IA na Mobilidade Urbana: limitações e desafios

Introdução

A utilização de modelagem na Análise de Sistemas Intermodais de Transporte e na construção de cenários futuros no desenvolvimento de planos urbanos e setoriais se constitui uma prática tradicional e ortodoxa.

Nesse sentido, Algoritmos de otimização têm sido cada vez mais utilizados no planejamento urbano para ajudar a resolver problemas complexos e melhorar a eficiência das cidades. Esses algoritmos podem ser aplicados em diversas áreas, desde o transporte e a mobilidade até a gestão de recursos e o desenvolvimento sustentável.

Esse artigo visa apresentar, no âmbito da recente criação e disseminação da tecnologia IA (Inteligência Artificial), possibilidades de exploração e aplicação dessa tecnologia em Planos de Mobilidade Urbana e demais ações de planejamento na mobilidade urbana, salientando seu aspecto preliminar e eventuais desafios impostos à sua aplicação.

De forma específica, tem como objetivo explorar as possibilidades de aplicação do algoritmo de otimização, no planejamento da mobilidade urbana, verificando quais são os maiores desafios para a realidade das cidades brasileiras. Com isso, busca-se mapear os estudos já desenvolvidos por meio de uma revisão bibliográfica e posteriormente fazer a análise comparativa dos métodos encontrados.

Confronta por fim, como possibilidade de aplicação, com a bibliografia consolidada sobre cidades, a fim de, a partir desse confronto, eleger qual tipo de algoritmo melhor se adapta a essa aplicação.

Dentre a variada gama de possibilidades de aplicação de algoritmos na área de mobilidade e de transportes algumas já assumem destaque e vem sendo alvo de reflexão por autores que tratam do tema.

Díaz-Ramírez (2020) revisa diferentes algoritmos de otimização aplicados a problemas de transporte em cidades inteligentes, incluindo o planejamento da mobilidade urbana, onde demonstra que os algoritmos em questão podem ser usados para encontrar rotas eficientes e otimizar o fluxo de tráfego em uma cidade, além de auxiliar no gerenciamento da distribuição de veículos de transporte público, além de otimizar a localização de estações e pontos de compartilhamento de bicicletas, entre outros.

Outro ponto de interesse dentro do planejamento urbano e da mobilidade está a logística urbana, visto que a otimização das operações logísticas em uma cidade é essencial para a minimização de congestionamentos, redução de custos e melhoria da eficiência da distribuição de mercadorias. Dentro deste contexto, os algoritmos de otimização podem contribuir para determinar rotas mais eficientes para entregas, otimizar a capacidade de armazenamento e gerenciar a distribuição de mercadorias em áreas urbanas (MA et al., 2015). 

Além dos exemplos acima apresentados, os algoritmos de otimização podem ser aplicados também:

• Alocação de recursos: o planejamento urbano envolve a alocação eficiente de recursos limitados, como espaço físico, energia e água, assim os algoritmos de otimização podem ser empregados para determinar a melhor forma de distribuir esses recursos, considerando fatores como demanda, capacidade e restrições ambientais.
• Planejamento de uso do solo: algoritmos de otimização podem ser aplicados no planejamento de uso do solo para determinar a melhor alocação de diferentes tipos de zonas, como áreas residenciais, comerciais e industriais. Eles podem levar em consideração variáveis como densidade populacional, acessibilidade, demanda por serviços e impactos ambientais.
• Planejamento de energia: com o aumento da demanda por energia em áreas urbanas, torna-se crucial otimizar sua produção, distribuição e consumo, desta forma os algoritmos de otimização podem ser usados para determinar a melhor localização de usinas de energia, otimizar a rede elétrica, gerenciar o armazenamento de energia e incentivar práticas de conservação e eficiência energética.

Algoritmos de otimização e suas aplicações no planejamento da mobilidade urbana

Os algoritmos de otimização são técnicas computacionais que têm como objetivo encontrar a melhor solução para um problema, levando em conta um conjunto de restrições e objetivos pré-definidos. Eles podem ser utilizados em problemas de minimização ou maximização, dependendo do objetivo do problema (PACHECO, s.d.).

Existem vários algoritmos de otimização que são amplamente utilizados no planejamento da mobilidade urbana, ressalta-se que a escolha do algoritmo de otimização depende do problema específico e das características do planejamento da mobilidade urbana em questão. Cada algoritmo tem suas vantagens e limitações, e é necessário avaliar qual deles é mais adequado para resolver determinado problema e obter os melhores resultados, segue abaixo os principais algoritmos utilizados:

