Skip to main content
Tempo de Leitura: 6 minutos
5/5 - (1 vote)

Os projetos de Smart Cities – cidades inteligentes impactam, de alguma forma, todas as variáveis e atributos da mobilidade urbana sustentável.

Mas para aprofundarmo-nos no assunto, concentramos nosso foco nas variáveis “adequação às necessidades dos usuários” e “transparência” da dimensão social, “visão de futuro” da dimensão econômica e “iniciativas ecoeficientes” no seu atributo “inovações sustentáveis” da dimensão ambiental (*).

Para ser sustentável, a mobilidade urbana depende do equilíbrio, ainda que dinâmico, das dimensões econômica, social e ambiental, das variáveis nas quais as dimensões se manifestam e a partir dos atributos que as compõem.

O contexto no qual os projetos se inserem é igualmente importante, determinando as especificidades e limitações impostas.

As empresas detentoras de grande volume de dados, geralmente ligadas ao mundo digital têm ocupado papel central no processo de construção do conceito de cidades inteligentes, substituindo órgãos de governo e o meio acadêmico.

Empresas como Alibaba, Baidu, Tencent, Ctrip e Didi, por exemplo tem estado na ponta das iniciativas de mobilidade inteligente na China.

No Ocidente, diversas cidades têm iniciativas importantes, mas menos impactantes que o projeto CityBrain, por retratarem contextos e escalas diferentes.

Sendo um pouco simplista e algo didático podemos definir:

  • Smart Cities – cidades inteligentes =>Sociedades ou comunidades nas quais a infraestrutura está conectada por sistemas de software, e nas quais o uso de dados, evidências, e não a intuição, trabalham para melhorar as vidas dos indivíduos;
  • Smart Mobility – mobilidade inteligente => É um dos atributos das cidades inteligentes e, neste caso especificamente, o grande volume de dados e os investimentos em inteligência artificial – IA, servem como força motriz e possibilitam prever condições do trânsito urbano com total cobertura espaço-temporal.

Ainda não é possível mapear todo o potencial do Big Data na gestão da mobilidade em grandes cidades mas já podemos prever que talvez o maior desafio resida na dificuldade de utilizar-se do enorme volume de dados disponíveis sem quebrar paradigmas de privacidade.

Na China a parceria entre Estado e iniciativa privada tem se demonstrado produtiva tanto na mobilidade urbana quanto nos deslocamentos regionais uma vez que naquele contexto social, permite-se, com relativa tranquilidade, que todos os residentes de uma cidade inteligente sejam rastreados e tenham seus dados enviados a uma base de dados de inteligência artificial que toma decisões em tempo real.

Dentre os benefícios, foram reportadas quedas significativas no nível de criminalidade, menos congestionamentos urbanos e diminuição dos níveis de acidentes.

Isto é possível em uma sociedade com menores preocupações com privacidade e liberdades individuais.

Em diversos países ocidentais não é bem assim, ainda!

Na Europa, diversas cidades caminham na direção de se tornarem cidades inteligentes, mas em geral são cidades médias com problemas sociais muito distintos das megalópoles citadas na China.

Dentro das cidades chinesas, capitaneado pela AliBaba, o programa City Brain tem permitido, entre outros feitos, a otimização da programação dos sinais de tráfego e dos veículos de emergência, tudo isto parcialmente comandado por Inteligência Artificial – IA – que se vale conjuntamente de todos os dados a que tem acesso.

No que diz respeito aos deslocamentos regionais, entre cidades diferentes, informações turísticas servem para para influenciar os vetores de deslocamento, direcionando escolhas para atrações menos disputadas.

Sendo fator limitador da cobertura sensorial disponível, as dimensões temporais e espaciais podem ser expandidas com os dados dos aplicativos de navegação ativa.

As informações de trajetos podem ser usadas tanto para os parâmetros de extração (velocidade/volume ) quanto para as análises das matrizes de origem/destino, o que é fundamental é que qualquer programa de mobilidade inteligente se paute por informação qualificada, obtida em tempo real e que tenha visão holística da mobilidade.

Na China, os dados de navegação estão nas mãos de provedores de serviço de localização e transporte como por exemplo a AutoNavi (Alibaba), Baidu, Tencent e Didi que participaram em iniciativas de mobilidade inteligente e projetos similares poderiam ser desenvolvidos pelo Google/Waze, como provavelmente já o são.

No projeto City Brain, por exemplo, a Auto Navi atualiza os parâmetros de tráfego com intervalos de 2 minutos.

Ou seja, quase em tempo real e em função dos avanços nas tecnologias de visão computadorizada e das possibilidades de expansão da computação nas nuvens, dois resultados são esperados:

  • Viabilizar computadores que executem grande parte do trabalho analítico que usualmente é feito pelos humanos;
  • Prover resultados estruturados tais como padrões velocidade de deslocamento/volume de tráfego, formação de filas e engarrafamentos e monitoramento de incidentes.

