Universidade do Vale de Itajaí (UNIVALI) – Itajaí, SC – Brasil
Resumo. O presente artigo detalha a pesquisa exploratória voltada ao problema da ausência de contagens de veículos para o planejamento urbano, a hipótese prevê a utilização do SUMO um simulador microscópico de trânsito, para obter características do fluxo de veículos a partir de informações disponibilizadas abertamente em serviços de navegação veicular, especificamente o Google Maps traffic. Foi selecionada uma interseção viária complexa, compreendendo uma rótula entre vias de várias classes. O horário selecionado foi o pico da tarde, das 18:00 horas até as 19:00 horas. O objetivo é que se tenha uma estimativa do número de veículos.
Palavras chave - Mapa de tráfego, Simulador SUMO, Google Traffic, contagem de tráfego.
O crescimento das cidades em conjunto com políticas exclusivas para destinação de recursos na a ampliação da malha viária a partir da década de 1940, concomitantemente à falta de investimentos em outros modais como o ferroviário e navegação, tem desde então incorporando ao planejamento das cidades brasileiras políticas de priorização da infraestrutura destinada ao automóvel, neste contexto o incentivo ao aumento na frota de veículos é utilizada como indicador de desenvolvimento (BARAT, 2007). Pode-se observar este aumento especificamente em Santa Catarina, com informações do Departamento Nacional de Trânsito a respeito da frota de veículos dos municípios do entorno da BR 101/SC, que passou de 1.7 milhão em 2010, para 2.6 milhões em 2019, e tem previsão de alcançar 4.5 milhões em 2029.
Em proposta realizada pela Federação das Indústrias do Estado de Santa Catarina, BR 101 do futuro, 2020, com foco no litoral Catarinense. É apresentado um diagnóstico a respeito da demanda acelerada por mobilidade e subsequentemente pressão na infra estrutura viária, se manifestando com congestionamentos, impactos sociais e econômicos. São propostos investimentos crescentes em obras e projetos concentrados no transporte rodoviário com o intuito de manter níveis de serviço e segurança.
O Manual de Estudos de Tráfego elaborado pelo Departamento Nacional de Infraestrutura de Transportes, relaciona os modelos e processos envolvidos em projetos viários que se iniciam com os procedimentos básicos para estudos e avaliação do tráfego atual, as contagens demandam a mobilização de pessoal e equipamentos especializados gerando impacto nos custos e disponibilidade das mesmas. Dentre os levantamentos o conhecimento dos fluxos nos períodos de pico é de grande importância na determinação do Volume Horário de Projeto (DNIT, 2006). Enquanto se por um lado o setor público tem investido em propostas a fim de predizer e tratar os fatores determinantes geradores de conflitos, iniciativas privadas buscam desenvolver serviços com a intenção de auxiliar o grande número de pessoas atingidas como é o caso de serviços como Apple Maps, Microsoft Bing Maps, Here dentre outros. Uma das ferramentas comercialmente disponíveis é o Google Maps Traffic, seu modelo que em 2007 era constituído por dados de tráfego divulgados por órgãos gestores e empresas, em 2012 passa a incorporar um modelo colaborativo onde cada usuário transmite em tempo real sua situação para a rede (Google, 2021), o dado é anonimizado e retorna ao usuário de forma qualitativa no que diz respeito às condições de tráfego, sem detalhes sobre as quantidades de veículos ou condutores. Quanto à abrangência, apesar do Google não informar o número de usuários do serviço de navegação no Brasil, no mundo é usado por mais de um bilhão de pessoas mensalmente (Google, 2020). A plataforma móvel de celulares, da qual depende o serviço, segundo levantamento do IBGE em 2019, foi o principal meio de acesso à internet para 183,3 milhões de brasileiros.
As provas realizadas pelo presente artigo buscam agregar valor aos projetos viários, reduzindo o custo na obtenção de parâmetros básicos do projeto, a reunião das características do tráfego reportadas pelos aplicativos e a modelagem da malha viária com regulamentação do trânsito, serão exploradas utilizando a regressão por simulação de dados para preencher o número de veículos no volume horário.
