Estabelecimento de relações entre postos de monitoramento de tráfego com base em dados geográficos e algoritmos de clusterização

Abstract

O monitoramento do tráfego rodoviário desempenha papel fundamental no planejamento e manutenção da infraestrutura viária. Diante da dificuldade de realizar contagens contínuas em todos os pontos da malha, sobretudo por razões econômicas, surge a necessidade de estabelecer relações entre postos de contagem permanentes e postos de cobertura, de modo a permitir a expansão volumétrica. Este trabalho tem como objetivo agrupar postos de monitoramento de tráfego utilizando o algoritmo de clusterização K-means, com base em variáveis geográficas, e, a partir dos grupos formados, associar a cada posto de cobertura o posto permanente mais semelhante. Para isso, foi adotado um método híbrido, conforme a classificação da FHWA (2022), que combina uma abordagem knowledge-based para seleção das variáveis com análise de agrupamento estatístico. No processo de construção das variáveis, é aplicado o conceito de áreas de influência, definidas por meio de buffers espaciais em torno dos postos, dentro dos quais foram calculadas métricas geográficas visando à caracterização da região do posto. A associação dos postos de cobertura aos de coleta contínua é realizada por similaridade euclidiana no espaço das variáveis normalizadas. Os resultados mostraram que o agrupamento apresentou coerência espacial e interpretativa, sendo possível estabelecer um perfil para cada cluster. Foram formados quatro grupos: o primeiro representa áreas economicamente relevantes com tráfego moderado e infraestrutura consolidada; o segundo, regiões menos dinâmicas e com infraestrutura básica; o terceiro reúne áreas urbanas densas e de tráfego intenso; e o quarto corresponde a trechos planejados, em contextos estaduais, com menor maturidade de infraestrutura. Variáveis relacionadas à infraestrutura e à jurisdição foram as mais relevantes estatisticamente na formação dos grupos. É concluído que os dados geográficos são suficientes para agrupar postos com perfis marcados, e que o método adotado se mostrou replicável com ferramentas acessíveis. Como limitações, destaca-se a não utilização de dados temporais de volume de tráfego e a aplicação de um único algoritmo de agrupamento. Estudos futuros podem incorporar algoritmos alternativos, análise temporal por DTW, validação estatística dos grupos e técnicas como PCA para aprimorar a robustez e a aplicabilidade do método proposto. Assim, este trabalho estabelece uma base promissora, mas que demanda aprofundamento técnico para ser plenamente aproveitada como ferramenta de apoio à expansão volumétrica e à gestão inteligente de infraestrutura viária.

Road traffic monitoring plays a fundamental role in the planning and maintenance of transportation infrastructure. Given the difficulty of performing continuous counts at all points of the network, especially due to economic constraints, there arises a need to establish relationships between permanent counting stations and coverage stations, enabling volumetric expansion. This study aims to cluster traffic monitoring stations using the K-means algorithm, based on geographic variables, and, from the formed groups, associate each coverage station with the most similar permanent station. To this end, a hybrid method was adopted, following the classification of FHWA (2022), which combines a knowledge-based approach for variable selection with statistical clustering analysis. In the variable construction process, the concept of areas of influence was applied, defined through spatial buffers around the stations, within which geographic metrics were calculated to characterize the station’s region. The association of coverage stations with continuous counting stations was performed using Euclidean similarity in the space of normalized variables. The results showed that the clustering presented spatial and interpretative coherence, allowing the definition of a profile for each cluster. Four groups were formed: the first represents economically relevant areas with moderate traffic and consolidated infrastructure; the second includes less dynamic regions with basic infrastructure; the third comprises dense urban areas with intense traffic; and the fourth corresponds to planned sections, in state-level contexts, with lower infrastructure maturity. Variables related to infrastructure and jurisdiction were statistically the most relevant in forming the groups. It is concluded that geographical data are sufficient to cluster stations with distinct profiles, and that the adopted method proved to be replicable using accessible tools. As limitations, the lack of temporal traffic volume data and the application of only a single clustering algorithm are highlighted. Future studies may incorporate alternative algorithms, temporal analysis using DTW, statistical validation of the groups, and techniques such as PCA to enhance the robustness and applicability of the proposed method. Thus, this study establishes a promising foundation that requires further technical development to be fully leveraged as a tool to support volumetric expansion and the intelligent management of road infrastructure.