DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 326

Aluno: João Guilherme Rangel de Carvalho

Título: "MARCHA: Modelagem Aplicada ao Reconhecimento de Condições de tráfego com perspectiva Humana e Análise preditiva"

Orientador: Bruno José Torres Fernandes

Examinadora Externa: Márcia Rejane Oliveira B. Carvalho Macedo (UPE)

Examinador Interno: Hemir da Cunha Santiago

Data-hora: 06 de Junho de 2025 às 9h

Local: Formato presencial - Sala CSEC

---

Resumo:

         "O crescimento acelerado da frota veicular tem gerado impactos significativos na mobilidade, contribuindo para congestionamentos recorrentes, aumento dos tempos de deslocamento e elevação dos níveis de emissões de poluentes. A falta de infraestrutura viária adequada e a predominância de modelos de gestão de tráfego rigorosos e pouco adaptáveis agravam ainda mais esses problemas. Em especial, as cidades brasileiras ainda dependem, em grande parte, de sistemas semafóricos de tempo fixo, os quais não se ajustam dinamicamente às condições do tráfego, resultando em ineficiências operacionais e desperdício de tempo e combustível. Os Sistemas Inteligentes de Transporte (ITS) surgem como uma alternativa mais moderna para mitigar esses desafios, utilizando sensores, câmeras e algoritmos adaptativos para ajustar os tempos semafóricos. No entanto, sua implementação em larga escala ainda enfrenta dificuldades, devido aos altos custos de infraestrutura e manutenção, além da limitação de trabalhar de forma reativa. Diante desse cenário, esta pesquisa propõe um modelo denominado MARCHA (Modelagem Aplicada ao Reconhecimento de Condições de tráfego com perspectiva Humana e Análise preditiva), capaz de classificar e prever as condições do tráfego urbano utilizando dados de radares do Recife já implementados na via, sem necessidade de investimentos adicionais em novas infraestruturas. Além disso, incorpora postagens geolocalizadas de redes sociais, explorando-as como fonte complementar de dados para prever alterações no fluxo viário antes que congestionamentos se estabeleçam. A metodologia emprega técnicas de clusterização para segmentar padrões de tráfego e utiliza Processamento de Linguagem Natural (PLN) para analisar os sentimentos expressos nas postagens. Os resultados demonstraram que a análise combinada de dados de radares e redes sociais possibilitou uma previsão mais eficiente do fluxo viário, permitindo antecipar congestionamentos com maior precisão. A clusterização identificou três padrões distintos de tráfego, enquanto a avaliação de sentimentos revelou que postagens negativas apresentam maior correlação com períodos de congestionamento severo. Os modelos preditivos SVM, Random Forest e XGBoost obtiveram acurácia próximos a 90% e um Kappa Score mais estável em relação aos demais modelos avaliados na classificação das condições de tráfego. "