Tais resultados podem se prestar a 3 diferentes tarefas:

  • Fusão de dados e validação cruzada de outras fontes de dados como nas informações de velocidade/volume.
  • Alimentação de dados para outras aplicações como a otimização dos sinais de trânsito em função da formação de filas;
  • Busca e detecção de acidentes que melhora significativamente a eficiência do monitoramento de tráfego e libera mão de obra.

Para se ter ideia do alcance destas iniciativas, aproximadamente 80% das ocorrências graves de tráfego congestionado têm acidentes como causa e a resposta rápida a eles é uma maneira muito efetiva de melhorar as condições de mobilidade.

No desenho das “ondas verdes”, vários sinais de trânsito são coordenados para reduzir o número de paradas, o principal problema é quanto tempo de sinal verde alocar a cada fase.

Os sistemas de sinalização atualmente funcionam em programações fixas, ou com sensores fixos que provêem adaptação automática.

Já é possível ter percepção holística do tráfego ao se utilizar de diferentes fontes de dado de maneira combinada, o que possibilita novas e boas ideias par otimizar os sinais de tráfego.

O equilíbrio das condições de tráfego em diferentes sentidos de uma via, por exemplo pode minimizar o somatório do tempo alocado em deslocamentos, afetando os desvios esperados nos tempos em cada direção que , aplicados em larga escala podem otimizar a mobilidade em uma região ou cidade.

As Ondas verdes, em geral são aplicadas nas vias troncais, com grande volume de tráfego em sinais consecutivos.

O benefício fundamental do uso da mobilidade inteligente nesta aplicação é identificar a rota que pode maximizar o ganho de performance, o que geralmente é determinado pelas informações de trajetos e rotas, não em função do posicionamento real.

Ao se ranquear os sinais adjacentes em função das suas matrizes de conectividade de maneira individualizada, pode-se ainda agrupá-los de maneira coordenada levando-se em consideração as condições gerais de tráfego para cada grupo.

Várias cidades na China já se beneficiam de esforços neste sentido: Hangzhou, Suzhou, Guangzhou, Shang-hai e Wuhan são algumas delas e recentemente Macau e Kuala Lumpur marcaram o avanço em fronteiras internacionais ( apesar de Macau fazer parte da “grande China”)

O sistema City Brain de Hangzhou, por exemplo processa grande volume de dados, o que inclui mais de 1 milhão de rotas, com mais de 2000 câmeras com vídeo streaming e outras tantas informações de sensores tradicionais.

São reportados aproximadamente 2500 eventos diariamente com precisão de 95%.

O tempo médio de todos os deslocamentos na cidade foram reduzidos em 15,3%.

É difícil mensural objetivamente o valor do tempo que deixou de ser desperdiçado mas não é difícil atribuir a este tempo enorme valor subjetivo.

Outra possibilidade é a utilização das Ondas Verdes On-Demand, seja para veículos de emergência ou até por questão de segurança de chefes políticos e de Estado.

Otimizar rotas para evitar tráfego, obstáculos ou outros riscos permite fluidez e segurança nas interseções aos beneficiados por ele.

Algoritmos de busca de rotas podem atuar para utilizar a variância do Horário Estimado de Chegada – HEC e não apenas o o horário final.

O centro de controle combina os feed-backs em tempo real com dados históricos para prever o HEC na próxima interseção e informa o sistema de controle para priorizar as instruções de direção dos veículos de emergência.

Os maiores desafios desta tarefa são:

  • Determinar o momento apropriado de acionar a onda verde para desobstruir a fila formada antes do veículo de emergência( ou prioritário) chegar;
  • Minimizar o impacto no sentido oposto.

A fila residual é definida como a fila de veículos retidos em um sinal durante um ciclo.

A análise de vídeo é uma das formas de detectar o tamanho das filas e os dados de trajetória podem ser usados para estima-las onde as câmeras não alcançam. uma vez determinado o tamanho da fila o sistema de controle pode gradualmente alocar tempo extra de sinal verde para que a fila se dissipe antes que o veículo prioritário chegue.

Soluções otimizadas que equilibram o tempo total de sinal verde alocado em cada fase e evitam problemas em direções contrárias.

Meu entusiasmo pelas cidades e mobilidade inteligentes, não se restringe a estes aspectos abordados, mas alcança todas as possibilidades que nem são ainda discutidas.

É uma projeto poderoso demais para ser negligenciado.

É hora de fazer com que este assunto entre na pauta dos nossos representantes e dos investidores, sob pena de pagarmos um preço muito alto por não nos envolvermos o suficiente.