• Algoritmos Genéticos (AG): são uma técnica populacional que utiliza conceitos da teoria da evolução para resolver problemas de otimização. Eles são frequentemente aplicados no planejamento da mobilidade urbana para encontrar rotas eficientes, otimizar o roteamento de veículos e os horários do transporte público, além de outras aplicações mencionadas anteriormente.
• Algoritmos de Enxame de Partículas (PSO): são inspirados no comportamento coletivo de enxames de animais, como aves ou peixes. Eles são usados para otimizar problemas complexos, incluindo o planejamento da mobilidade urbana. O PSO é comumente aplicado na otimização do roteamento de veículos e na definição de horários de transporte público.
• Otimização por Colônia de Formigas (ACO): é uma técnica inspirada no comportamento das formigas em busca de caminhos mais curtos até uma fonte de alimento. Ela é utilizada no planejamento da mobilidade urbana para resolver problemas como roteamento de veículos, otimização de tráfego e planejamento de transporte público.
• Otimização por Enxame de Abelhas (ABC): é um algoritmo bioinspirado baseado no comportamento de enxames de abelhas na busca de fontes de néctar. Esse algoritmo é aplicado no planejamento da mobilidade urbana para resolver problemas como roteamento de veículos, otimização de horários de transporte público e alocação de recursos.
• Algoritmos de Busca Tabu: são técnicas de otimização que exploram soluções vizinhas, mantendo uma lista de movimentos proibidos (lista tabu) para evitar ciclos e auxiliar na diversificação da busca. Eles são utilizados no planejamento da mobilidade urbana para resolver problemas como roteamento de veículos, otimização de tráfego e planejamento de transporte público.

Neste artigo, adota-se como principal ferramenta de IA para o planejamento da mobilidade urbana o algoritmo genético, por sua proximidade de funcionamento com os conceitos de cidade sistematizados na tabela abaixo que tem como mote o processo evolutivo contínuo e natural dos sistemas que a compõe:

Conforme colocado anteriormente, os algoritmos genéticos definem-se como uma técnica de busca e otimização, altamente paralela, inspirada no princípio Darwiniano de seleção natural e reprodução genética (GOLDBERG, 1989 apud PACHECO, s.d.).

Um dos principais estudos da adoção de algoritmos genéticos no planejamento da mobilidade urbana é o artigo: “Complete hierarchical multi-objective genetic algorithm for transit network design problem”, que propõe um algoritmo genético hierárquico completo para resolver o problema de projeto de redes de transporte público.

O problema do projeto de redes de transporte público envolve determinar a configuração ótima de rotas, horários e atributos das linhas de transporte público, levando em consideração múltiplos objetivos, como minimização do tempo de viagem, custo operacional, confiabilidade do serviço e satisfação dos passageiros.

Nesse artigo, os autores apresentam um algoritmo genético hierárquico, que divide o problema de projeto de redes de transporte público em vários subproblemas hierárquicos. O algoritmo aborda a otimização em diferentes níveis, como o nível da rede global, o nível de linhas individuais e o nível de horários, para alcançar soluções mais eficientes e equilibradas.

O algoritmo genético proposto utiliza uma representação cromossômica adequada para descrever as características da rede de transporte público, como a definição das rotas, atributos das linhas e horários de partida. Operadores genéticos, como seleção, crossover e mutação, são aplicados para criar uma população inicial e gerar novas soluções durante a evolução do algoritmo.

A principal contribuição do estudo é a formulação do problema de projeto de redes de transporte público como um problema de otimização multiobjetivo e a proposição de um algoritmo genético hierárquico completo para abordar esse problema. O algoritmo busca encontrar um conjunto de soluções de Pareto que representem o equilíbrio entre diferentes objetivos.

Os autores realizaram experimentos e testes utilizando dados reais de uma cidade para avaliar o desempenho do algoritmo genético proposto. Os resultados mostraram que o algoritmo é capaz de gerar soluções eficientes e equilibradas, considerando os diferentes objetivos do problema.

Porém, torna-se necessário destacar que o sucesso de desempenho do algoritmo se dá pela quantidade e qualidade das bases de dados utilizadas, desta forma um dos maiores desafios está justamente na capacidade de alimentação dos bancos de dados e sua modelagem.

O algoritmo genético também pode ser aplicado para solucionar problemas como por exemplo:

• Roteamento de veículos: aplicados nesse contexto ao representar as rotas como cromossomos e utilizar operadores genéticos, como cruzamento e mutação, para gerar e melhorar soluções. Os indivíduos no algoritmo genético representam possíveis rotas, e a avaliação de sua aptidão (fitness) é feita com base em métricas como o tempo de viagem total ou a distância percorrida.
• Otimização de horários de transporte público: usados para otimizar os horários de partida e chegada dos veículos de transporte público, considerando a demanda dos passageiros e a capacidade dos veículos. Nesse caso, os indivíduos no algoritmo genético representam diferentes configurações de horários, e a aptidão é avaliada com base em critérios como o tempo médio de espera dos passageiros, a lotação dos veículos e a eficiência do serviço. Os operadores genéticos são aplicados para gerar novas configurações de horários e melhorar gradualmente as soluções.
• Planejamento de uso do solo e infraestrutura: utilizados para otimizar o planejamento do uso do solo e a localização da infraestrutura de transporte. Isso envolve encontrar a melhor configuração de zonas residenciais, comerciais e industriais, bem como a localização ideal de estradas, estações de transporte público e pontos de compartilhamento de bicicletas. Os algoritmos genéticos podem ajudar a encontrar soluções que minimizem os tempos de viagem, maximizem a eficiência do transporte e melhorem a acessibilidade dos cidadãos.
• Otimização de tráfego e semáforos: aplicados para otimizar os planos de tráfego e os tempos de ciclo dos semáforos em uma cidade. Eles podem ser usados para encontrar sequências de tempos de sinalização que minimizem os congestionamentos, melhorem o fluxo de tráfego e reduzam os tempos de espera nos cruzamentos. Nesse caso, os indivíduos representam diferentes planos de tráfego, e os operadores genéticos são aplicados para explorar e melhorar as soluções.
•  Otimização de pontos de compartilhamento de bicicletas: aplicados para otimizar a localização dos pontos de compartilhamento. Eles podem levar em consideração a demanda dos usuários, a distância entre os pontos e a capacidade de armazenamento das bicicletas, de forma a melhorar a acessibilidade e a eficiência do sistema.
• Otimização de estacionamento: aplicados para otimizar o planejamento de estacionamentos em áreas urbanas. Eles podem ajudar a determinar a localização ideal dos estacionamentos, considerando fatores como a demanda, a capacidade e a proximidade com destinos importantes, buscando maximizar a utilização eficiente do espaço e minimizar os problemas de estacionamento.

Desafios e Limitações

A aplicação de algoritmos em modelagens e demais exercícios de especulação de resultados futuros em projetos de mobilidade tendem, grosso modo, a induzir a equívocos por não considerarem aspectos da complexa dinâmica de desenvolvimento urbano em determinado território.

A ineficácia de seu êxito, comumente, dá-se pela existência ou combinação de alguns fatores, a saber:

• Excesso de tecnicismo que desconsidera elementos da dinâmica tais quais, interesse econômico e confrontos políticos.
• Crescimento orientado por fatores vinculados à especulação imobiliária tal como apontado por Santos (2000) e não observado quando em montagens de redes futuras,
• Crença na capacidade de estruturação urbana a partir da simples elaboração do plano (Villaça: 2005).
• Não identificação de uma relação dialética na dinâmica da mobilidade de, quando na implantação de uma infraestrutura dessa natureza a fim de se atender determinada demanda, essa interfere na própria dinâmica, afetando ao final a própria demanda (Moura: 2016)

Assim, pensar a utilização dos algoritmos e da IA de modo inovador na construção de modelos futuros, passa, invariavelmente, pela consideração desses aspectos.

No caso da dinâmica imobiliária, trata-se de estabelecer um histórico, através do algoritmo, das ofertas de vendas imobiliárias a fim de se construir um histórico sobre a evolução do preço da terra e, com isso, melhor alocar a população futura segundo os estratos sociais estimados.

Já, em relação a influência da dinâmica que a infraestrutura da mobilidade acarreta a própria demanda de transportes propõe-se um modelo de influência amparado na lógica do DOT (Desenvolvimento Orientado pelo Transporte) a ser considerado pelo algoritmo e, com isso, melhor estimar a distribuição espacial desse novo contingente.

Trata-se por fim, de um trabalho preliminar que busca investigar e identificar aspectos que propiciarão que o algoritmo construa, partir desses aspectos, parâmetros que permitam atingir cenários futuros mais consistentes.

Acredita-se que, uma vez consolidada, essa metodologia permite tanto um resultado com maior precisão sobre os cenários futuros, mas também, que esses resultados sejam obtidos de forma mais rápida e muito menos custosa, viabilizando a elaboração e construção de Planos de Mobilidade e Planos de Transportes em cidades com escassez de recursos públicos residindo também aí, sua pertinência.

Referências

DÍAZ-RAMÍREZ, J. et al. A Review of Optimization Algorithms for Transportation Problems in Smart Cities. In: Revista Sustainability, 2020.

LIU, Zhiyuan, CHENG, Hong, XU, Chengcheng. Complete hierarchical multi-objective genetic algorithm for transit network design problem. In: revista Transportation Research Part C: Emerging Technologies, 2013.

MA, W. et al. Optimization Models and Methods for Demand-Responsive Transit Systems: A Review. Transportation Research Part C: Emerging Technologies, vol. 58, 2015.

MOURA, J. G. C. Diferenças entre a retórica e a prática na implantação do Metrô de São Paulo. Tese (Doutorado em Arquitetura e Urbanismo). Universidade de São Paulo. São Paulo, SP: 2016.

PACHECO, Marco Aurélio Cavalcanti. Algoritmos Genéticos: Princípios e Aplicações. ICA: Laboratório de Inteligência Computacional Aplicada.

QIAN, J., GAO, Z., JIA, L. A multi-objective genetic algorithm for transit network design. Transportation Research Part C: Emerging Technologies, 2014, vol.40, pag. 48-62.

Vamos continuar a discutir sobre as questões de aplicação da IA? Leia também: