIFO (last in-first
out), SIRO (Randômica), PRI (Prioridade), etc). Desse modo, uma notação poderia ser escrita
nas formas M/M/1/∞/FIFO ou M/M/1, M/D/10/20/SIRO, M/G/1/∞/LIFO e G/G/1/∞/PRI, por
exemplo (KLEINROCK; GAIL, 1996). Segundo Fogliatti e Mattos (2007), as distribuições de
probabilidade mais comuns para A e B são:
M: Markoviano: Quando for uma distribuição Exponencial, os dados utilizados são os tempos
entre chegadas; quando for distribuição de Poisson, são taxa de chegada;
D: Determinístico (tempo constante);
Ek : Distribuição Erlang do tipo k ou Gama: soma de distribuições exponenciais independentes;
G: distribuição geral: distribuição dos tempos de chegada/serviço não especificada;
O modelo markoviano de fila M/M/1 (ou seja, modelo M/M/1/∞/FIFO) é um dos modelos
mais usados nos estudos acerca da teoria de filas (KLEINROCK; GAIL, 1996). Para um processo
representado por esse modelo em um sistema no regime estacionário, as medidas de desempenho
auxiliam na avaliação da produtividade e em seu dimensionamento. Algumas dessas medidas
são:
L: Número médio de usuários no sistema;
Lq : Número médio de usuários na fila;
W : Tempo médio de permanência no sistema;
Wq : Tempo médio de espera na fila.
Há ainda na Teoria de Filas algumas relações entre as medidas de desempenho conhecidas

como fómulas de Little, cujo resultado independe de propriedades específicas das distribuições
dos tempos entre chegadas e de atendimento, a quais asseguram que (FOGLIATTI; MATTOS,
2007):
Lq
1. L = λ ∗W 3. Wq = λ
2. W = Wq + 1µ 4. Lq = L − λ ∗ µ1
Onde:
λ : Taxa média de entradas no sistema;

1
λ : Intervalo entre chegadas;
µ : Taxa média de atendimento;

1
µ : Tempo de atendimento.
Dentre os modelos de filas considerados markovianos e úteis para a realização deste

estudo, existem também os modelos M/Ek /1/∞/FIFO, isto é, tempo entre chegadas com distri-
buição exponencial / tempos de atendimento seguindo distribuição Erlang de parâmetros k e ku
/ um atendente / sem limitação física para o local de espera / com a disciplina: primeiro que
entra, é o primeiro que sai; M/Ek /1/K/FIFO, tempo entre chegadas com distribuição exponencial
/ tempos de atendimento seguindo distribuição Erlang de parâmetros k e ku / um atendente /
não é permitido no sistema mais do que K usuários / com a disciplina: primeiro que entra, é o
primeiro que sai; e M/Ek /c/K/FIFO, tempo entre chegadas com distribuição exponencial / tempos
de atendimento com distribuição Erlang de parâmetros k e ku / quantidade c de atendentes / não é
permitido mais do que K usuários no sistema / com a disciplina: primeiro que entra, é o primeiro
que sai. De forma análoga, ocorre os modelos M/Ek /1, Ek /M/1/K/FIFO e Ek /M/c/∞/FIFO. Para
estes casos, ambos os modelos não são de fato markovianos devido à distribuição dos tempos de
atendimento ser Ek , ou seja, não seguem distribuições exponenciais. Contudo Fogliatti e Mattos
(2007) afirma que Ek :
...possui propriedades que garantem que ’uma variável aleatória com distribui-
ção Erlang de parâmetros k e ku equivale a uma soma de k variáveis aleatórias
exponenciais de parâmetros idênticos ku’ permite simplificar a modelagem do
sistema no estado de regime estacionário, considerando o serviço como uma
sequência de k fases (com tempos identicos e exponencialmente distribuídos
com parâmetros ku).
Com isso se pode estabelecer o modelo de filas adequado ao sistema e em seguida

determinar suas medidas de desempenho. Medidas de desempenho em sistemas se encontram
interrelacionadas e sua manipulação envolve como consequências modificações em outra medidas
de desempenho. Para tanto é necessário o ajuste dos parâmetros com vistas ao alcance do objetivo
ótimio. Esses ajustes podem ser feitos também com o auxílio de simulações computacionais, as
quais podem ser utilizadas para estudo e análise de sistemas com muitas filas e processos.
2.2.2 Simulação
Simulação é a experimentação de um sistema real através de modelos matemáticos e
computacionais, e implica na modelagem de um processo ou sistema, de tal forma que o modelo
imite as respostas do sistema real numa sucessão de eventos que ocorrem ao longo do tempo. É
o processo de projetar um modelo de um sistema real e conduzir experimentos com esse modelo
com o propósito de entender seu comportamento e/ou avaliar estratégias para sua operação
(BATERMAN et al., 2013).
Para Lobão e Porto (1999), as ferramentas de simulação foram desenvolvidas para

estudo dos mais diversos sistemas, cuja evolução ocorreu de forma diretamente proporcional à
tecnologia de suporte (hardware e software) disponíveis no momento de sua implementação,
sendo classificadas em:
• Modelos matemáticos e modelos de escala: as primeiras ferramentas empregadas em

modelagens e simulações. Os modelos físicos são representações em maior ou menor
escala do sistema real. Modelos matemáticos são representações numéricas das relações
entre os elementos do sistema modelado.
• Linguagens de simulação: trata-se de bibliotecas de conjuntos de comandos (como por

exemplo: GPSS, SIMAN, SLAM, SIMSCRIPT) de outras linguagens de programação
(Fortran, Pascal, C, etc.) desenvolvidas com o fim específicos de simular sistemas de
produção. Alguns dos simuladores gráficos foram construidos sobre a plataforma dessas
linguagens, como o Arena, desenvolvido sobre a linguagem SIMAN.
• Simuladores de interface gráfica e orientados a objetos: o aparecimento das linguagens

específicas para simulação e a redução de custos de hardwares e softwares possibilitaram
o aumento no número de usuários, que, por sua vez, viabilizaram o desenvolvimento de
simuladores com interface gráfica e orientados a objetos de sistemas específicos como:
simulação de manufatura, simulação de vôo, circuitos eletrônicos, tráfego e para condutores
de trens.
• Simuladores interativos: auxiliam a definição das especificações do sistema, estabelecendo

diretrizes para construção do modelo, como verificação de bugs e quantidade de replicações
necessárias.
Já para Schmidt e Taylor (1970), Sistemas podem ser definidos como “um conjunto de
objetos, como pessoas ou máquinas, por exemplo, que atuam e interagem com a intenção de
alcançar um objetivo ou um propósito lógico”. Além disso, Modelos podem ser classificados
em físicos e lógicos (ou matemáticos). São uma representação, imitação dos sistemas reais
(KELTON; SADOWSKI; STURROCK, 2007).
Desse modo, a simulação de sistemas é útil para prever o comportamento futuro dos
sistemas usando modelos, isto é, antecipar os efeitos produzidos por alterações ou pelo emprego
de outros métodos em suas operações, o que permite ao analista realizar estudos sobre os
correspondentes sistemas para responder questões do tipo: “O que aconteceria se?” Com isso
é possível construir hipóteses a partir de observações efetuadas através de modelos devido a
facilidade de compreensão e aceitação dos resultados, a qual deve-se a fatores como:
• Níveis de detalhes;
• Visualização dos sistemas, incluindo animações;
• Economia de tempo e recursos financeiros.
• Ganhos de produtividade e qualidade;
• Percepção da semelhança entre o comportamento do modelo simulado e o do sistema real.
As motivações para a elaboração de simulação de sistemas podem ser das mais variadas,
dentre as quais podem ser destacadas:
1. O sistema modelado ainda não existe: Neste caso a simulação poderá ser usada para
planejar o novo sistema;
2. Experimentar com o sistema real é dispendioso: O modelo poderá indicar, com muito
menos custo, quais os benefícios de se investir em um novo equipamento, por exemplo;
3. A experimentação com o sistema real é inadequada: O planejamento do atendimento de

situações de emergência. Exemplo: um desastre em um aeroporto.
Cada método se aplica a um conjunto específico de níveis de abstração. A

dinâmica de sistemas pressupõe um nível de abstração alto e é normalmente
usada para modelagem estratégica. Eventos discretos suportam abstrações de
níveis médio e baixo. No meio, estão os modelos baseados em agentes, que
podem variar de modelos muito detalhados, onde agentes representam objetos
físicos, a modelos altamente abstratos, onde agentes são empresas ou governos
concorrentes (GRIGORYEV, 2015).
Assim, é possível dizer que a Simulação Computacional possibilita o estudo analítico

do comportamento das filas em função de intervenções feitas no sistema estudado, haja vista
que além de uma ferramenta de otimização, a simulação é principalmente uma ferramenta de
análise de cenários. Estas simulações são desenvolvidas de acordo com a escala de aplicação
(redes, interseções), a representação do processo (determinístico, estocástico) ou a escala de
variáveis independentes (continuo, discreto). Também uma classificação geralmennte usada para
simuladores de tráfego é quanto ao nível de detalhes com que os sistemas são descritos (modelos
microscópicos, mesoscópico e macroscópico). Modelos microscópicos diferenciam o compor-
tamento individual do agente. Os modelos mesoscópicos não diferenciam o comportamento
individual do veículo no sistema, ou seja, cada veículo como um agente, como no microscópico,
mas especifica em termos de probabilidades o comportamento de pequenos grupos de entidades
de tráfego se movendo em conjunto. Modelos macroscópicos tratam do tráfego como um todo,
não fazendo distinção entre as partes que o constituem. O método a ser utilizado na modelagem
de simulação é função do nível de abstração do sistema, e pode ser classificado em: método
da modelagem baseada em agentes, modelagem de eventos discretos e modelagem de sistemas
dinâmicos. Há também a possibilidade de se trabalhar com um modelo de simulação mista, onde
elementos de dois ou mais métodos são utilizados no modelo de simulação (CHWIF; MEDINA,
2006; HOOGENDOORN; BOVY, 2001).
2.2.3 Estudo de tráfego

A Engenharia de Tráfego é a parte da Engenharia de Transportes que trata dos pro-
blemas de planejamento, operação e controle de tráfego, ou seja, do movimento ou fluxo de
veículos. Estuda o comportamento do fluxo de veículos nas malhas viárias nos centros urbanos
(PIGNATARO, 1973).
Para Luna (2003), a programação de semáforos é função do estabelecimento de tempos
adequados a uma demanda específica e do ajuste de tempo a uma demanda variável. Segundo ele,
essa programação se dá a partir de um modelo matemático ou computacional do comportamento
do tráfego.
A fim de avaliar o desempenho de um encontro de vias urbanas sob um plano semafórico,
podem ser considerados atrasos, número de paradas, comprimento de filas, atraso para pedestres,
consumo de combustíveis, emissão de poluentes e fila residual ao término do sinal verde
(TAYLOR; BONSALL; YOUNG, 1996) como indicadores de desempenho.
Para o cálculo desses indicadores é utilizada uma variável chamada Fluxo de Saturação
(FS), que é um “número máximo de veículos que poderia passar em uma aproximação controlada
por sinalização semafórica no caso dessa aproximação receber indicação verde durante uma hora
inteira”, e geralmente é um valor que fica no intervalo de 1600 a 2000 carros de passeio por hora
por faixa (Conselho Nacional de Trânsito, 2014). Logo, se a saturação do movimento é menor
ou igual a 100% (a ≤ 1), então o tempo de verde do semáforo que o controla é o suficiente
para escoar todos os veículos que chegam a ele. Quando o grau de saturação do movimento se
torna superior a 1 (a > 1), ocorre a formação de filas, que podem acarretar em engarrafamentos
(GONZAGA, 2016). “Por isso, as condições topográficas, geométricas, de largura, número de
faixas, e de qualidade do pavimento são fatores que influenciam o resultado do fluxo de saturação”
(OLIVEIRA, 2016).
Luna (2003) afirma que há abordagens que consideram para fins de cálculo dos tempos
semafóricos um valor fixo do Fluxo de Saturação (FS), mas ele defende que esse FS, para melhor
representar a atuação real do sistema, quando as condições forem satisfeitas, deve representar
um comportamento dinâmico através da seguinte expressão:
∑ni=1 (vi − 5)
(FS) = , n ≥ 15, vi ≥ 6 (2.3)
∑ni=1 (ti − ti 5)
Onde:
FS: fluxo de saturação [veic./h];

n: número de ciclos incluídos no cálculo;
vi : número de veículos em fila descarregados no ciclo i [veic];
ti : tempo de passagem pela retenção do último veículo em fila do ciclo i [h];
ti 5: tempo de passagem pela retenção do quinto veículo em fila do ciclo i [h];
A Figura 2 respresente um esquema do comportamento do trânsito em semáforos assu-

mido por Webster apud Conselho Nacional de Trânsito (2014).
Figura 2 – Tempo de verde e Fluxo de Saturação.
Fonte: Conselho Nacional de Trânsito (2014).
Como mostra a Figura 2, o tempo de verde efetivo é o intervalo do tempo de sinal verde
no qual ocorre o fluxo máximo de automóveis (FS), que é o tempo realmente aproveitado pela
fase do tempo de verde na aproximação semafórica. O tempo de verde perdido ou tempo morto é
o tempo que se perde devido às reações dos motoristas para acelerar no início e, no fim do tempo
de verde de uma dada fase, frenar, quando o fluxo é desprezível. A partir da Figura 2, observa-se
que a taxa de descarga da fila em períodos saturados é máxima entre os tempos perdidos inicial e
final da fase.
Assim, para encontrar a capacidade C p de uma aproximação semafórica, medida em

veículos por hora, multiplica-se o Fluxo de Saturação (FS) pelo tempo de verde efetivo (ge f )
dividido pelo tempo de ciclo (C) do semáforo, ambos em segundos, conforme as expressões:
ge f
C p = FS ∗ ( ) (2.4)
C
Onde o tempo de verde efetivo (ge f ) é calculado pela soma do tempo de verde normal
(g) com o tempo de amarelo (ta ), subtraindo o tempo perdido por fase (Ii ):
ge f = (g + ta ) − Ii (2.5)
E, pelo método de Webster apud Santos (2007), o Fluxo de Saturação (FS) pode ser tam-
bém definido, embora não mais representando um comportamento dinâmico, pela multiplicação
da largura L da via (em metros) por 525, para larguras superiores ou iguais a 5,5m:
FS = 525 ∗ L (2.6)
Para largura L menor que 5,5m, o Fluxo de Saturação segue os valores fornecidos pela
tabela 1.
Tabela 1 – Determinação do FS para larguras inferiores a 5,5m.

L(m) 3 3,3 3,6 3,9 4,2 4,5 4,8 5,2
FS(veic/htv) 1850 1875 1900 1950 2075 2250 2475 2700
Fonte: Santos (2007).
Se a largura da via não compreender algum dos valores da Tabela 1, podem ser usadas,
para a determinação do FS, as equações 2.6 ou 2.3. O fluxo de veículos pode ser melhor
identificado e caracterizado com a ajuda de detectores de tráfego, que são dispositivos que têm a
função de detectar a demanda de tráfego (veículos motorizados, não motorizados e pedestres). A
Figura 3 traz um exemplo de detector de tráfego.
Figura 3 – Laços indutivos.
Fonte: Conselho Nacional de Trânsito (2014).
Existem diferentes tecnologias utilizadas para este tipo de dispositivo que são escolhidas
de acordo com a necessidade e características de cada local. Segundo o Conselho Nacional de
Trânsito (2014), os laços detectores indutivos da Figura 3 são um dos mais utilizados para a
detecção do tráfego veicular. O Conselho Nacional de Trânsito (2014) afirma também que:
“Esses dispositivos são constituídos por cabos metálicos inseridos no pavimento,

construídos geralmente na forma retangular, e conectados a circuitos eletrônicos
dos controladores. Nesses laços circula corrente elétrica que forma um campo
magnético, o qual sofre alterações quando da passagem ou presença de massa
metálica, alterações estas que indicam aos controladores a passagem ou presença
dos veículos.”
Os laços indutivos podem ser úteis para a instalação de semáforos dinâmicos, que
funcionam por controle atuado pelo tráfego, e podem ser classificados em semi-atuados e
totalmente atuados.
2.2.3.1 Controle semi-atuado
Geralmente são instalados em cruzamentos de vias principais (vias de grande volume)

com vias secundárias. Para os veículos das vias principais, a indicação verde é dada continua-
mente, sendo interrompida quando detectores implantados nas aproximações da via secundária
acusarem a presença de veículos motorizados. Para a travessia de pedestres, a interrupção da
indicação verde para os veículos da via principal ocorrerá quando botoeiras forem acionadas
(Conselho Nacional de Trânsito, 2014).
2.2.3.2 Controle totalmente atuado
O controle totalmente atuado opera a partir do acompanhamento da demanda de tráfego,

se utilizando da implantação de detectores de tráfego em suas aproximações semafóricas. O
funcionamento em modo totalmente atuado consiste na determinação do tempo de verde para
cada estágio de sinalização, variando entre valores mínimo e máximo previamente estabelecidos.
Sua implantação depende de algoritmos e parâmetros de programação, seguindo recomendações
do Conselho Nacional de Trânsito (2014).
Os parâmetros básicos para a programação semafórica desse tipo são: verde mínimo,
extensão de verde e verde máximo. O parâmetro extensão de verde pode ser estabelecido para
um dos dois propósitos:
• Viabilizar a passagem pela sinalização semafórica de todo veículo detectado durante o

tempo de verde ainda nesse mesmo verde, enquanto o verde máximo do estágio não é
atingido, chamada de estratégia de passagem. Se o carro passou pelo detector, o sinal só
fecha após a travessia do veículo.
• Pode ter também o propósito de minimizar o atraso total da interseção a partir da identifi-
cação do melhor instante de corte do verde, chamada de estratégia de corte ótimo.
Para fins de cálculo do tempo de ciclo no sistema atuado pela estratégia de corte ótimo,
adotou-se como tempo de ciclo fixo o tempo de ciclo real. Assim, o tempo de ciclo seria calculado
a partir do tempo de ciclo fixo (Conselho Nacional de Trânsito, 2014):
tc = 1, 4 ∗ tc f ixo (2.7)
em que:
tc : Tempo de ciclo adotado para o cálculo do verde máximo, em segundos;
tc f ixo : Tempo de ciclo real adotado para tempo fixo, em segundos.
2.2.4 Poluentes
Conforme afirma Souza (2017), as emissões veiculares são divididas em gases poluentes
e gases de efeito estufa. As emissões são medidas em g/Km. Em paízes da união européia, e
Japão, os níveis de emissão de CO2 são da ordem de 130 g/Km e 125 g/Km, espectivamente.
Nos EUA, o fator de emissão chega a 240 g/Km, isto é, são produzidas 240 g de CO2 a cada
kilômetro rodado. No Brasil, esse fator para automóveis pode chegar a 271 g/Km (GALBIERI et
al., 2017; PAIVA et al., 2014).
Gases poluentes são os hidrocarbonetos não-metano - NMHC, o monóxido de carbono -
CO e os óxidos de hidrogênio - NOx . Gás de efeito estufa é principalmente o dióxido de carbono -
CO2 . Essas emissões são responsáveis pelo despejo na atmosfera de várias substâncias, que, além
das anteriormente citadas, são também os Hidrocarbonetos - HC, Aldeídeos - RCHO e Material
Particulado - MP. Os gases poluentes são os que mais oferecem riscos à saúde, principalmente
problemas respiratórios (PAIVA et al., 2014).
Os gases de efeito estufa, como o CO2 , causam poucos prejuízos à saúde, mas contribuem
para a formação do fenômeno do aquecimento global. Souza (2017) elenca os principais resíduos
poluentes da queima veicular, que são:
• Os aldeídeos (RCHO) produzidos por veículos ocorrem principalmente na queima de

etanol e podem causar irricações das mucosas dos olhos, nariz e vias respiratórias e são
compostos potenciais carcinogênicos;
• O dióxido de nitrogênio (NO2 ) em altas concentrações pode levar ao agravamento de

doenças respiratórias e pulmonares;
• Hidrocarbonetos (HC): divididos em Hidrocarbonetos Totais (THC), Hidrocarbonetos

simples (CH4 - metano) e Hidrocarbonetos não metano (NMHC), onde THC pode ser
expresso por HC(ouT HC) = CH4 + NMHC. São resíduos de vários processos industriais.
Nos centros urbanos, os processos de queima e evaporação de combustíveis são suas fontes
principais; são potencias causadores do efeito estufa.
• Monóxido de carbono (CO) é produto da combustão em condições não iteais, com oxigênio
insuficiente para a queima, geralmente em áreas urbanas. Causa fadiga e dores no peito
podendo, em altas concentrações, levar à asfixia e morte;
• Material particulado (MP) é resíduo de obras de pavimentação e de queima de combustíveis

fósseis. Pode levar a inflamações no pulmão, agravamento da asma e câncer.
2.3 SOFTWARES DE SIMULAÇÃO DE TRÁFEGO
De acordo com os estudos de Nazareth, Sousa e Ribeiro (2015), Hallmann (2011), em

problemas de tráfego urbano, os softwares mais utilizados para as simulações desses sistemas
são desenvolvidos específicamente para problemas dessa natureza. Os programas mais indicados
são pagos, tais como:
• VISSIM: Indicado para desenvolvimento de modelo de fluxo de tráfego microscópico. O

modelo analisa cada veículo como uma entidade individual. Mais adequado para represen-
tar vias arteriais e estradas. Possui maior facilidade de operação quanto ao manuseio dos
dados de entrada, codificação de rede, edição e revisão de entrada e saída.
• AIMSUN: Destaca-se pela alta velocidade de suas simulações e pela junção de modelagem
da demanda, alocação de tráfego estático e dinâmico nas escalas mesoscópica e microscó-
pica. O Software de modelagem de tráfego permite modelar a partir de um único corredor.
Este simulador proporciona uma opção adicional para modelar aspectos dinâmicos de
amplas redes quando comparada com outro micro simulador.
Dentre eles, o AIMSUN possue versões para os sistemas operacionais Windows, Linux,
e Mac OS, enquanto o VISSIM, apenas para Windows. Mas existem também simuladores de
tráfego de código aberto que satisfazerm a maioria das necessidades de simulação de trânsito
como o ITSUMO, desenvolvido pela Universidade Federal do Rio Grande do Sul, e o SUMO,
desenvolvido Instituto de Sistemas e Transportes (NAZARETH; SOUSA; RIBEIRO, 2015;
HALLMANN, 2011).
Contudo, além de simuladores específicos, há outros programas de computador com uma
proposta de suporte a vários tipos de sistemas, podendo ser utilizados desde em sistemas de
manufatura a sistemas simuladores de proliferação de doenças, passando por planos de evacuação
de emergência e trânsito. Um desses programas é o Anylogic . R
2.4 SOFTWARE ANYLOGIC

R
O Anylogic R é um software de modelagem e simulação de sistemas que permite a
modelagem pelos métodos de Dinâmica de Sistemas (System Dynamics), Simulação Orientada a

Eventos Discretos (Discrete Events Simulation) e Modelagem Baseada em Agentes (Agent-based
Modeling). Permite também usar combinações de dois ou três desses métodos, o que proporciona
maior plasticidade ao software, os seja, capacidade se adequar às diversidades e singularidades
dos sistemas (GRIGORYEV, 2015; PEREIRA et al., 2009).
Dessa forma as várias áreas onde a ferramenta pode ser aplicada poderiam ser :
1. Sistemas de Produção e Manufatura (OLIVEIRA et al., 2015);
2. Gestão da Cadeia de Suprimentos (ZHANG; WANG; WU, 2012);
3. Logística e Transportes (BRITO, 2011);
4. Defesa Militar e Aeroespacial (LEE et al., 2014; LYNCH; DIALLO; TOLK, 2013);
5. Processos de negócio (RUSSO et al., 2013; POSTEMA; HAVERKORT, 2015);
6. Análise estratégica de Negócio (SQUICCIARINI; RAJASEKARAN; MONT, 2011;

RUSSO et al., 2013; GRÖSSLER; SCHIERITZ, 2005);
7. Economia (ASIF; LIEDER; RASHID, 2016);
8. Centros de Atendimento [ou Prestação de Serviços] (MARSHALL et al., 2016; RUSSO et

al., 2013);
9. Planos de Emergência e Evacuação (CURCIO et al., 2007; JOO et al., 2013);

10. Redes e Comportamentos Sociais (WIDENER; HORNER; METCALF, 2013; SQUICCI-

ARINI; RAJASEKARAN; MONT, 2011);
11. Movimento de Pessoas e Veículos (YANG; LI; ZHAO, 2014);
12. Saúde e fenômenos biológicos (DJANATLIEV; GERMAN, 2013; MARSHALL et al.,

2016);
13. Energias Renováveis (DURANA; BARAMBONES, 2009).
Conforme afirma Pereira et al. (2009), a estrutura do Anylogic é baseada na framework1

Eclipse, um IDE (sigla em inglês para ambiente de desenvolvimento integrado) para desenvol-
vimento Java e que suporta outras linguagens a partir de plugins como C/C++, PHP, Python
e plataforma Android, além de ser um dos softwares de desenvolvimento mais utilizados no
mundo. A estrutura do Anylogic é baseada também na linguagem de modelação UML (Unifified
Modeling Language) e utiliza a linguagem de programação Java. A UML é uma linguagem
padrão para visualização, especificação, construção e documentação de um aplicativo ou projeto
de software (PEREIRA et al., 2009; GONÇALVES, 2007).
Portanto, para um manuseio com melhor aproveitamento dos recursos do software, o
analista precisa saber programar em Java.
1 Segundo Lloyd apud Zancanaro et al. (2015), um framework é um “conjunto de blocos pré-fabricados que os
desenvolvedores podem usar, estender ou personalizar de acordo com a aplicação”
33
3 PROCEDIMENTOS METODOLÓGICOS
Segundo Marconi e Lakatos (2003), o procedimento metodológico consiste numa série

de regras com a finalidade de resolver determinado problema, explicar um fato por meio de
hipóteses ou teorias que devem ser testadas experimentalmente podendo ser comprovadas ou
refutadas. Neste capítulo serão descritos os métodos, técnicas e materiais adequados à realização
da pesquisa bem como os passos operacionais que foram dados para a concepção deste trabalho.
Para uma melhor compreensão da classificação quanto ao tipo de pesquisa em que
este estudo se enquadra, a Figura 4 apresenta uma caracterização resumida dos procedimentos
metodológicos utilizados neste trabalho.
Figura 4 – Classificação da Pesquisa.
Fonte: Adaptado de Oliveira (2011).

Capítulo 3. PROCEDIMENTOS METODOLÓGICOS 34
Desse modo, a partir da Figura 4, verifica-se que o presente trabalho se classifica, quanto
à sua finalidade, como pesquisa aplicada, uma vez que apresenta aplicações de técnicas de
Simulação e de Teoria de Fila descritas na literatura. Quanto ao objetivo, é enquadrado como
descritiva, pois foi feito na forma de levantamentos ou observações sistemáticas do fatos e
processos escolhidos. Quanto aos procedimentos de coleta de dados, este estudo classifica-se
como modelagem e simulação, uma vez que lançou mão de um ferramental disponibilizado
pela área de pesquisa operacional que permite a geração de cenários, a partir dos quais pode-se
orientar o processo de tomada de decisão, proceder análises e avaliações de sistemas e propor
soluções para a melhoria de performance. Quanto à natureza da pesquisa, é do tipo quantitativa,
abrangendo uma análise dos resultados numéricos da análise. Quanto ao local de realização,
trata-se tanto de uma pesquisa de campo, pois foram coletadas informações in loco para a
modelagem inicial do sistema, quanto de laboratório, pois todo o resto foi elaborado a partir dos
dados resultados das simulções em computador (OLIVEIRA, 2011).
Além disso, a Figura 5 a seguir mostra a metodologia da modelagem e simulação de
problema elaborada por Chwif e Medina (2006).
Figura 5 – Estrutura de pesquisa em Simulação.
Fonte: Chwif e Medina (2006).
Conforme orientões esquematizadas na Figura 5, a metodologia da modelagem e simula-

ção do problema se dá em três etapas:
1. Concepção ou formulação do modelo: quando o analista decide o escopo do modelo, suas

hpóteses e nível de detalhamento e elabora um modelo conceitual. Em seguida, é realizada
a coleta de dados buscando garantir a coleta correta para não prejudicar o desempenho do
modelo. Por fim, o modelo deve ser representado de acordo com técnicas de representação
de modelos de simulação, chamado de modelo conceitual. Nesta etapa do estudo foi
concretizado o entendimento da notação porposta por Kendall, na forma A/B/C/D/E e suas
representações. Também foram definidas as fórmulas conceituais que iriam ser utilizadas e
os processos dos dados de entrada do sistema (distribuição Erlang para os intervalos entre
chegadas e distribuição Weibull para os tempos de travessia da intersecção semafórica);
2. Implementação do modelo: onde o modelo conceitual é convertido em um modelo com-

putacional. Na sequência, o modelo computacional deve ser comparado com o modelo
conceitual, a fim de validar a operação do sistema com o que foi estabelecido na etapa de
concepção. Esta validação ocorre por meio da análise dos resultados do modelo computaci-
onal e comparados ao sistema real; na segunda etapa o modelo conceitual foi reproduzido
em modelo computacional para modelar o comportamento dinâmico do sistema, desenvol-
vido com o software Anylogic, e o resultado foi gerado. Este resultado foi comparado com
o modelo conceitual e validado;
3. Análise dos resultados do modelo: feita após implementação, quando o modelo do software
é validado, esta etapa de análise consiste na realização dos experimentos a fim de elaborar
o modelo experimental. Várias “replicações” da simulação são realizadas e os resultados
são documentados. Em caso de necessidade, o modelo computacional é modificado e as
“replicações” são reiniciadas e os resultados, documentados.
3.1 COLETA E ANÁLISE DOS DADOS REAIS
Foram feitas gravações em vídeo com diferentes intervalos de duração para a determi-
nação do horário de pico de movimento, entre 6h30min e 8h20min da manhã, para a coleta de
dados de intervalo de chegada e de número de entidades (ou agentes) que entram ou não na
intersecção semafórica.
Segundo o método da contagem abreviada (SOARES, 1975), a quantidade de veículos
que atravessam o cruzamento por hora pode ser feita por um período curto de tempo, sendo
esse tempo o mínimo de 12 minutos, e multiplicado por um fator horário para que os dados
representem um período de 60 minutos proporcionalmente. Os tempos de cada dia de medição
foram multiplicados por um fator horário diferente de modo que o respectivo volume de veículos
contados fosse representado por um valor proporcional ao tempo de 60 minutos para o dia de
coleta.
Definiu-se o ponto de coleta dos dados reais como sendo o trecho onde os automóveis
provavelmente alcançariam a maior velocidade possível no sistema. Esses dados definiriam
a distribuição de probabilidade do intervalo entre chegadas dos veículos no sistema estudado.
O local de coletas foi estabelecido como sendo o ponto de entrada também no sistema do
modelo computacional. Os dados para definição de parâmetros da simulação foram coletados
por meio de aplicativos de smartphone, tais como StopWatch & Timer, na contagem de tempos
para a determinação dos intervalos entre chegadas a partir de filmagens efetuadas in loco do
fluxo de veículos. Para fins de contagem, desprezou-se o fluxo de motocicletas, uma vez que
sua agilidade no transito local favorece serem consideradas como causa pouco relevante dos
congestionamentos. Além do mais, elas representavam apenas 23,1% da frota total de veículos
de Natal em junho de 2017, enquanto que os automóveis, caminhões, camionetas, caminhonetes
e utilitários representavam cerca de 71,5% (DETRAN/RN, 2017).
Não há estacionamentos na via estudada. A partir da gravações em vídeo, foi possível
fazer as contagens de carros efetuadas em seis dias diferentes entre os meses de abril e julho de
2017.
O tratamento estatístico dos dados da Figura 6 foi feito em planilha eletrônica. Os dados
em questão são os dados de entrada do sistema, os intervalos entre chegadas. Em seguida foi
assegurada a inexistência de outliers e verificada a ausencia de correlações entre os intervalos
entre chegadas e o tempo de observação, além da correlação entre os tempos de travessia e o
tempo de observação, feita pelo método de análise de correlação linear de Pearson. Assim foi
possível encontrar a distribuição de probabilidade do intervalo entre chegadas dos veículos e dos
tempos de travessia, isto é, o tempo gasto para a travessia da via semaforizada em direção à Rua
dos Pegas, utilizando o software Arena Input Analizer . R
Os dados de entrada do modelo foram os intervalos entre chegadas dos carros na Av.
Bernardo Vieira, nos dois sentidos da via, e os tempos de travessia entre essa avenida e a Rua dos
Pegas. Também foram coletados os tempos entre chegadas de ônibus urbano, nos dois sentidos a
Av. Bernardo Vieira. Ao todo foram coletados um total de 5536 intervalos entre chegadas em
dias diferentes. O tempo de travessia foi determinado a partir dos dados coletados no horário
de pico, 185 observações, haja vista que Chwif e Medina (2006) afirmam que um tamanho da
amostra entre 100 e 200 observações é suficiente para obter uma distribuição de probabilidades
relevante.
Para análise dos dados dos intervalos entre chegadas e dos tempos de travessia observados
in loco, foram feitos os testes estatísticos de Kolmogorov-Smirnov (aderência à distribuição
normal) e o teste qui-quadrado (comparação de proporções) para validar a significancia dos dados
para a representação da equação de distribuição de probabilidade. Nos testes de Kolmogorov-
Smirnov, obteve-se um valor de p<0,05, confirmando a não aderência dos dados à distribuição
normal para todos as etapas do processo; para o teste do qui-quadrado, obteve-se um valor de
p<0,05, confirmando a significancia dos dados para a representação das equações de distribuição
de probabilidade erlang de fase 2, no caso dos intervalos entre chegadas, e weibull, para o caso
dos tempos de travessia.
Diz-se técnica mista de simulação neste estudo por envolver elementos de simulação
de sistema com modelagem de eventos discretos (onde os agentes, ou entidades, são levados
ou conduzidos, um a um, pelas várias etapas do sistema simulado) e de simulação de sistemas
com modelagem baseada em agentes, onde as entidades são capazes de tomar decisões, isto é,
os veículos na simulação são capazes de decidir quando acelerar, desacelerar, qual velocidade
permanecer obedecendo as retrições programadas.
As estimativas de emissão de poluentes foram elaboradas a partir das informações dos
valores médio de emissão de poluentes, os quais foram calculados baseados nos estudos de Souza
(2017), Paiva et al. (2014) para os poluentes CO, HC, NMHC, CH4 , NOx , RCHO, MP, CO2 e
N2 O, nas categorias de motorização: gasolina, flex-gasolina, flex-etanol e diesel; e ponderados
pelo respectivo percentual gerado a partir da frota de veículos na cidade de Natal em 2017
(DETRAN/RN, 2017).
O cálculo das emissões totais de poluentes foram efetuados se utilizando da seguinte
equação (SOUZA, 2017):
E = Fe ∗ Km ∗ N ∗ 10−6 (3.1)
Onde:
• E é a emissão de poluente em toneladas por ano;
• Fe é o fator de emissão de poluente;
• Km é a distância percorrida pelo automóvel;
• N é a quantidade de veículos.
3.2 ANÁLISE DAS SIMULAÇÕES
Os dados gerados pelas 500 replicações repetidas em mais 24 rodadas de simulação

computacional diferentes foram guardados em planilhas eletrônicas à medida em que foram
efetuadas as adequações dos modelos e as suas estabilizações para atingir o estado estacionário,
tirando assim a aleatoriedade dos modelos. Assim, após a seleção do conjunto de dados gerados
nas simulações que melhor representou o comportamento do sistema real, estes foram analisados
e tratados conforme procedimento descrito anteriormente, para obter as taxas médias para
validação do modelo.
Para a escolha do conjunto de dados simulados computacionalmente que melhor repre-
sentasse o sistema real, foram feitas adequações no sistema computacional de modo que os
resultados se comportassem de forma análoga aos corolários dos cálculos teóricos da Teoria de
Filas, haja vista que não se trata de uma modelagem puramente discreta, mas inclui elementos de
modelagem baseada em agentes. Portanto, os resultados dos cálculos teóricos são aproximados
aos resultados da simulação (Ver Apendice).
3.3 DESENVOLVIMENTO, VERIFICAÇÃO E VALIDAÇÃO DO MODELO
Verificação é a forma de garantir que o modelo se comporte como se pretendia, um

processo conhecido como debugging, isto é, depuração do modelo. Validação é a tarefa de garantir
que o modelo se comporte da mesma maneira que o sistema real (KELTON; SADOWSKI;
STURROCK, 2007).
Sargent (2013) apresenta algumas técnicas de validação que podem ser utilizadas para
aprovação operacional, as quais ele classifica de acordo com o tipo de abordagem e tipo de
sistema observável. O autor afirma haver duas abordagens de decisão de validação: as abordagens
objetiva e subjetiva. Diz também que essas técnicas de validação são classificadas em técnicas
observáveis e não observáveis conforme o Quadro 1.
Quadro 1 – Tipos de validação

Abordagem de decisão Sistema observável Sistema não observável
Abordagem subjetiva Análise do comportamento do Análise do comportamento do
modelo modelo
Comparação de gráficos
Abordagem objetiva Comparação por testes estatís- Comparação com outros mo-
ticos e procedimentos delos
Fonte: Adaptado de Sargent (2013)
Tendo em mente que se trata de um sistema observável, o modelo desenvolvido neste

trabalho foi validado inicialmente por uma abordagem subjetiva, a análise do comportamento do
modelo. Posteriormente, após adequações e correções necessárias, utilizando uma abordagem
objetiva, foi possível validar o modelo por comparação de testes estatísticos e procedimentos, de
modo que o comportamento do sistema simulado se confundiu com o comportamento do sistema
real quanto aos tempos de travessia do semáforo e quantidade média de veículos que chegam no
sistema (Quadro 1).
Os dados analisados na estabilização do sistema foram: tempo entre chegadas, tempo de
travessia no semáforo, tempo no sistema, tamanho da fila, quantidade máxima de veículos nas
filas.
O cálculo da quantidade de replicações necessárias para a estabilização do sistema se
deu por meio do método empírico de determinação do tamanho da amostra, utilizado por Chwif
e Medina (2006) aventado por Montgomery (2017):
" #
∗ h 2
n = n ∗ (3.2)
h
Onde:
n∗ é o número de replicações necessárias para uma dada precisão h∗ , ou seja, a nova estimativa
para n;
h∗ é a precisão pretendida, ou seja, a semi-amplitude do intervalo de confiança desejado;
n é o número de replicações inicialmente efetuadas;
h é a precisão calculada para as replicações inicialmente efetuadas, isto é, a semi-amplitude do

intervalo de confiança obtido;
Os colchetes indicam que o resultado deve ser arredondado para o próximo número
inteiro, e a precisão h é dada por:
s
h = tn−1,α/2 √ (3.3)
n
O acompanhamento da estabilização do sistema se deu por meio de médias sucessivas dos

resultados gerados a cada rodada de replicações de simulação. Se após uma série de replicações
algum conjunto de dados gerado dentre os anteriormente citados não alcançasse o estado
estacionário, ou seja, a média entre o valor originado na replicação n e as replicações anteriores
não fosse proxima da média para a replicação n-1 e anteriores, seria feita a replicação n+1 e
comparada com as anteriores. Uma vez validado o modelo, foi possível implementar as mudanças
no sistema simulado, analisando seu comportamento após as interferências, por meio de relátórios
gerados pelo software de simulação.
Para o desenvolvimento do modelo, realização das simulações computacionais e avaliação
inicialmente observacional, foi utilizado o software Anylogic versão estudante ao longo do
trabalho. Para a estabilização do sistema, geração dos dados nas simulações para a escolha da
melhor representatividade, e validação foi utilizado a versão de avaliação do software.
40
4 IMPLEMENTAÇÃO
O estudo foi concebido para verificar possibilidades de melhoria no fluxo de trânsito

da área estudada utilizando-se de técnicas de simulação mista de cenários, isto é, simulação
a eventos discretos e simulação baseada em agentes, de modo que fosse possível verificar os
resultados da intervenção sem ter que necessariamente fazer investimentos para essa melhoria na
entrada a Rua do Pegas pela Avenida Bernardo Vieira.
A Figura 6 mostra uma análise de correlação linear de Pearson entre os dados referentes
aos intervalos entre chegadas coletados in loco com o tempo.
Figura 6 – Análise de correlação.
Fonte: Autor, 2018.
Os resultados da análise de correlação para o dia com o maior tempo duração em que
as observações in loco foram feitas (Figura6)apontam para correlação fraca com o tempo, que
durou cerca de 50 min. Esse tempo de obervação foi escolhido para que fosse melhor percebido
no teste caso houvesse alguma correlação significante com o passar do tempo, o que não foi o
caso (com r = −0, 010554, calculado usando a função CORREL do Excel).
Baseado nos estudos de Sousa (2011), as taxas máximas de aceleração e desaceleração
dos veículos no sistema simulado foram fixadas em 2,0 m/s2 e 4,2 m/s2 , respectivamente. A
Figura 7 apresenta uma nova nomenclatura para simplificar a interpretação dos movimentos.
Capítulo 4. IMPLEMENTAÇÃO 41
Figura 7 – Imagem de satélite do local de estudo.
Fonte: Adaptado de Google Maps.
Portanto, a Figura 7 introduz a substituição dos nomes das vias por códigos: V1, V2,
V3, V4 e V5. Na Figura 7, V1 (em azul) e V2 (em verde) representam os dois sentidos da
Avenida Bernardo Vieira, V3 (em lilás) representa a Rua dos Pegas, e V4 (em amarelo) e V5
(em laranja) representam os dois sentidos das raias exclusivas para ônibus urbano na Avenida
Bernardo Vieira.
A contagem dos veículos ocorreu na interseção da V1 apenas a partir da sua origem, pois
o destino dos veículos não foi relevante, uma vez que a finalidade da contagem era de obter o
número de aproximações do cruzamento. Os agentes originados da V2 se constituem em uma
interrupção à corrente de tráfego da V1 para o sistema real.
A hipótese inicial era de que o horário entre 7h30min e 8h apresentaria maior fluxo
de veículos, como constatado inicialmente na contagem do dia 12 de abril de 2017, escolhido
aleatóriamente dentre os dias úteis possíveis. Foram efetuadas então contagens em dias e horários
posteriores, variando aleatoriamente os dias da semana de segunda a sexta, e a duração dos
tempos de observação, começando entre os horários das 6h30min à 8h20min, para validar essa
hipótese, uma vez que a movimentação em finais de semana e feriados é geralmente menor. A
Tabela 2 apresenta o dados obtidos para o volume de tráfego durante cada umas das observações
efetuadas.
Tabela 2 – Dados coletados

DIA 1 DIA 2 DIA 3 DIA 4 DIA 5 DIA 6
(12/04) (05/05) (04/07) (05/07) (12/07) (14/07)
Início 07:33 07:31 06:30 06:30 06:30 06:30
Fim 07:45 08:19 06:59 07:09 07:09 06:47
Tempo de Observação (em min) 12 50 29 39 39 17
Volume contado 362 1429 745 994 831 444
Proporção para 1h 1810 1715 1541 1529 1278 1567
Fonte: Autor, 2018
Conforme a Tabela 2, o volume horário médio foi de 1573 veículos. O dia com maior
fluxo de automóveis registrado por hora foi o dia 1, com 1810 agentes por hora. Os dias 1 e
2 tiveram horário de início de medição aproximados (7:30) e apresentaram maior volume de

veículos por hora que os dias 3, 4, 5 e 6, o que confimou a hipótese inicial de que um maior fluxo
se daria após as 7:30.
4.1 A SIMULAÇÃO
No modelo de um cruzamento de vias, os agentes passam pelas etapas de chegar, esperar

na fila, transpassar a interseção, sair. No caso estudado, uma parte dos veículos cruzam a
intersecção, outra segue direto na Av. Bernardo Vieira. Ao chegar ao cruzamento, o critério de
escolha da raia da via é o destino do agente, de modo que se o agente for continuar na via, segue
pra raia de fila menor; se for pegar a intersecção com destino à V3, entra para pista correta de
acesso. Para fins de adaptação dos conceitos de modelagem de eventos discretos, o tempo de
travessia da interseção pelo agente poderá ser entendido como tempo de processamento. Quando
este tempo termina significa que o veículo cruzou a intersecção. Em seguida, o agente segue na
via até sair do sistema, completando assim o tempo total no sistema.
Ao fazer a modelagem do sistema, foi possível identificar a formação de três filas na V1,
como mostra a Figura 8.
Figura 8 – Imagem da formação de filas.
Fonte: Adaptado de Google Maps.
Como o sistema é composto por muitas filas, apenas empregar os cálculos teóricos da
teoria de filas neste estudo pode vir a ser mais desgantante para o analista. Por isso se faz
necessário também o uso de simulação computacional de sistemas.
No horário de maior movimentação na Avenida Bernardo Bieira, os veículos da Fila 2 se

acumulavam quando o semáforo para estes carros se encontrava “fechado” e o semáforo da Fila
3, com indicação de verde, isto é, “aberto”, chegando ao ponto de, na fila 1, os autos que fossem
desta para a Fila 3 se encontravam impedidos pelos carros que ainda passariam para a Fila 2.
Esse era o momento em que ocorria de a Fila 3 estar vazia e a Fila 2, completamente cheia. O
oposto também ocorria, gerando acúmulos constantes de veículos na Fila 1.
Por isso, como os objetivos desse estudo compreendem melhorar o fluxo da V1, foram
comparados os resultados da Fila 2, destacada de azul, e Fila 3, destacada de vermelho (Figura
8). Contudo, foi necessário entender todo o sistema para a implementação e análise dos efeitos
do semáforo atuado na Fila 1 (destacada de amarelo).
A Figura 9 ilustra um dos processos de acompanhamento da estabilização da variável
de controle intervalo entre chegadas, e mostra o processo de estabilização dos dados para a
quantidade de veículos que entraram no sistema a cada replicação de simulação, cujo estado
estacionário foi alcançado antes de 200 replicações.
Figura 9 – Estabilização das chegadas por rodada.
Fonte: Autor, 2018.
O eixo y à esquerda do gráfico indica a escala de valores dos dados em azul, “Intervalo
entre chegadas”. O eixo secundário y à direita do gráfico refere-se aos valores dos dados “Média”,
em vermelho. Em azul estão representados os valores de intervalo médio entre chegadas para
cada replicação de 59 min, durante as 500 replicações, e em vermelho estão as médias dos
valores entre a replicação 1 e a replicação n, calculadas 500 vezes. Após isso, foram feitas mais
25 rodadas de 500 replicação cada mudando os valores padrão para aceleração, desaceleração,
velocidades dos agentes e ajustes nos comprimentos das vias. Após a execução de 200 simulações
de 59 minutos cada, todos os dados do sistema alcançaram o estado estacionário, apresentando
uma chegada média de 1274 agentes no sistema por hora. Percebe-se pela média representada
em vermelho que o período de warm-up, ou período de “aquecimento” segundo Chwif e Medina
(2006), termina antes de 200 replicações corroborando os calculos efetuados com a equação
3.1 que aponta para um número de replicações adequado de 184 para o alcance do estado
estacionário, usando o número de replicações iniciais n = 20.
Os dados de tempo médio de espera e quantidade média de entidades na fila se apresen-
taram estabilizados. O Quadro 2 mostra as equações de distribuições de probabilidade geradas a
partir dos dados coletados em campo no dias referidos na Tabela 2.
Quadro 2 – Equações das distribuições de probabilidade

Distribuições Intervalo entre chegadas ( λ1 ) Tempo de travessia ( 1µ ) observado
V1 erlang(0.851, 2) weibull(4.31, 3.34)
V2 lognormal(2.05, 1.95)
V4 triangular(3, 307, 15.7)
V5 triangular(4, 165, 149)
Fonte: Autor, 2018
Essas distribuições de probabilidade foram usadas nos blocos do modelos referentes à

origem dos agentes, e calculadas com o fim de serem usadas nas variáveis de entrada do modelo.
O tempo de simulação foi de 3540 segundos, equivalentes ao período de 59 minutos para
a coleta de dados nesse período. Foram efetuadas uma rodade de 500 replicações para obter a
estabilização do sistema, contudo o estado estacionário foi alcançado com 200 replicações. A
quantidade média de veículos vindos da V1 que passaram pelo sistema estabilizado foi de 1274.
Após os testes estatísticos, o tempo médio de travessia calculado para o sistema real, 10,87s,
foi semelhante ao tempo médio encontrado na simulação de 11,81s, pelo que o modelo foi
devidamente validado.
Assim, a partir das expressões da distribuições de probabilidade geradas descritas no
Quadro 2, e devido ao limite de carros na fila imposto pelo comprimento da pista onde a fila 2 é
formada, localizada entre a fila 1 e a intersecção, foi possível identificar que o modelo de filas
do sistema estudado foi do tipo E2 /Weibull/1/16/FIFO, apenas para a Fila 2, na V1, assumindo
que entre os parachoques dianteiros de dois veículos parados na fila haja um espaço médio de 5
metros.
As Figuras 10 e 11 apresentam a parte lógica do modelo inicial e animação em 3
dimensões (3D), respectivamente, construídos no software Anlylogic.
Capítulo 4.
Figura 10 – Modelagem do sistema.
IMPLEMENTAÇÃO
Fonte: Autor, 2018.
45
Neste modelo inicial do sistema, os blocos BusSourceMid e BusSourceZN, na parte

inferior da Figura 10, o modelo computacional, são a origem dos ônibus urbanos na V5 e V4,
respectivamente, que seguem em direção aos blocos BusDisposeMid e BusDisposeZN, quando
saem do sistema. O bloco ZNMidway dá origem aos agentes que entram no sistema pela V1 e
podem decidir se continuam ou não nessa via, seguindo em direção aos blocos carDisposeMidway
ou carDisposeAlecrim, saindo do sistema. Analogamente, do bloco MidwayZN se originam os
agentes que vem em sentido oposto, na V2, e pode decidir se continuam em direção ao bloco
carDisposeZN ou se vão para o carDisposeAlecrim. Os agentes oriundos do bloco RPegasZN só
podem seguir em direção ao carDisposeZN.
Figura 11 – Animação das filas em 3D.
Fonte: Autor, 2018.
Com a animação 3D da Figura 11, foi possível fazer uma validação inicialmente de
abordagem subjetiva do modelo, e também realizar os ajustes no sistema para uma melhor
representação do tráfego acompanhando o comportamento estatístico do sistema pelos relatórios
gerados enquanto a simulação se procedia.
A partir desse, foram construídos 3 outros sistemas com mudanças no funcionamento
dos modelos. Cada um desses modelos corresponde a um experimento diferente os quais trazem
3 propostas de melhoria ao funcionamento do semáforo.
4.1.1 Experimentos
Doravante, ao referir o sistema de semáforos dinâmicos, será utilizado o termo atuado,
conforme nomeia o Conselho Nacional de Trânsito (2014). Foram feitos, a partir do modelo
estabilizado do sistema, três experimentos a fim de verificar o comportamento dos vários
componentes do sistema frente às mudanças programadas: no primeiro experimento, procedeu-se
uma mudança na simultaneidade dos semáforos. No segundo, a implantação do sistema atuado
com simultaneidade já modificada. Por fim, no experimento 3 efetuou-se a implantação do

sistema atuado sem alterações na simultaneidade do semáforo.
4.1.1.1 Experimento 1
Inicialmente foi verificado a possibilidade de aumentar do fluxo caso fosse alterado

apenas as simultaneidades dos tempos de verde, sem implementação do sistema dinâmico. A
Figura 12 a seguir traz um comparativo entre quatro cenários possívéis.
Figura 12 – Experimento 1: modificação na simultaneidade dos tempos de verde.

Simultaneidade dos verdes
Tempos de verde atuais
modificados
Vermelho para
quem sai da
V2
Verde para
quem sai da
V2
Fonte: Autor, 2018
No sistema real, para os veículos da V1 acessarem a V3, o trânsito em todas as demais

vias precisa ser interrompido, inclusive o fluxo de veículos da V1 que se mantêm nas duas
faixas da direita, ou seja, não pretendem acessar a V3, continuando na mesma avenida após
a intersecção semafórica. Quando o semáforo está vermelho para os carros na V2, para os
tempos de verdes atuais, fica verde para a Fila 2 e vermelho para a Fila 3, na V1. Quando o
semáforo está verde para os carros na V2, para os tempos de verdes atuais, fica vermelho para
a Fila 2 e verde para a Fila 3, na V1. A hipótese inicial era a de que apenas a alteração na
sincronização dos verdes traria benefícios para o fluxo de veículos no local (Figura12). Assim
foi elaborado o experimento 1, cujo funcionamento está descrito na coluna “Simultaneidade dos
verdes modificados” da Figura 12, no qual quando o semáforo está vermelho para os carros na
V2, o sinal fica verde para as Fila 2 e para a Fila 3 ao mesmo tempo, na V1. Analogamente,
quando o semáforo está verde para os carros na V2, o sinal fica vermelho para a Fila 2 e para a
Fila 3 na V1.
A Figura 13 mostra o algoritmo desenvolvido em linguagem java no software Anylogic

para simulação do funcionamento do semáforo atuado no experimento.
Figura 13 – Algoritmo do funcionamento do semáforo dinâmico.
Fonte: Autor, 2018.
O algoritmo de funcionamento da sinalização atuada foi desenvolvido em Java está

descrito na Figura 13. Em caso de implantação do sistema atuado, a demanda seria detectada por
laços indutivos, um dos métodos mais utilizados para a detecção de tráfego veicular. O controle
semafórico foi caracterizado como totalmente atuado, haja vista que todos os estágios dependem
do reconhecimento da demanda de veículos. A duração mínima do tempo de verde adotada na
programação foi de 17 segundos (Conselho Nacional de Trânsito, 2014).
O trecho estudado apresenta as condições adequadas para a leitura correta da demanda,

pois é possível posicionar a detecção em trecho retilíneo, sem estacionamentos eventuais ou
irregulares, nem via transversal; o trecho entre a seção de detecção e a linha de retenção é livre
de interferência de ponto de ônibus. Como o objetivo é minimizar o atraso total da intersecção
através da identificação do melhor instante de corte do verde, a determinação da extensão do
verde se deu pela estratégia de corte ótimo. Uma vez que o fluxo de saturação estudado foi de
1810 ucp/h, ou seja, FS=0,5ucp/s por faixa, e o trecho estudado possui duas faixas adotou-se o
tempo de extensão de verde para corte ótimo de 1,8s (Conselho Nacional de Trânsito, 2014).
Ao implementar o código citado e rodar a simulação, não foi possível perceber de
imediato a sua eficácia no semáforo atuado em tempo de simulação devido à pouca variação
implementada nos intervalos entre chegadas dos agentes no sistema ao longo do tempo de
simulação de 59min. Em outras palavras, em tempo de simulação, os intervalos entre chegadas
do parâmetro IntChegadas seguia a distribuição erlang calculada neste estudo, o que fazia com
que o intervalo entre chegadas no início da simulação fosse o mesmo no final dessas mesma
simulação. Como o semáforo atuado era sensível a essa movimentação dos veículo, os tempo de
verde e de ciclo calculados não se alteravam ao longo da simulação.
Com o intuito de testá-lo, foi inserida a ferramenta Slider do Anylogic substituindo
a distribuição de intervalos entre chegadas do parâmetro IntChegada por valores constantes
determinados pelo analista através do manuseio da ferramenta. Dessa forma, o analista pode,
em tempo de simulação, alterar esses valores e verificar o funcionamento do sistema atuado,
observando a influencia nos tempos de ciclo e das fases do semáforo, como mostra as Figuras 14
e 15.
Figura 14 – Teste 1 do funcionamento do semáforo dinâmico.
Fonte: Autor, 2018.
O slider modifica os valores do parâmetro ChegadaSlider durante a animação de uma

rodada de simulação. Na Figura 14, a ferramenta slider está numa posição mais alta, no lado
direito da imagem, atribuindo assim um valor de 26.68 ao parâmetro ChegadaSlider, ou seja,

um intervalo entre chegadas de 26,68 segundos, de modo que a demanda de veículos seja baixa.
Com poucos veículos na via, o tempo de ciclo do semáforo permanece de 120 segundos, tempo
de ciclo real assumido como sendo o tempo de ciclo fixo (tc f ixo ), e o tempo de verde calculado
pelo sistema é, no momento em tela, de 41 segundos.
Figura 15 – Teste 2 do funcionamento do semáforo dinâmico.
Fonte: Autor, 2018.
Ao reduzir o valor do parâmetro ChegadaSlider através da ferramenta Slider, em azul,

para 5.32 (Figura 15), de modo que o intervalo entre chegadas passa a ser de 5,32 segundos, a
demanda de automóveis na via aumenta. Consequentemente o tempo de ciclo passa a ser de 168
segundos (1, 4 ∗ tc f ixo), e o tempo de verde passa a ser 124.2 (124,2 segundos), calculados pelo
sistema (Conselho Nacional de Trânsito, 2014).
Uma vez comprovada pelo Slider a resposta do sistema à variação da demanda, o Slider
foi desativado e o bloco ZNMidway (CarSource) voltou a ter por tempo entre chegadas o
parâmetro IntChegada (erlang(0.851, 2, 0.12)) para que fosse possível proseguir com os testes
para os dados em estado estacionário e elaboração de relatórios.
O experimento 3 consistiu em manter o sistema atuado, mas com as configurações de

sincronia dos verdes do sistema real (Tabela 3). Feitas essas modificações no modelo, após
validação, foram gerados os dados para um sistema semafórico atuado com o funcionamento
análogo aos Experimentos 1 e 2, mas com a diferença na sincronia dos tempos de verde, a mesma
do modelo do sistema real.
51
5 RESULTADOS
Ao fazer as implementações dos experimentos 1, 2 e 3 neste estudo, foi possível encontrar

os valores esperados para os tempos médios de espera na fila, quantidade média de agentes nas
filas e tempos totais médios no sistema da V1 descritos na Tabela 3, tendo como dados de entrada
no sistema a distribuição dos intervalos entre chegadas, tempos de verde no semáforo, ainda os
valores de aceleração e desaceleração dos veículos, bem como as velocidades inicial de 20 m/s e
mais comum de 15 m/s (campos do bloco Car Source do Anylogic respectivamente chamados
initial speed e prefered speed).
A tabela 3 representa os resultados para os veículos da V1.
Tabela 3 – Dados das simulações.

Modificação na simultaneidade dos tempos de verde e sistema atuado pelo tráfego
Médias Real Experim. 1 Experim. 2 Experim. 3
Tempo na Fila 1* 1,02 1,00 0,48 0,47
Tempo na Fila 2* 1,94 1,22 0,24 0,24
Tempo na Fila 3* 0,54 0,88 0,24 3,43
Tempo no sistema Fila 2* 3,16 2,27 0,77 0,76
Tempo no sistema Fila 3* 1,75 2,12 0,90 4,11
Tamanho na Fila 1** 22,90 22,76 13,59 29,65
Tamanho na Fila 2** 30,54 20,27 3,62 2,91
Tamanho na Fila 3** 6,60 11,57 3,07 36,28
*Tempo médio de espera em minutos. **Tamanho médio em quantidade de veículos na fila
quando somadas as duas raias. Fonte: Autor, 2018.
O total médio de veículos que entraram no sistema pela V1 para replicações de 59

min cada foi de 1283 no modelo do sistema atual, 1308 veículos no experimento 1, 1612 no
experimento 2 e 1092 veículos no experimento 3. Em todos os experimentos, conforme observado
nas gravações em vídeo e implementado no algoritmo, cerca de 53,7037% entraram na Fila 2.
No sistema do experimento 1 cuja alteração se deu apenas nas sincronias dos tempos de
verde, não houveram mudanças significativas no comportamento dos tamanhos e tempos da fila
1. Houve, contudo, diminuição nos tempos e tamanhos da fila 2. Por outro lado, os veículos que
enfrentaram a fila 3 passaram a ficar mais tempo na fila e no sistema, como mostra a tabela 3. O
tempo no sistema para os veículos que enfrentaram a fila 2 reduziu cerca de 28,21% conforme o
experimento 1 e, para os que enfrentaram a fila 3, aumentou cerca 21,32% quando comparados
com os dados referentes ao comportamento do sistema atual.
Em seguida, ao simular o comportamento do sistema após implantar um semáforo atuado
no experimento 2, mantendo a sincronia dos verdes estabelecida no experimento 1 (Tabela 12),
Capítulo 5. RESULTADOS 52
foi maior a percepção na melhoria em todos os tempos e tamanhos das filas, inclusive da fila 3.
O tempo no sistema para os veículos que enfrentaram a fila 2 reduziu cerca de 75,57%, e, para
os que enfrentaram a fila 3, encolheu 48,54% quando comparados com os dados referentes ao
comportamento do sistema atual.
Os valores médios esperados para o experimento 3 se apresentam com informações mais
heterogêneas, onde os tempos de Fila 1 e 2, além de tempo no sistema para os automóveis que
enfrentaram a Fila 2, diminuíram. Por outro lado, os tempos médios dos agentes na fila 3 e
tempos médios no sistema para os automóveis que saíram do sistema após passarem pela fila 3
aumentaram. Para a fila 1, apesar de o tempo médio de carros na fila ter diminuido em relação ao
tempo médio do modelo inicial (Real), o tamanho médio da fila 1 aumentou.
Para uma melhor visualização das informações sobre os efeitos nos tempos e filas do
sistema, e as relações entre esses dados em cada experimento, os boxplots a seguir elaborados na
mesma escala de valores, os quais permitem melhor visualização das relações para os tempos e
tamanhos das filas do sistemas nos experimentos.
A figura 16 a seguir apresenta um boxplot comparativo entre os tempos dos agentes nas
filas 1 e os tamanhos das filas 1 para os quatro modelos do sistema: o modelo inicial do sistema,
chamado modelo Real, o modelo do experimento 1, o modelo do experimento 2 e o modelo do
experimento 3.
Figura 16 – Dados fila 1.
Fonte: Autor, 2018.

A Figura 16, apresenta oito boxplots para os tempos e tamanhos médios da fila 2, onde
o primeiro, da esquerda para a direita, é o boxplot para o sistema do modelo real, o segundo
boxplot representa os dados do experimento 1, o terceiro boxplot, dados do experimento 2 e o
quarto boxplot foi elaborado com dados gerados no experimento 3 na plotagem dos dados para
os tempos de fila (em verde), seguidos da plotagem para os tamanhos das filas.
Os tempos médios da fila 1, na Figura 16, sofreram pouca mudança no experimento 1.
Contudo foi significativa a diminuição desses tempos ao realizar as mudanças nos sistemas dos
experimentos 2 e 3. Os tamanhos das filas também sofreram alterações, tendo em média menos
veículos na fila no experimento 3 e, dentre os quatro modelos, mais carros na fila em média no
experimento 3.
A seguir, há também um boxplot comparativo entre os tempos dos agentes nas Filas
2 e os tamanhos das Filas 2 para os quatro modelos do sistema: o modelo inicial do sistema,
chamado modelo Real, o modelo do experimento 1, o modelo do experimento 2 e o modelo do
experimento 3.
Figura 17 – Dados Fila 2.
Fonte: Autor, 2018.

Analogamente, a Figura 17 traz os dados referentes aos tempos e tamanhos médios nas
Fila 2, para os sistemas do modelo real, experimento 1, experimento 2 e experimento 3, da
esquerda para a direita. Os tempos médios da fila 2 , Figura 17, sofreram as mudanças mais
significativas nos experimentos 2 e 3. A diminuição desse tempo também ocorreu no experimento
1, embora fosse menor a diferença. Os tamanhos da fila 2 também diminuíram para todos os
experimentos, com menos veículos na fila nos experimentos 2 e 3.
Analogamente, há ainda a seguir um boxplot comparativo entre os tempos dos carros
nas Filas 3 e os tamanhos destas Filas 3 para os quatro modelos do sistema: o modelo inicial
do sistema, chamado modelo Real, o modelo do experimento 1, o modelo do experimento 2 e o
modelo do experimento 3.
Figura 18 – Dados fila 3.
Fonte: Autor, 2018.
A Figuras 18 exibe os dados referentes aos tempos médios na Fila 3, respectivamente,

para os sistemas do modelo real, experimento 1, experimento 2 e experimento 3. Os tempos
médios e tamanhos da fila 3 tiveram comportamento oposto ao das filas 1 e 2: sofreram poucas
mudanças nos experimentos 1 e 2, e aumentaram no experimento 3 (Figura 18).
Foi possível também identificar os tempos médio no sistema, descritos na Figura 19 a
seguir.
Figura 19 – Tempos Médios no Sistema.
Fonte: Autor, 2018.
Os tempos médios no sistema foram medidos em função da direção tomada pelos agentes,
onde na figura 19 são representados os resultados para o tempos médios no sistema para os
veículos que entraram na V1 e saíram do sistema pela V3 passando pela Fila 2 (gráfico Tempo
médio sistema Fila 2), para os quatro modelos (real, experimento 1, experimento 2 e experimento
3); também representa os resultados para o tempos médios no sistema para os veículos que
entraram na V1 e saíram do sistema pela V1, após enfrentar a Fila 3, para os quatro modelos
(gráfico Tempo médio sistema Fila 3). O terceiro gráfico da Figura 19 é o tempo médio no
sistema para todos os agentes.
Para os automóveis que passaram pela intersecção à esquerda, em direção à V3 (Rua dos
Pegas), os tempos médios no sistema reduziram nos 3 experimentos. Os maiores decrescimentos
ocorreram nos experimentos 2 e 3, onde foi simulado o sistema atuado para esta via. Por outro
lado, ocorreu aumento nos tempos médios dos experimentos para os veículos que seguiram na V1
após o semáforo, à excessão dos tempos no experimento 2 (Figura 19), onde também ocorreram
reduções no tempo médio de travessia.
Entretanto, essas mudanças interferiram também no fluxo de outros veículos que pas-
saram em sentido oposto (V2) ao fluxo objeto do estudo, incluindo também perturbações no
tráfego de ônibus urbano, como mostra a Figura 20. Para verificar os impactos no fluxo dos
demais veículos, foram coletados dados referentes aos tempos médios de fila de ônibus nos dois
sentidos e dos veículos que se aproximavam do semáforo no sentido oposto à V1, ou seja, V2.
Figura 20 – Dados carros da V2.
Fonte: Autor, 2018.
Houveram oscilações nas filas de veículos de outras vias na intesecção (vias 2 a 5).
Dentre estas filas afetadas, o tamanho da fila de automóveis na V2, sentido oposto ao carros
da V1, diminuiu no experimento 1 e aumentou nos experimentos 2 e 3 quando comparadas ao
comportamento do sistema real. Variação análoga sobreveio aos tempos de fila (gráfico à direira
da Figura 20) desses veículos. Para uma visualização mais detalhada dos valores plotados no
gráfico, ver Apêndice. Da mesma maneira, foram analisadas as interferências nos fluxos de ônibus
urbano que passam por raias exclusivas para ônibus, mas também tem o fluxo interrompido pela
intersecção semafórica (Figuras 21 e 22).
Figura 21 – Dados ônibus da V4.
Fonte: Autor, 2018.
Quanto às pertubações nas faixas exclusivas para ônibus urbano na V4 (advindos da

extremidade da Av. Bernardo Vieira, ou seja, a mesma origem que os veículos da V1), não
ocorreram mudanças significativas nos três experimentos (Figuras 21).
Para uma melhor visualização do comportamento dos dados para as filas de ônibus
urbano, visto que a escala do gráfico permite apenas relacionar com outras filas, foram gerados
também boxplots em escalas diferentes e podem ser conferido dos Apêndices deste trabalho.
Assim, embora sejam poucas, as oscilações entre experimentos nos tempos e tamanhos de filas
para os ônibus da V4 e V5, bem como para os tempos e tamanhos das filas da V2 poderão ser
melhor identificadas para as Figuras 20, 21 e 22, que informa o comportamento das filas na V5 a
seguir.
Figura 22 – Dados ônibus da V5.
Fonte: Autor, 2018.
Assim, quanto às pertubações nas faixas exclusivas para ônibus urbano na V5 (advindos
das extremidades da Av. Bernardo Vieira em sentido oposto ao da origem que os veículos da V2),
bem como os da V4, não ocorreram mudanças significativas nos três experimentos, (Figuras 21 e
22).
Para os três experimentos, os tempos de espera mostrados no gráfico 20 aumentaram de
cerca de 0,5 min para quase 1,5 min. Não houveram aumentos significativos nas filas de ônibus.
Por outro lado, houve redução de cerca de 2 min para menos de 0,5 min para os automóveis
que viessem na Fila 2 (Gráfico 17), de 1 para menos de 0,5 min para os que enfrentaram a Fila
3 no experimento 2. Para o experimento 3 houve aumento nos tempos e tamanhos da Fila 3.
Comportamento semelhante ocorreu na Fila 1, com redução relevante para os experimentos 2
e 3. Em termos de somatório do tempo total no sistema, houve queda nas medidas de tempos
totais de perto de 3 min para menos de 1 minuto conforme se oberva na Figura 19.
Também foram analisados os tempos de travessia, para os automóveis que encararam a
Fila 2, saindo do sistema pela V3, conforme a Figura 32.
Figura 23 – Tempos de travessia.
Fonte: Autor, 2018.
Os tempos médios de travessia da intersecção nos experimentos 1, 2 e 3 reduziram para

menos da metade do tempo médio do primeiro modelo, referente ao sistema real. Os tempos dos
experimentos 2 e 3 foram os menores do grupo, ficando próximo de 3 segundos de tempo médio
de travessia.
Também foram estimadas as emissões de poluentes do sistema conforme Figura 24 a
seguir.
Figura 24 – Emissão de poluentes.
Fonte: Autor, 2018.

Segundo se observa da Figura 24, as taxas de emissões de uma maneira geral reduziram
nos experimentos 1 e 3, e aumentaram no experiento 2.
Pelo motivo de as emissões de CO e CO2 serem, em valores absolutos, muito altos
quando comparados com os valores das taxas dos demais poluentes anteriormente estimadas, a
tabela 4 foi elaborada apenas com dados fererentes a esses dois poluentes, a fim de proporcionar
uma melhor compreensão e análise dos dados.
Tabela 4 – Emissões de CO2 e CO.

Real Exp1 Exp2 Exp3
CO2 353121,3 339095,3 388346,9 316476,5
CO 521,8 501,1 573,9 467,7
*Valores em g/Km (grama por kilômetro rodado)
Fonte: Autor, 2018.
O comportamento da variação dessas taxas de CO2 e CO se apresentaram como sendo os

mesmos quando comparadas com as demais taxas de emissão de poluentes ao avaliar os modelos
do sistema real e dos experimentos 1, 2 e 3. Os resíduos gerados das emissõa de poluentes se
comportam em função da quantidade de veículos e da distância percorrida, segundo SALDIVA
et al. (2007), Galbieri et al. (2017)
5.1 ANÁLISE DOS RESULTADOS
Os resultados encontrados no presente estudo sugerem que ao alterar a sincronia dos

tempos de verde (Experimento 1), essa situação seria amenizada: as Filas 2 e 3 passaram a
ser esvaziadas simultaneamente. E poderia ser melhor para a fluidez do trânsito nesse local se
também fosse instalado um semáforo atuado.
Nos resultados para o experimento 1, uma medida simples como alterar apenas as
sincronias dos tempos de verde na intersecção semafórica, mostraram ser promissor uma mudança
pequena e sem custos aparentes, provavelmente pelo fato de que o projeto do semáforo foi feito
segundo uma realidade que hoje não corresponde mais com a movimentação dos veículos.
Portanto a leve redução das filas e tempos em vários pontos do sistema, inclusive para veículos
que vieram no sentido oposto da via, com prejuízo apenas para a fila 3, onde tanto os tempos de
fila e tempos no sistema, quanto as quantidades na fila foram elevados, apenas corrobora com as
afirmações de Fogliatti e Mattos (2007), que discorre sobre as possibilidades de alterações em
determinadas medidas de desempenho influenciarem outras dentro do sistema.
Ao analisar o experimento 2, pelo fato de se ter aplicado a estratégia de corte ótimo
e mantendo a sincronia dos tempos de verde estabelecia no experimento 1, foi o modelo que
apresentou os melhores resultados para os veículos da V1, tanto para aqueles que convergiram
para a V3 na travessia do semáforo quanto para os que permaneciam na V1 após o semáforo, pois
foi a via escolhida para a instalação dos sistemas de corte ótimo. Entretantx’o isso prejudicou
o fluxo de veículos advindos da V2, que passaram a esperar mais que o dobro do tempo, em
filas quase duas vezes maiores para cruzarem a intersecção. O Conselho Nacional de Trânsito
(2014) afirma que a estratégia de corte ótimo, adotada neste estudo, tenta identificar o melhor
instante para o corte do verde a fim de minimizar o atraso total da intersecção. Esses resultados
coincidem com as afirmações desse Conselho Nacional de Trânsito (2014), que recomenda
também que seja escolhido exclusivamente a detecção do movimento crítico para instalação
do semáforo atuado, qual seja, a V1, somente no horário da manhã pelo período de uma hora,
podendo, segundo eles, “ser definidos diferentes movimentos críticos ao longo do dia, associados
a diferentes planos”. Como consequência, os demais planos da intersecção passam a ter menores
tempos de verde. Como já eram vias pouco movimentadas, esses aumentos nos tempos e filas
podem ser consideradas aceitáveis, ou não, pelo tomador de decisão.
O experimento 3 neste estudo constituiu um “meio termo” entre os experimentos 1 e 2,
pois as simulações ocorreram também com o sistema atuado, mas com a sincronia de tempos de
verde do sistema real. Os resultados, embora indiquem melhorias para muitas filas, em alguns
pontos apontam para o problema inicial, qual seja, quando a demanda do sistema se encontra
elevada e fecha-se apenas o semáforo para quem deseja seguir na V1, forma-se uma fila (Fila 3)
enquanto a fila do lado (Fila 2) é esvaziada, pois para esta o sinal está verde. Ocorre que a Fila 3
cresce ao ponto de impedir o acesso dos veículos da Fila 1 que desejem entrar na Fila 2, onde o
sinal ainda está verde, mas nenhum veículo consegue mais sequer entrar na fila impedido pelo
trânsito, o chamado engarrafamento.
Ao contrário do que se imaginava, a extensão de verde gerada pelo sistema atuado não
provocou grandes mudanças nas filas de ônibus. Este fato pode ter sido favorecido pela via
exclusiva para ônibus urbano existente no local.
É possível identificar uma influência do tamanho da fila no tempo de processamento, de
modo que para um tamanho maior da fila 2 (Ver Figura 17), o tempo de travessia tende a ser
mais elevado (Ver Figura 32). Para um tamanho de fila menos expressivo, o tempo de travessia
tende a ser pequeno.
Por isso entende-se que o sistema estudado apresenta comportamento não markoviano no
movimento dos automóveis, haja vista que a velocidade de travessia, ou seja, o chamado tempo
de processamanto, em eventos discretos, de um agente depende da velocidade do veículo à frente
na intersecção (FOGLIATTI; MATTOS, 2007). Esse comportamento ocorreu nos intervalos
entre chegadas, com distribuição Erlang para a Fila 2, o que vai ao encontro das afirmações
de Fogliatti e Mattos (2007) e Shortle et al. (2008), que dizem que, satisfeitas as condições,
o sistema semi-markoviano com distribuição Ek pode, ou não, ser reduzido a um processo de
Markov por causa da propriedade sem memória dessas variáveis aleatórias, isto é, os tempos de
travessia e entre chegadas.
Na literatura, os materiais oficiais para taxas de emissões de poluentes em função do
tempo de permanência no sistema são poucos, de modo que não foi possível encontrar essas
relações de forma esquematizada para trabalhos acadêmicos. Por isso, os achados para emissões
automotivas expressas em gramas por hora (g/h) trouxeram apenas dados referentes aos resíduos
de MP, o que inviabilizou uma modelagem mais fidedigna das emissões. O mais comun nas
literaturas oficiais é expressar essas emissões em grama de poluentes emidido por kilômetro
percorrido (g/Km).
Por esse motivo, a simulação mais otimizada desse estudo foi a que gerou as maiores
emissões, pois permitiu que passasse pelo sistema uma quantidade maior de veículos, que
acarretaram em mais poluições.
63
6 CONCLUSÃO
O desenvolvimento do presente estudo possibilitou perceber que uma vez verificado o

aumento do número de veículos da metrópole, problemas de mobilidade podem vir a ser gerados
no longo prazo, acarretando em perdas refletidas em custos elevados de tranporte não apenas
concernentes ao aumento no consumo de combustível, mas também aos danos à saúde e ao
meio ambiente provocados pela elevação da emissão de poluentes, estresse, além de custos
pecuniários e elevação do custo de oportunidade (CINTRA, 2013). Se esse fluxo passar a ser
elevado em intersecções, faz-se necessário adequações no funcionamento do semáforo. Para
tanto, é importante a realização de estudo da demanda de tráfego a fim de obter os tempos
semafóricos de ciclo e tempos de verde adequados para a melhor fluidez dos veículos, aliado ao
estudo da viabilidade econômica da instalação desses diciplinadores de corrente de tráfego. No
entanto, os estudos precisam ser refeitos e atualizados à medida em que há variações no número
de automóveis ao longo dos anos, haja vista que a solução implantada há 10 ou 20 anos pode não
mais atender satisfatoriamente às necessidades da população que faz uso daquela malha viária
diariamente (Conselho Nacional de Trânsito, 2014).
Por esse motivo, neste estudo foram exploradas algumas possibilidades de melhoria
no fluxo de veiculos para a redução do congestionamento local lançando mão de simulações
computacionais para análise dos sistemas e dos valores esperados dos modelos. O movimento de
veículos foi estudado a fim de identificar os maiores gargalos nas áreas próximas ao local do
estudo e assim contribuir para a redução dos transtornos gerados diariamente pelo congestiona-
mento.
Vale salientar que a análise do sistema de tráfego por meio da simulação computacional
é de interesse da sociedade devido à possibilidade gerada de melhoria na qualidade de vida
da população que faz uso do trecho urbano em estudo. O assunto é de interesse também da
academia, pois poderá compor o acervo de material informacional que agrege conhecimento nos
estudos sobre o tema.
Os objetivos deste estudo foram devidamente atendidos. Começando com o objetivo
específico de encontrar um modelo válido na simulação computacional do sistema estudado, o
qual foi cumprido nas etapas de desenvolvimento, verificação e validação do modelo, quando
um modelo computacional pôde ser estabelecido. Em seguida, o objetivo específico de analisar o
comportamento do fluxo de automóveis na simulação em função das mudanças no funcionamento
do semáforo do encontro entre a Avenida Bernardo Vieira e a Rua dos Pegas de Natal/RN foi
atendido ao empreender as implementações do experimento 1, quando os primeiros benefícios
do estudo puderam ser percebidoos. Na sequencia, o objetivo de simular a implementação de um
semáforo atuado na área usada no estudo passou a ser atendido ao realizar os experimentos 2 e 3,
Capítulo 6. CONCLUSÃO 64
pois, além de elaborar os modelos computacionais para os experimentos, e algoritmos necessários

com base nas instruções do Conselho Nacional de Trânsito (2014), o funcionamento do sistema
atuado nas simulações computacionais pôde ser devidamente observado pelo analista. Também
o último objetivo específico foi apropriadamente atendido, qual seja, analisar o comportamento
do fluxo de automóveis na simulação em função das mudanças no funcionamento do semáforo
quanto à redução do tempo de fila e da quantidade de veículos presos no congestionamento local.
O atendimnto a este objetivo pôde ser verificado no capítulo de Resultados deste estudo, quando
os dados gerados pelo simulador foram examinados e as informações abstraídas, sintetizadas.
Assim, o objetivo geral proposto neste estudo foi atendido, qual seja, encontrar soluções
para melhorar o fluxo de veículos por meio da modificação do funcionamento do semáforo em
simulações. Essas soluções podem ser encontradas na seção resultados, e oferecem tres opções
de intervenções para a melhoria do trânsito local.
Desse modo, pode-se afirmar que o estado atual do sistema estudado, no que se refere
ao funcionamento do semáforo no local, apresenta-se pouco eficiente, podendo ser melhorado,
conforme os resultados mostrados, mediante intervenções simples, de custo próximo a zero, para
o caso de proceder a modificação na sincronização dos tempos de verde; ou pouco dispendiosas,
para o caso da implantação de semáforo atuado. Portanto, os dados gerados neste trabalho
indicam também que a implementação de um semáforo atuado na área simulada no estudo
favorece a redução do tempo de fila e da quantidade de veículos presos no congestionamento
local.
Os achados neste estudo apontam a suficiência do software Anylogic para estudos de
mobilidade semelhantes a este, além de outras áreas a que o programa pode ser utilizado. Por
isso, a resposta para pergunta: “os modelos desenvolvidos podem ser adotados como opções
de melhoria do trânsito local do estudo para tomada de decisão?”, a que o trabalho se propõe a
responder, pôde ser encontrada.
Desse modo a simulação computacional de sistemas realizada com o auxílio de softwares
específicos contribui para a análise da real necessidade e escolha da melhor opção de intervenção
a ser adotada pelo tomador de decisão encarregado da gestão do transito local onde o estudo
foi realizado. Embora se saiba da teoria das restrições que ao dirimir um gargalo num ponto
do sistema, gera-se outro noutro local do sistema, este trabalho integra o conjunto de pequenas
soluções, a serem descobertas ou já conhecidas, que contribuam para a melhoria contínua do
sistema.
Quanto às dificuldades para a realização desta pesquisa, estas sobrevieram na coleta
dos dados em campo, pois o município, à época, vinha sofrendo problemas de segurança
pública, o que colocava em risco a integridade material do pesquisador caso os tempos de
duração das coletas fossem mais prolongados, haja vista que um bairro próximo do local era
considerado perigoso. Também se constituiu entrave à fluidez da pesquisa o manuseio do
simulador computacional para o desenvolvimento dos algoritmos em java, devido à pouca
Capítulo 6. CONCLUSÃO 65
familiaridade com os recursos e ferramentas oferecidos pelo software ao associá-los à criação

dos códigos nessa linguagem de programação. Por outro lado, uma vez desvencilhado dos
bugs no sistema, a possibilidade de se trabalhar com o desenvolvimento em Java favoreceu a
flexibilidade necessária para criar os algoritmos de funcionamento do semáforo atuado pelo
tráfego de veículos.
Pelo fato de as simulações computacionais representarem uma aproximação de sistemas
reais, dificilmente representarão fielmente e em detalhes o comportamento real. Por isso, o estudo
levou em consideração apenas o fluxo de veículos na intersecção, desprezando na análise o fluxo
de pedestres no cruzamento, pelo que constituem um tema para estudos posteriores. As soluções
apresentadas no estudo são apenas sugestões de melhorias bem como podem ser material de
consulta para estudos sobre o software utilizado.
O modelo utilizado para a realização no experimento 2, onde os intervalos entre chegadas
podem ser alterados pela ferramenta slider em tempo de simulação, pode ser encontrado no site
do Anylogic Cloud, através do link https://cloud.anylogic.com/model/b0aff384-7898-4331-87c1-
0253faafd619?mode=SETTINGS.
66
REFERÊNCIAS
ARENALES, M. et al. Pesquisa Operacional: Para cursos de engenharia. Elsevier Brasil,

2015. ISBN 9788535281835. Disponível em: <https://books.google.com.br/books?id=
aZbpCgAAQBAJ>. Citado na página 20.
ASIF, F. M.; LIEDER, M.; RASHID, A. Multi-method simulation based tool to evaluate
economic and environmental performance of circular product systems. Journal of Cleaner
Production, Elsevier, v. 139, p. 1261–1281, 2016. Citado na página 31.
BATERMAN, R. E. et al. Simulação De Sistemas: Aprimorando Processos de Logística,

Serviços e Manufatura. Elsevier Brasil, 2013. ISBN 9788535271638. Disponível em:
<https://books.google.com.br/books?id=82HcAwAAQBAJ>. Citado na página 22.
BORSHCHEV, A. The Big Book of Simulation Modeling: Multimethod Modeling with AnyLogic
6. Chicago: AnyLogic North America, 2013. ISBN 9780989573177. Citado 3 vezes nas páginas
79, 82 e 85.
BRITO, T. B. Aplicabilidade da simulação híbrida em sistemas logísticos. Tese (Doutorado) —

Universidade de São Paulo, 2011. Citado na página 31.
CHWIF, L.; MEDINA, A. C. Modelagem e simulação de eventos discretos. [S.l.]: Afonso C.

Medina, 2006. Citado 5 vezes nas páginas 25, 34, 36, 38 e 44.
CINTRA, M. A crise do trânsito em são paulo e seus custos. GV-executivo, v. 12, n. 2, p. 58–61,
2013. Citado na página 63.
Conselho Nacional de Trânsito. Manual Brasileiro de Sinalização de Trânsito:

VOLUME V Sinalização Semafórica. Brasília: CONTRAN, 2014. Disponível em:
<http://www.denatran.gov.br/images/Educacao/Publicacoes/Manual{\_}Semaforico{\_}Vol>.
Citado 11 vezes nas páginas 25, 26, 28, 29, 46, 48, 49, 50, 61, 63 e 64.
CURCIO, D. et al. Passengers’ flow analysis and security issues in airport terminals using
modeling & simulation. In: European Conference on Modeling & Simulation, Praga-Repubblica
Ceca. [S.l.: s.n.], 2007. p. 4–6. Citado na página 31.
Departamento Nacional de Infraestrutura e Transportes. Estimativa do Volume Medio Diario

anual - VMD. [S.l.], 2009. Citado na página 16.
DETRAN/RN. Governo do estado do rio grande do norte relatório estatístico da

frota de veículos - renavan, de janeiro a junho de 2017. 2017. Disponível em:
<http://adcon.rn.gov.br/acervo/detran/doc/DOC000000000161970.PDF>. Citado 3 vezes nas
páginas 16, 36 e 37.
DJANATLIEV, A.; GERMAN, R. Large scale healthcare modeling by hybrid simulation

techniques using anylogic. In: ICST (INSTITUTE FOR COMPUTER SCIENCES,
SOCIAL-INFORMATICS AND TELECOMMUNICATIONS ENGINEERING). Proceedings
of the 6th International ICST Conference on Simulation Tools and Techniques. [S.l.], 2013. p.
248–257. Citado na página 32.
Referências 67
DOWNS, A. Still Stuck in Traffic: Coping with Peak-Hour Traffic Congestion. Brookings
Institution Press, 2005. (James A. Johnson Metro Series). ISBN 9780815796558. Disponível em:
<https://books.google.com.br/books?id=ckLcxEb5tM8C>. Citado na página 15.
DURANA, J. M. G. D.; BARAMBONES, O. Object oriented simulation of hybrid renewable

energy systems focused on supervisor control. In: IEEE. Emerging Technologies & Factory
Automation, 2009. ETFA 2009. IEEE Conference on. [S.l.], 2009. p. 1–8. Citado na página 32.
FOGLIATTI, M. C.; MATTOS, N. M. C. Teoria de filas. Rio de Janeiro: Interciência, 2007.

ISBN 9788571931572. Citado 6 vezes nas páginas 19, 20, 21, 22, 60 e 61.
GALBIERI, R. et al. A importância de políticas públicas no contexto das mudanças climáticas

globais: o caso do setor de transporte rodoviário de passageiros no brasil. Revista Gestão &
Políticas Públicas, v. 5, n. 1, p. 17–31, 2017. Citado 2 vezes nas páginas 29 e 60.
GONÇALVES, E. Eclipse IDE: dicas e truques. Ciência Moderna, 2007. ISBN 9788573935912.
Disponível em: <https://books.google.com.br/books?id=no5ePgAACAAJ>. Citado na página
32.
GONZAGA, E. W. L. Otimização da Programação Semafórica com Base em Modelos

Matemáticos. Tese (Doutorado) — Universidade Federal de Minas Gerais, 2016. Citado na
página 25.
GRIGORYEV, I. V. AnyLogic 7 em Três Dias. 2. ed. Anylogic, 2015. 3 p. Disponível em:

<https://classic.anylogic.com/material-de-aprendizado-em-portugues>. Citado 2 vezes nas
páginas 24 e 31.
GRÖSSLER, A.; SCHIERITZ, N. Of stocks, flows, agents and rules—“strategic” simulations in

supply chain research. In: Research methodologies in supply chain management. [S.l.]: Springer,
2005. p. 445–460. Citado na página 31.
HALLMANN, H. V. Comparação entre softwares simuladores de trânsito. 2011. Citado 2

vezes nas páginas 30 e 31.
HOOGENDOORN, S. P.; BOVY, P. H. L. State-of-the-art of vehicular traffic flow

modelling. Proceedings of the Institution of Mechanical Engineers, Part I: Journal
of Systems and Control Engineering, v. 215, n. 4, p. 283–303, 2001. Disponível em:
<http://journals.sagepub.com/doi/pdf/10.1177/095965180121500402#articleShareContainer>.
Citado na página 25.
JOO, J. et al. Agent-based simulation of affordance-based human behaviors in emergency

evacuation. Simulation Modelling Practice and Theory, Elsevier, v. 32, p. 99–115, 2013. Citado
na página 31.
KELTON, W.; SADOWSKI, R.; STURROCK, D. Simulation with Arena. McGraw-Hill Higher
Education, 2007. (McGraw-Hill series in industrial engineering and management science). ISBN
9780073523415. Disponível em: <https://books.google.com.br/books?id=DeymQgAACAAJ>.
Citado 2 vezes nas páginas 23 e 38.
KLEINROCK, L.; GAIL, R. Queuing Systems. New York: Interciência, 1996. ISBN
Referências 68
LEE, J. et al. A study of experimental design for unmanned ground vehicle effectiveness based
on a small unit combat scenario. Journal of the Korean Society for Quality Management, The
Korean Society for Quality Management, v. 42, n. 4, p. 591–606, 2014. Citado na página 31.
LOBÃO, E. d. C.; PORTO, A. J. V. Evolução das técnicas de simulação. Production, SciELO
Brasil, v. 9, n. 1, p. 13–21, 1999. Citado na página 23.
LUNA, M. d. S. d. Sobre o fluxo de saturação: conceituação, aplicação, determinação e
variação. Tese (Doutorado), 2003. Citado na página 25.
LYNCH, C. J.; DIALLO, S. Y.; TOLK, A. Representing the ballistic missile defense
system using agent-based modeling. In: SOCIETY FOR COMPUTER SIMULATION
INTERNATIONAL. Proceedings of the Military Modeling & Simulation Symposium. [S.l.],
2013. p. 3. Citado na página 31.
MARCONI, M. d. A.; LAKATOS, E. M. Fundamentos de metodologia científica. [S.l.]: 5.
ed.-São Paulo: Atlas, 2003. Citado na página 33.
MARSHALL, D. A. et al. Transforming healthcare delivery: integrating dynamic simulation
modelling and big data in health economics and outcomes research. PharmacoEconomics,
Springer, v. 34, n. 2, p. 115–126, 2016. Citado 2 vezes nas páginas 31 e 32.
MONTGOMERY, D. C. Design and analysis of experiments. [S.l.]: John wiley & sons, 2017.
MONTGOMERY, D. C.; RUNGER, G. C.; CALADO, V. Estatística Aplicada E Probabilidade
Para Engenheiros . [S.l.]: Grupo Gen-LTC, 2000. Citado na página 19.
NAZARETH, V. S.; SOUSA, L. A. P. d.; RIBEIRO, P. C. M. Analise comparativa entre
simuladores de fluxo de tráfego. Rio de Transportes, Rio de Janeiro, 2015. Citado 2 vezes nas
páginas 30 e 31.
OLIVEIRA, C. Análise da Interseção semaforizada em nível entre as avenidas Governador
Tarcísio Maia e Prefeito Omar O’grady em Natal/Rn. Dissertação (B.S. thesis) — Universidade
Federal do Rio Grande do Norte, 2016. Citado na página 25.
OLIVEIRA, M. F. d. Metodologia científica: um manual para a realização de pesquisas em
administração. 2011. Citado 2 vezes nas páginas 33 e 34.
OLIVEIRA, M. L. M. de et al. Utilização da simulação baseada em agentes combinada a
simulação a eventos discretos para representar o elemento humano em uma célula de manufatura.
PAIVA, E. P. L. d. et al. Heurísticas aplicadas a um estudo de caso de distribuição de pequenas
encomendas utilizando a bicicleta. [sn], 2014. Citado 3 vezes nas páginas 29, 30 e 37.
PEREIRA, A. P. A. et al. Simulação de sistemas de produção lean. 2009. Citado 2 vezes nas
páginas 31 e 32.
PIGNATARO, L. J. Traffic Engineering: Theory and Practice. New Jersey: Prentice Hall, 1973.
POSTEMA, B. F.; HAVERKORT, B. R. An anylogic simulation model for power and
performance analysis of data centres. In: SPRINGER. European Workshop on Performance
Engineering. [S.l.], 2015. p. 258–272. Citado na página 31.
Referências 69
RUSSO, D. et al. Business process modeling and efficiency improvement through an agent-based
approach. Journal of Systemics, Directory of Open Access Journals, v. 11, n. 8, p. 1–6, 2013.
SALDIVA, P. et al. Programa de controle de emissões veiculares (proconve)–emissões de

poluentes atmosféricos por fontes móveis e estimativa dos efeitos em saúde na rmsp: cenário
atual e projeções. São Paulo: USP/Laboratório de Poluição Atmosférica Experimental da
Faculdade de Medicina da USP, 2007. Citado 2 vezes nas páginas 18 e 60.
SANTOS, C. L. d. Fluxo de Saturação de intersecções complexas controladas por semaforos.

[S.l.]: EDUFRN, 2007. Citado na página 27.
SARGENT, R. G. Verification and validation of simulation models. Journal of simulation,

Springer, v. 7, n. 1, p. 12–24, 2013. Citado na página 38.
SCHMIDT, J.; TAYLOR, R. Simulation and Analysis of Industrial Systems. Richard

D. Irwin, 1970. (TheIrwin series in quantitative analysis for business). Disponível em:
<https://books.google.com.br/books?id=UNZEAAAAIAAJ>. Citado na página 23.
SHORTLE, J. F. et al. Fundamentals of queueing theory. [S.l.]: John Wiley & Sons, 2008.
Citado 2 vezes nas páginas 20 e 61.
Sistema FIRJAN. Custo dos deslocamentos nas regiões metropolitanas do Brasil - Natal. [S.l.],
SOARES, L. R. Engenharia de tráfego. [S.l.]: Almeida Neves, 1975. 104-110 p. Citado na

página 35.
SOUSA, L. A. P. d. TAXAS DE DESACELERAÇÃO E TEMPOS DE PERCEPÇÃO E REAÇÃO

DOS MOTORISTAS EM INTERSEÇÕES SEMAFORIZADAS. Dissertação (B.S. thesis) —
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO, 2011. Citado na página 40.
SOUZA, K. R. d. Estimativas de emissões de gases poluentes por veículos automotores

rodoviários nos municípios paulistas e sua relação com a saúde. Tese (Doutorado) —
Universidade de São Paulo, 2017. Citado 3 vezes nas páginas 29, 30 e 37.
SQUICCIARINI, A.; RAJASEKARAN, S. D.; MONT, M. C. Using modeling and simulation to

evaluate enterprises’ risk exposure to social networks. Computer, IEEE, v. 44, n. 1, p. 66–73,
2011. Citado 2 vezes nas páginas 31 e 32.
TAYLOR, M.; BONSALL, P.; YOUNG, W. Understanding Traffic Systems: Data, Analysis, and
Presentation. Avebury Technical, 1996. Disponível em: <https://books.google.com.br/books?id=
C3knAQAAMAAJ>. Citado na página 25.
TESTA, J. F. A poluição atmosférica por veículos automotores na região metropolitana de são

paulo: causas e impactos. Electronic Journal of Management, Education and Environmental
Technology (REGET), v. 19, n. 2, p. 1209–1221, 2015. Citado na página 15.
WIDENER, M. J.; HORNER, M. W.; METCALF, S. S. Simulating the effects of social networks
on a population’s hurricane evacuation participation. Journal of geographical systems, Springer,
v. 15, n. 2, p. 193–209, 2013. Citado na página 32.
Referências 70
YANG, Y.; LI, J.; ZHAO, Q. Study on passenger flow simulation in urban subway station based
on anylogic. Journal of Software, Academy Publisher, v. 9, n. 1, p. 140–146, 2014. Citado na
página 32.
ZANCANARO, A. et al. Produção de recursos educacionais abertos com foco na disseminação

do conhecimento: uma proposta de framework. 2015. Citado na página 32.
ZHANG, Y.; WANG, Y.; WU, L. Research on demand-driven leagile supply chain operation
model: a simulation based on anylogic in system engineering. Systems Engineering Procedia,
Elsevier, v. 3, p. 249–258, 2012. Citado na página 31.
Apêndices
Referências 72
APÊNDICE A - Funções desenvolvidas no modelo
Figura 25 – Função para cálculo da extensão de verde.
Fonte: Autor, 2018.

Referências 73
Figura 26 – Action Chart para cálculo da extensão de verde.
Fonte: Autor, 2018.

Referências 74
Figura 27 – Action Chart para cálculo do tempo de ciclo.
Fonte: Autor, 2018.

Referências 75
Figura 28 – Action Chart para cálculo da variável tempo3.
Fonte: Autor, 2018.

Referências
Figura 29 – Análise dos dados para escolha da simulação adequada.
Fonte: Autor, 2018.
76
Referências 77
APÊNDICE B - Detalhamento dos boxplots

Para uma melhor visualização do comportamento dos dados para as filas de ônibus urbano com
relação aos experimentos, os boxplots a seguir foram gerados em outras escalas diferentes.
Figura 30 – Boxplots dos dados para as filas de ônibus urbano.
Fonte: Autor, 2018.

Referências 78
Para uma melhor visualização do comportamento dos dados para as filas da V2 e dos tempos
médios de travessia com relação aos experimentos, os boxplots a seguir foram gerados em outras
escalas diferentes.
Figura 31 – Boxplot dos dados para as filas da V2.
Fonte: Autor, 2018.
Figura 32 – Boxplot dos dados para os tempos de travessia.
Fonte: Autor, 2018.

Referências 79
APÊNDICE C - Um pouco sobre o software
Workspace do Anylogic
Como se sabe, o Anylogic foi desenvolvido a partir do IDE de desenvolvimento Eclipse, que
permite testar o código com o JUnit integrado; Depurar as aplicações de forma simples; gerar
documentação Java rapidamente; criar aplicativos Desktop pelo Visual Editor (VE); Criar
aplicações Web utilizando o Web Tools Platform (WTP). Ele foi feito em Java e segue o modelo
open source de desenvolvimento de software. O software Eclipse tem a licença EPL (Eclipse
Public License).
Assim, a seguir, para um melhor entendimento do trabalho, serão apresentadas informações
básicas necessárias ao manuseio do software Anylogic. Para um estudo mais completo, ver o que
diz o trablho de Borshchev (2013).
A Figura 33 apresenta a área de trabalho do software de simulação Anylogic.
Referências
Figura 33 – Área de trabalho do Anylogic.
Fonte: Anylogic, 2018.
80
Referências 81
Com isso é possível identificar que à esquerda da Figura 33 se encontram as classes de active
objects, classes Java e outros recursos. À direita estão as propriedades do elemento ou
componente do modelo e ao centro se encontra o editor gráfico, onde tanto os processos lógicos
quanto as animações gráficas são desenvolvidos. A versão do software utilizada foi a Anylogic
Personal Learning Edition.
A utilização das ferramentas depende do nível de complexidade do sistema a ser modelado. Na
aba Palette, na parte superior esquerda da Figura 33 se encontram as principais bibliotecas de
ferramentas do programa.
Ferramentas do Anylogic
O desenvolvimento de modelos de trânsito pode ser feito a partir de objetos da Road Traffic
Library e da Process Modeling Library principalmente. A Figura 34 mostra as ferramentas da
biblioteca Road Traffic.
Figura 34 – Ferramentas Tráfego do Anylogic.
Se utilizando dos objetos da biblioteca Road Traffic (Figura 34), o sistema pode ser modelado
em função de agentes e processos. Os agentes podem representar o movimento de pessoas,
veículos, etc. Os processos representam ações, operações e/ou uso de recursos. Assim, a
elaboração da lógica do modelo passa a ter a forma de fluxograma, para uma melhor
Referências 82
compreenção do sistema modelado (BORSHCHEV, 2013). A Figura 35 mostra as ferramentas

da Process Modeling Library.
Figura 35 – Ferramentas do Anylogic.
Esta biblioteca, mostrada na Figura 35, fornece as principais ferramentas para a modelagem de
eventos discretos contidas no campo Blocks. O campo Space markup fornece ferramentas que
dão suporte à modelagem 3D do sistema.
Uma biblioteca importante para estudos e análises de dados também é a Connectivity, de onde
dados podem ser extraídos, tratados e armazenados. A Figura 36 a serguir mostra as ferramentas
disponíveis na biblioteca Connectivity da versão Personal Learn Edition do Anylogic.
Referências 83
Figura 36 – Ferramentas da biblioteca connectivity.
É por ferramentas desta biblioteca da Figura 36 que o software pode se comunicar com outros
programas de armazenamento de dados, tais como arquivos de texto (em .txt), planilhas
eletrônicas (em .xlsx) e sistemas de gerenciamento de banco de dados mais robustos como o
MySQL.
Além disso, aos objetos das bibliotecas das Figuras 35 e 34 podem ser associados eventos, os
quais são, em sua maioria, campos do tipo onEnter e onExit, isto é, ocorrem quando o agente
entre ou sai do objeto. O algoritmo desenvolvido em Java pode ser inserido também nesses
campos. Uma vez que é possível criar as próprias classes, é viabilizada a personalização dos
parâmetros associados a essas classes, os chamados Agentes.
Biblioteca Agent
No Anylogic, os agentes estão associados a classes Java. Os objetos, ou seja, as ferramentas da
Road Traffic Library e da Process Modeling Library possuem parâmetros e variáveis. A Figura
37 mostra a biblioteca Agent do Anylogic.
Referências
Figura 37 – Biblioteca Agent.
Fonte: Autor, 2018.
84
Referências 85
Os parâmetos (Parameter da biblioteca Agent, Figura 37), podem ser usados para definir o
comportamento do modelo; o uso das variáveis (Variable, Figura 37) é aconselhado quando se
pretende guardar valores que se alteram em tempo de simulação (BORSHCHEV, 2013).

TCC - Jadson Ferreira Jacob

Enviado por

Dados do documento

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

TCC - Jadson Ferreira Jacob

Enviado por

Direitos autorais:

Formatos disponíveis

U NIVERSIDADE F EDERAL DO R IO G RANDE DO N ORTE

JADSON FERREIRA JACOB

T ÉCNICA MISTA DE SIMULAÇÃO : UMA APLICAÇÃO NO

CIDADE DE N ATAL /RN

T ÉCNICA MISTA DE SIMULAÇÃO : UMA APLICAÇÃO NO FLUXO DE

VEÍCULOS NUM TRECHO URBANO DA CIDADE DE N ATAL /RN

Monografia apresentada ao Departamento de En-

Orientador: Werner Kleyson da Silva Soares

Jacob, Jadson Ferreira.

Graduação (monografia) - Universidade Federal do Rio Grande

1. Medida de segurança - Sinalização - Monografia. 2.

RN/UF/BCZM CDU 656.11.053.1

Elaborado por Kalline Bezerra da Silva - CRB-15/327

do sistema real, e simulação da implantação de um sistema de semáforo atuado. Os resultados

Palavras-chave: Simulação computacional. Teoria das Filas. Trânsito. Tráfego.

Keywords: Simulation. Anylogic. Queueing Theory. Transit. Traffic.

Figura 1 – Mapa do local do estudo. . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

Figura 2 – Tempo de verde e Fluxo de Saturação. . . . . . . . . . . . . . . . . . . . . 26

Figura 4 – Classificação da Pesquisa. . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

Figura 6 – Análise de correlação. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

Figura 16 – Dados fila 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

Figura 25 – Função para cálculo da extensão de verde. . . . . . . . . . . . . . . . . . . 72

Tabela 1 – Determinação do FS para larguras inferiores a 5,5m. . . . . . . . . . . . . . 27

Tabela 2 – Dados coletados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

Tabela 3 – Dados das simulações. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

Quadro 1 – Tipos de validação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

Quadro 2 – Equações das distribuições de probabilidade . . . . . . . . . . . . . . . . . 44

Nos grandes centros urbanos, os congestionamentos geram perdas de tempo e de dinheiro,

Congestionamentos são resultado da influência da elevação constante do fluxo de veículos

incluindo um trecho da “Ponte de Igapó”.

Figura 1 – Mapa do local do estudo.

Fonte: Adaptado de Google.

1.2 OBJETIVOS E JUSTIFICATIVA

Uma vez que o funcionamento do semáforo possui grande representatividade no efeito

• Encontrar um modelo válido na simulação computacional do sistema estudado;

• Analisar o comportamento do fluxo de automóveis na simulação em função das mudanças

• Simular a implementação de um semáforo dinâmico na área simulada no estudo;

• Analisar o comportamento do fluxo de automóveis na simulação em função das mudanças

• Estimar os efeitos na emissão de poluentes.

1.2.2 Contextualização e Justificativa

2.1 CONCEITOS BÁSICOS

Os conceitos básicos compreendem o entendimento acerca de alguns conteúdos acerca

2.1.1 Distribuição de Probabilidades

P(X = x0 ) = P(x0 ) (2.1)

As distribuções discretas mais relevantes são a Distribuição Binomial e a Distribuição

2.1.2 Processos estocásticos

Um processo estocástico é denominado processo Markoviano se dada uma

O comportamento de um processo markoviano passa a ser interessante após um longo

2.2 REFERENCIAL TEÓRICO

A seguir, são levantados os conhecimentos básicos sobre a Teoria de filas e Simulação

2.2.1 Teoria das filas

à distribuição do tempo de atendimento (M, D, Ek G), C e D denotam o número de servidores

D: Determinístico (tempo constante);

Ek : Distribuição Erlang do tipo k ou Gama: soma de distribuições exponenciais independentes;

G: distribuição geral: distribuição dos tempos de chegada/serviço não especificada;

L: Número médio de usuários no sistema;

Lq : Número médio de usuários na fila;

W : Tempo médio de permanência no sistema;

Wq : Tempo médio de espera na fila.

Há ainda na Teoria de Filas algumas relações entre as medidas de desempenho conhecidas

λ : Taxa média de entradas no sistema;

µ : Taxa média de atendimento;

Dentre os modelos de filas considerados markovianos e úteis para a realização deste

Com isso se pode estabelecer o modelo de filas adequado ao sistema e em seguida