Imputação da ocupação de vias em redes de tráfego urbano por meio de máquina de vetores de suporte por mínimos quadrados

Abstract

Seguindo o exemplo de muitas cidades pelo mundo, Santos, no estado de São Paulo, implementou um "Sistema Inteligente de Trafego" (SIT) para controle da sua malha urbana. O SIT instalado se utiliza de detectores do tipo "Laço indutivo" para colher os dados de trafego e, com base nesses dados, realizar o controle semafórico. Embora baratos e de fácil instalação, os detectores "Laço indutivos" são bastante suscetíveis a defeitos e medições incorretas, que podem inclusive perdurar por vários dias. A perda de dados compromete ou até mesmo impede o controle por parte do SIT. Para contornar esse problema são utilizadas técnicas de imputação de dados. Atualmente a técnica de imputação, utilizada pelo SIT de Santos, é baseada na ponderação dos dados a montante do sensor defeituoso. Este trabalho busca encontrar um novo algorítimo de imputação, mais sofisticado, visando a melhora no desempenho do SIT. Na literatura, o algoritmo de aprendizagem: "Maquina de Vetores de Suporte por Mínimos Quadrados" (MVS-MQ) surge como o candidato mais promissor para a imputação de dados de trafego. Por isso, ele é o algoritmo selecionado para o estudo de viabilidade realizado neste trabalho. Os resultados obtidos mostram que a técnica MVS-MQ é uma opção mais interessante para imputação de dados de trafego do que a técnica atual.

Following the example of many cities around the world, Santos - SP, implemented a Intelligent Transportation System (ITS) to control its urban traffic. The ITS installed have loop detectors to gather data and, based on this data, control the traffic lights. Although inexpensive and easy to install, the loop detectors are highly prone to missing and erroneous data, that can even last for several days. The missing data considerably degrades or even unables the control. To address this problem data imputation techniques are used. The imputation technique currently used in Santos is calculated with the weighted data from the upstream sensors. This paper seeks a new imputation algorithm, more sophisticated, aiming a better performance of the SIT. In the literature, the learning algorithm Least Squares - Support Vector Machines (LS-SVM) is presented as the most promising candidat for traffic data imputation. Therefore it was the selected algorithm for the research done in this paper. The results shows that LS-SVM is a more suitable option for traffic data imputation than the current one.