Na pesquisa de tráfego quatro classes de modelos de fluxo se distinguem de acordo com o nível de detalhamento da simulação. Em modelos macroscópicos o próprio fluxo de tráfego é a entidade básica, já os modelos microscópicos simulam o movimento de cada veículo na via, de maneira geral assumindo que o comportamento de cada um depende das capacidades físicas do veículo em conjunto com as decisões do motorista. (Chowdhury, D., L. Santen, A. Schadschneider, 2018).
Modelos macroscópicos possuem normalmente uma execução rápida por se limitarem a média em que os fluxos de veículos se comportam, são caracterizados por cálculos como na dinâmica computacional de fluidos e possuem um nível baixo de detalhes uma vez que não existe interesse por cada unidade individual, apenas no processo como um todo. Quando existe a necessidade de simular rotas individuais, os modelos microscópicos são mais precisos (Chowdhury, D., L. Santen, A. Schadschneider, 2018).
Figura 1. Diferença entre a granularidade de modelos de simulação, da esquerda para a direita: macroscópico, microscópico, sub-microscópico (dentro do círculo, mesoscópico). Fonte: https://sumo.dlr.de/docs/Theory/Traffic_Simulations.html.
Considerando a escala de uma interseção viária inividual foi adotado o modelo microscópico (os veículos são tratados individualmente e utilizam a teoria da perseguição ou car-following) em lugar do macroscópico (modelos Tudo-ou-nada, Estocásticos ou de Equilíbrio). Um dos aspectos de interesse no modelo car-following, é o espaço médio (S), que um veículo tem ao seguir outro veículo a uma velocidade (V) (Rothery, 2001). A consideração deste espaço ocupado não apenas pelo veículo mas pela sua atuação em movimento dentro da situação simulada, permite uma leitura detalhada do impacto do número de veículos na velocidade média em um trecho determinado da via.
Figura 2. Diagrama do modelo linear de perseguição (car-following) utilizado no modelo microscópico, mostrando as relações entre motoristas/veículos. Fonte: Traffic Flow Theory: A state-of-the-Art Repport, MIT, 2001.
"Simulation of Urban MObility" (SUMO) é um simulador de tráfego de código aberto, desenvolvido pelo Centro Aeroespacial Alemão (DLR), como ferramenta de análise tem a habilidade de emular a variação do tempo sobre a enorme quantidade de variáveis que surgem ao redor do trânsito e é utilizada para predizer o resultado de um sistema real. O SUMO é um simulador Microscópico, o que significa que sua implementação é síncrona, a cada passo da simulação (por padrão um segundo) o estado de todas as entidades do modelo são atualizadas, a rotina pode ser descrita da seguinte maneira:
a. Inicialização: Calcula o menor caminho, a partir da origem para o destino pré definido. b. Inserção de veículos: Repete até que seja inserida toda a demanda de tráfego: 1. Determina o próximo movimento de cada entidade. 2. Aplica os modelos de troca de faixa, car-following, etc. 3. Aplica a posição final resultante. c. Resultado: Coleta e apresenta o conjunto de informações a respeito da simulação.
Os arquivos de entrada mínimos necessários no padrão XML são os seguintes:
- simulacao.sumocfg: Responsável por indicar o nome dos outros arquivos de entrada e saída da simulação.
- malha.net.xml: Linhas (edges) e vértices (nodes) na forma de um grafo que representa o desenho da malha viária. Também armazena as regras de conversões em cruzamentos e velocidades máximas de cada via e faixas. O módulo Netedit (interface gráfica para desenho da malha) e NetConvert podem ser utilizados.
- demanda.rou.xml: Em resumo contêm a maneira, momento, e quantidade de veículos que irão entrar na malha viária, pode conter uma rota pré definida ou apenas um ponto de origem e destino.
