São Paulo — InkDesign News —
A pesquisa sobre o uso de machine learning para estimar o comprimento e a duração de filas e atrasos de tráfego causados por acidentes promete revolucionar a forma como as agências de transporte monitoram esses eventos.
Contexto da pesquisa
Dr. Abolfazl Karimpour, Professor Assistente de Engenharia de Transporte na SUNY Polytechnic Institute, lidera um projeto inovador que utiliza dados de velocidade e localização de veículos obtidos de fontes crowdsourced. Este método visa melhorar a resposta a incidentes e a gestão da congestão nas estradas.
Método proposto
A abordagem desenvolvida por Dr. Karimpour não depende de sensores físicos instalados nas estradas. O modelo integra dados em tempo real, permitindo um monitoramento preciso e de baixo custo dos impactos dos acidentes. O uso de técnicas de inteligência artificial e machine learning é fundamental para analisar esses dados e prever o comportamento do tráfego.
Resultados e impacto
“Esta pesquisa fornece às agências de transporte uma ferramenta poderosa para detectar e responder a incidentes de forma mais rápida, melhorando a segurança nas rodovias”
(“This research equips transportation agencies with a powerful tool to detect and respond to incidents more quickly, better manage congestion, and improve roadway safety for drivers.”)— Dr. Abolfazl Karimpour, Professor Assistente, SUNY Poly
Os resultados demonstraram uma melhoria significativa na acurácia da estimativa de atrasos comparada às abordagens tradicionais, que exige muito mais investimento e logística. A colaboração com o New York State Department of Transportation (NYSDOT) foi fundamental, pois a agência forneceu dados cruciais e insights durante as fases de brainstorming.
As aplicações desse modelo podem ser vastas, incluindo a possibilidade de ser utilizado em sistemas de gerenciamento de tráfego em tempo real e na criação de políticas públicas mais eficazes para a segurança viária.
Fonte: (TechXplore – Machine Learning & AI)