Outros arquivos como um adicional também podem ser incluídos, definindo elementos como sensores e câmeras para contagem em pontos específicos.
Os arquivos de saída com os resultados da simulação podem ser solicitados em vários níveis de detalhe, a partir da linha de comando ao se chamar a simulação como argumento ou dentro do arquivo sumocfg. Os valores podem conter os dados completos (--full-output), com a posição e estado dos veículos a cada passo da simulação, por trecho do sistema viário, rota ou fluxo, medições agregadas, tempos de espera, atrasos, consumo de combustível, etc.
Em conjunto com o sistema de simulação os dados com as condições de tráfego utilizados serão provenientes do Google Maps Traffic, o acesso ao serviço se dá através de dispositivos móveis ou pelo endereço http://maps.google.com, em sua interface o usuário pode navegar até a área de interesse e alternar entre a visualização com temas como satélite, transporte público e por fim o trânsito. Neste existem duas leituras, a padrão é a "Trânsito em tempo real" e que pode ser alterada para "Trânsito típico", baseado no histórico da área.
Os trechos com irregularidades possuem duas propriedades, o comprimento e cor atribuída ao nível de atraso. O atraso representado por cada cor é relativo à velocidade da via (Google, 2021).
- verde: 70% a 100%
- laranja: 55% a 70%
- vermelho: 30% a 55%
- vermelho escuro: 0% a 30%
Os dados de trânsito foram capturados no dia 27/08/2021, a partir da opção "Trânsito em tempo real" às 18:39 horas no endereço do serviço.
Figura 3. Captura de tela do endereço http://maps.google.com demonstrando as condições do tráfego.
Para facilitar os trabalhos seguintes de digitalização da malha, a imagem foi georreferenciada, utilizando o sistema de referência de coordenadas SIRGAS 2000/UTM zone 22s.
Para efeito de simulação do tráfego são necessárias informações que forneçam uma completa descrição das vias que irão compor a referida rede. Para cada via da rede básica deve-se obter uma descrição completa dos seguintes dados (DNIT, 2006):
- Local: situação na área de estudo, ressaltando sua importância, categoria e principais interseções.
- Dimensões Físicas: caracterização de cada via: comprimento, largura, número de faixas de tráfego, tipo de via, controles de acesso, etc.
- Características do Tráfego: velocidade média de viagem nas horas de pico e fora dela, volumes de tráfego existentes, composição modal do tráfego, etc.
- Regulamentação do Tráfego: sinalização das vias, mãos de direção, possibilidades de estacionamento, conversões proibidas, etc.
A malha viária (.net.xml), pode ser obtida de várias maneiras como a partir de fontes externas, através do módulo NETCONVERT é possível utilizar dados provenientes de arquivos shapefile ou até mesmo de serviços online como OpenStreetMap. Se optou por confeccionar uma malha própria utilizando outro módulo dedicado o NETEDIT, com o intuito de mapear com a maior exatidão possível (menor escala gráfica) o modelo. O NETEDIT também permite que sejam acrescidas propriedades adicionais personalizadas, além das características físicas e de regulamentação de trânsito.
A imagem capturada foi inserida no projeto como fundo (background/decal), por se tratar de uma arquivo GeoTIFF (georreferenciado) este irá assumir as dimensões em metros e localização corretas no NETEDIT. O processo de digitalização consiste na criação de nós e linhas de um grafo. Os nós assumem as propriedades das interseções viárias, com as regras de conversões permitidas e proibidas para cada faixa e as linhas assumem as características das vias, com número de faixas, prioridade e velocidades permitidas, foram inseridas ainda propriedades adicionais, além da velocidade máxima regulamentada em cada via as cores apresentadas pelo Google Traffic foram convertidas em velocidade (metros por segundo) e acrescentadas a cada trecho utilizando o campo ‘parameters’.
Tabela 2. Intervalo de velocidade nas áreas de conflito, cores Google Maps Traffic.
| nome | km/h | m/s | verde m/s | laranja m/s | vermelho m/s | vermelho escuro m/s |
|---|---|---|---|---|---|---|
| Av.Ver.Abrahão João Francisco | 60 | 16 | 11.2 até 16 | 8.8 até 11.19 | 4.8 até 8.79 | 0 até 4.79 |
| R.Estud.Renato Victorino | 40 | 11 | 7.7 até 11 | 6.05 até 7.69 | 3.3 até 6.04 | 0 até 3.29 |
| R.José Siqueira | 40 | 11 | 7.7 até 11 | 6.05 até 7.69 | 3.3 até 6.04 | 0 até 3.29 |
| R.Pres.João Goulart | 40 | 11 | 7.7 até 11 | 6.05 até 7.69 | 3.3 até 6.04 | 0 até 3.29 |
Figura 4. Módulo Netedit, sobreposição da malha digitalizada pelo autor com a imagem proveniente de captura de tela do Google Maps Traffic.
A escolha do método de atribuição de tráfego depende da pesquisa conduzida, o mínimo exigido consiste de uma lista de veículos, o tempo de entrada na simulação, um ponto de origem e outro de destino, no caso de um único veículo esta descrição se chama trip (viagem), já para grupos de veículos estes são definidos como flow (fluxo), com estas atribuições mínimas a rota ótima é calculada durante a simulação pelo próprio SUMO. Neste estudo as rotas foram determinadas de maneira arbitrária reproduzindo os movimentos e conversões encontrados na interseção, agrupados pela orientação de acesso que mais tarde se tornarão os pontos de interesse de contagem de veículos. Abaixo a forma que o padrão XML descreve o conjunto sucessivo de edges para formar duas rotas, já na sequência dois fluxos (veículos por hora) são atribuídos a cada uma destas rotas, ao fim o atributo 'number' se refere ao número de veículos que este fluxo irá alocar a simulação, configurada para duração de uma hora.
<route edges="gneE0 gneE1 gneE2 gneE3 gneE4" color="yellow" id="route_0" />
<route edges="gneE0 gneE1 gneE2 gneE3 gneE15 gneE16 gneE17" color="yellow" id="route_1" />
<flow id="flow_0" type="veic_pass" begin="0.00" departSpeed="8.00" route="route_0" end="3600.00" number="10" />
<flow id="flow_1" type="veic_pass" begin="0.00" departSpeed="8.00" route="route_1" end="3600.00" number="10" />
Figura 5. Rotas definidas que devem receber os fluxos de veículos.
Um arquivo adicional com a descrição de sensores que podem ser posicionados na malha como câmeras, indução dentre outros. Em contrapartida aos resultados que o sumo apresenta ao fim da simulação, estes têm a vantagem de coletarem dados de maneiras e pontos específicos. Os sensores utilizados foram de indução (Induction Loops Detectors - E1), um sensor simples que mede as propriedades dos veículos à medida que passam sobre ele. Abaixo a descrição de um sensor atribuído a uma faixa, seguido pelo caminho do arquivo em que os resultados serão gravados.
<e1Detector id="e1Detector_gneE12_0_6" lane="gneE12_0" pos="8.00" freq="300.00" file="resultados/detectores/e1_cliclo_1.xml" />A simulação foi configurada com a duração de uma hora, avançando com um passo a cada segundo. Os resultados são armazenados no padrão XML, foram utilizados dois arquivos de saída de dados, full.output.xml e adicionais.xml.
O arquivo full-output contém informações sobre todas as linhas e veículos a cada passo da simulação, dentre os vários valores coletados destacam-se os seguintes:
- vehicle_route: Rota a qual o veículo foi atribuído;
- vehicle_edge: Faixa a qual o veículo está alocado no passo atual da simulação;
- vehicle_speed: Velocidade do veículo no passo atual da simulação.
Deste ponto em diante, se torna necessária a manipulação e preparo dos dados, para tanto foi utilizada a linguagem python em conjunto com a biblioteca Pandas, foram obtidas as velocidades médias para cada trecho em cada rota da malha.
veic_sumo = veics_sumo.groupby(['vehicle_route', 'vehicle_edge'],
as_index=False)['vehicle_speed'].median()Tabela 3. Amostra do resultado contendo as médias de velocidades que os fluxos desenvolveram ao longo das rotas.
| vehicle_route | vehicle_edge | vehicle_speed |
|---|---|---|
| route_0 | gneE0 | 15.00 |
| route_0 | gneE1 | 12.12 |
| route_0 | gneE2 | 5.61 |
A partir do arquivo adicionais.xml os detectores foram posicionados em torno da interseção viária, de maneira a capturarem todos os veículos que entram e saem da interseção viária.
Figura 6. Posicionamento dos detectores na malha.
Os dados coletados são descritos da seguinte maneira:
- id: Nome do trecho (edge) em que o sensor está instalado.
- speed: Velocidade média dos veículos que cruzaram o sensor (m/s).
- nVehEntered: Número de veículos.
- name: Nome da via em que o sensor está instalado.
- priority: Prioridade do fluxo do trecho.
- lenght: Comprimento do trecho (m).
- vmax: Velocidade máxima no trecho, cores do Google traffic (m/s).
- vmin: Velocidade mínima no trecho, cores do Google traffic (m/s).
A partir destas variáveis a obtenção da tabela com os valores agregados foi feita utilizando-se da expressão:
detectores.groupby(['id']).agg({'speed':'mean','nVehEntered':'sum'}).reset_index()
pd.merge(detectores_gb, malha, how='left', on=[‘id']).reset_index()Tabela 5. Amostra de valores obtidos a partir da união do arquivo de saída dos detectores com as propriedades da malha.
| id | speed | nVehEntered | name | priority | length | vmax | vmin |
|---|---|---|---|---|---|---|---|
| gneE1 | 13.064333 | 981 | Av.Ver.Abrahão João Francisco | 3 | 84.08 | 8.79 | 4.80 |
| gneE12 | 6.538000 | 30 | R.Pres.João Goulart | 1 | 103.05 | 6.04 | 3.30 |
| gneE16 | 8.326000 | 1008 | R.José Siqueira | 3 | 33.21 | 11.00 | 7.70 |
| gneE21 | 6.234667 | 519 | R.José Siqueira | 3 | 94.32 | 7.69 | 6.05 |
A configuração inicial conta com o modelo da malha viária completo com as regras de comportamento permitidas, já na atribuição de demanda foi utilizado um arquivo com um valor de 10 veículos alocados por fluxo/rota. O comportamento não corresponde ao observado no Google Traffic, uma vez que não são conhecidas as demandas que levaram a este, os gráficos abaixo demonstram esta disparidade.
Figura 7. Desempenho da velocidade média de cada fluxo/rota (linha vermelha) em relação a velocidade máxima e mínima esperadas segundo o Google Traffic (região azul).
Para que o comportamento dos veículos se aproxime com a situação reportada, onde o nível de ocupação das vias gera um impacto na velocidade média dos fluxos, serão adicionados mais veículos a simulação.
A implementação de um processo com sucessivas simulações têm o intuito de aumentar de maneira gradativa a pressão no sistema, até o ponto onde a velocidade média de todos os fluxos se aproxime da situação apresentada pelo aplicativo de navegação, esta estratégia foi selecionada no lugar de um modelo de previsão pela facilidade em utilizar a simulação, apesar da complexidade do cenário considerado e suas particularidades, tanto a respeito da geometria viária, sua descrição funcional e interação dos vários fluxos com a malha e entre si, o modelo baseado em simulação se mostra capaz de incorporar estes aspectos de maneira simples ao usuário.
Figura 6. Processo de adição de veículos.
Em cada ciclo envolvendo simulação e avaliação dos resultados, são realizadas considerações a respeito de quais fluxos devem receber veículos adicionais primeiro, qual o número de veículos serão adicionados para a próxima simulação ou se o resultado já está próximo o suficiente do esperado, que implica na finalização do processo. A utilização da prioridade da via no processo significa que as vias de prioridades menores só receberão veículos após as de maior prioridade, vias que possuem preferência nas interseções viárias geram uma dependência no fluxo das vias secundárias e terciárias.
A definição do número de veículos a serem adicionados é decidida combinando a diferença entre a velocidade média esperada da obtida no ciclo atual, multiplicando o comprimento esperado de atraso no trecho (propriedade length).
Tabela 7. Variáveis utilizadas no processo de avaliação dos resultados para criação dos parâmetros para próxima simulação no fluxo.
| variável | descrição |
|---|---|
| demanda_anterior | número de veículos alocados na última simulação, por rota |
| sumo_sensor_speed | velocidade média capturada pelo sensor, relativo a cada rota |
| vmax_sensor | velocidade máxima segundo o Google Traffic, no trecho onde está localizado o sensor |
| snesor_edge_lenght | comprimento do trecho, que possue a cor atribuída pelo Google Traffic |
A seguinte expressão foi utilizada para se obter o índice de crescimento, a granularidade da progressão pode ser definida pela divisão do resultado obtido, neste caso adotou-se 10.
np.ceil((demanda_anterior + ((abs(valor['sumo_sensor_speed'] - valor['vmax_sensor'])) * valor[‘sensor_edge_length'])/10)Os valores são obtidos ao fim do último ciclo, onde todas as velocidades máximas remanescentes se encontravam abaixo da prevista pelo mapa do Google Traffic. Para realização da contagem de veículos que adentram o cruzamento, quatro grupos foram criados a partir das 15 rotas, provenientes da previsão dos movimentos previstos no SUMO.
Tabela 8. Grupo de rotas por direção de entrada no cruzamento.
| grupo | rotas |
|---|---|
| oeste | route_0, route_1, route_3 |
| norte | route_8, route_9, route_10, route_14, route_15, route_16 |
| leste | route_4, route_5, route_7 |
| sul | route_11, route_12, route_13 |
Figura 8. Visão geral do processo de adição de veículos, progressão do total por grupo a cada simulação realizada.
Figura 9. Desempenho da velocidade média de cada fluxo/rota (linha vermelha) após 30 ciclos, relação com a velocidade máxima e mínima esperadas segundo o Google Traffic (região azul).
Como a cada passo um novo arquivo 'demanda.rou.xml' é criado para utilização no próximo ciclo, a avaliação da demanda final de veículos atribuídos foram capturados do último arquivo criado.
Tabela 9: Número total de veículos em uma hora, contado ao fim do 30° ciclo.
| grupo | veículos alocados |
|---|---|
| oeste | 981 |
| norte | 549 |
| leste | 1344 |
| sul | 660 |
Para a avaliação os resultados foram comparados com uma contagem feita no local. A contagem tem data de 17/03/2021, considerando o mesmo período utilizado na simulação das 18:00 horas até as 19:00 horas.
Figura 10. Pontos selecionados para contagem.
A contagem considera apenas a origem dos veículos que passam pelos pontos, não foi feita a distinção do destino de cada um após adentrar o cruzamento.
Tabela 9. Valores do resultado a partir da simulação e da contagem realizada.
| grupo | veículos alocados | veículos contagem in loco |
|---|---|---|
| oeste | 981 | 1127 |
| norte | 549 | 600 |
| leste | 1344 | 1391 |
| sul | 660 | 709 |
O objetivo deste artigo foi a avaliação da viabilidade de utilização de um ambiente simulado na determinação de valores desconhecidos através da regressão por simulação de dados, para se obter o número de veículos que adentram uma interseção viária, utilizou-se a modelagem do ambiente simulado em conjunto com dados de aplicativos de navegação móvel. A estratégia adotada foi o aumento gradual de veículos inseridos na simulação, com o intuito de reproduzir as condições o mais próximas possíveis que levaram a velocidade média reportada pelo serviço de navegação. O ciclo de aproximação é composto de uma fase de simulação e outra de avaliação de resultados, para que seja feita a definição dos valores da próxima simulação ou finalização do processo.
A partir da comparação da análise dos valores obtidos no cenário simulado e dados recolhidos no local, pode-se concluir que o número total de veículos estimados se encontra próximo do observado. Outro ponto importante são as proporções obtidas também serem semelhantes, demonstrando o peso das características do congestionamento coletadas no Google Traffic (velocidade média e comprimento do trecho com atraso).
Apesar dos resultados expressos neste artigo o SUMO por se tratar de um simulador de tráfego microscópico permite um grande número de variáveis, desde o comportamento individual de cada veículo por tipo e condutor, é imprescindível que sejam aprofundados os estudos utilizando-se estas capacidades. A pesquisa abordou uma modelagem detalhada das condições da via, contudo considerando a infinidade de situações encontradas em toda a extensão do sistema viário, este estudo deve ser considerado como uma primeira etapa de uma investigação mais abrangente.
GOOGLE MAPS, 2021. Av. Ver. Abrahão João Francisco - Centro Itajaí - SC, 1:1.500. Google Maps [online]. Disponível em: Google Maps https://www.google.com.br/maps/@-26.9359751,-48.6964524,16.77z, acesso em: 27 de ago. de 2021;
GOOGLE MAPS SUPPORT. Disponível em: https://support.google.com/maps/answer/3092439, acesso em: 01 de set. de 2021;
OFFICIAL MAPS BLOG. A look back at 15 years of mapping the world, 2020 [online]. Disponível em: https://blog.google/products/maps/look-back-15-years-mapping-world/, acesso em: 27 de ago. de 2021;
SUMO WIKI. Simulação do Urban Mobility – Wiki. Disponível em: https://sumo.dlr.de/wiki/Simulation_of_Urban_MObility_-_Wiki, acesso em: 01 de ago. de 2021;
P. A. Lopez et al., "Microscopic Traffic Simulation using SUMO," 2018 21st International Conference on Intelligent Transportation Systems (ITSC), 2018, pp. 2575-2582, doi: 10.1109/ITSC.2018.8569938.
Hoogendoorn, S. P., & Bovy, P. H. L. (2001). State-of-the-art of vehicular traffic flow modelling. Proceedings of the Institution of Mechanical Engineers, Part I: Journal of Systems and Control Engineering, 215(4), 283–303.
D. Chowdhury, L. Santen, A. Schadschneider, Statistical physics of vehicular traffic and some related systems, Phys. Rep. 329
DNIT. Manual de estudos de tráfego. Rio de Janeiro, 2006. 384 p. IPR-723;
CONTRAN. Volume IV – Sinalização Horizontal. Manual Brasileiro de Sinalização de Trânsito, 2007;
Ministério das Comunicações - IBGE, Pesquisa mostra que 82,7% dos domicílios brasileiros têm acesso à internet [online]. Disponível em : https://www.gov.br/mcom/pt-br/noticias/2021/abril/pesquisa-mostra-que-82-7-dos-domicilios-brasileiros-tem-acesso-a-internet, acesso em: 27 de ago. de 2021;
FEDERAÇÃO DAS INDÚSTRIAS DO ESTADO DE SANTA CATARINA. BR101 do futuro: proposta para garantir a segurança e a eficiência do eixo litorâneo catarinense. Florianópolis, 2020;
DE PAULA, Marilene; BARTELT, Dawid Danilo. Mobilidade urbana no Brasil: desafios e alternativas. Rio de Janeiro: Fundação Heinrich Böll, 2016;
BARAT, J. Logística, transporte e desenvolvimento econômico. São Paulo: CLA Editora, 2007.
MATPLOTLIB. Matplotlib: Visualization with Python. Disponível em: <https://matplotlib.org/index.html >, acesso em: 03 set. 2021.
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent