Table of Contents

Entendendo que os padrões de congestionamento de tráfego se tornaram cada vez mais críticos para planejadores urbanos, engenheiros de transporte e administradores de cidades em todo o mundo. À medida que as populações urbanas continuam a crescer e as taxas de propriedade de veículos aumentam, a necessidade de métodos sofisticados para coletar, analisar e interpretar dados de tráfego nunca foi mais urgente.Com a urbanização rápida, o nível de congestionamento tem aumentado drasticamente, causando um efeito direto na qualidade da vida urbana, do ambiente e da economia.Este guia abrangente explora as várias metodologias, tecnologias e abordagens analíticas utilizadas para entender e abordar o congestionamento de tráfego nas cidades modernas.

A importância da coleta de dados de tráfego

A coleta de dados de tráfego é um método crucial que fornece informações essenciais para o aprimoramento dos projetos de controle de tráfego e infraestrutura. Através desses dados, especialistas em transporte adquirem uma compreensão mais profunda de vários fatores, como o número de veículos, suas classificações, suas velocidades de viagem, e muito mais. As informações coletadas através da coleta de dados de tráfego servem para vários propósitos críticos que se estendem muito além da contagem simples de veículos.

Para os profissionais do transporte, essa informação é inestimável para vários fins: identificar os requisitos de transporte, avaliar a eficácia dos sistemas de tráfego, determinar as tendências veiculares e informar as escolhas baseadas em evidências no desenvolvimento da cidade. A precisão na coleta de dados de tráfego é fundamental, pois os dados resultantes servem como base para o planejamento de infraestrutura rodoviária, rodoviária e ponte. Sem dados de tráfego confiáveis e abrangentes, as cidades não podem efetivamente planejar o crescimento futuro, otimizar infraestrutura existente ou implementar soluções de transporte inteligentes.

O desenvolvimento de sistemas inteligentes de transporte (ITS) depende muito da qualidade e quantidade de dados de tráfego rodoviário. As cidades inteligentes modernas dependem de fluxos contínuos de informações precisas de tráfego para tomar decisões em tempo real, gerenciar congestionamentos dinamicamente e melhorar a eficiência global de transporte.Esta abordagem orientada por dados para a mobilidade urbana transformou como as cidades abordam o planejamento e gestão de transportes.

Métodos tradicionais de recolha de dados de tráfego

Os mecanismos de coleta de dados de trânsito podem ser categorizados em dois métodos, conhecidos como o método Intrusivo e o método Não Intrusivo. Compreender essas categorias fundamentais ajuda os profissionais de transporte a selecionar a abordagem mais adequada para a coleta de dados para suas necessidades e circunstâncias específicas.

Contagem de Tráfego Manual

A contagem manual de tráfego é a forma mais antiga, mais simples e ainda confiável de coletar dados. Este método depende de observadores humanos que contam veículos em tempo real na estrada ou revisam imagens de vídeo mais tarde. Apesar de ser trabalhoso, a contagem manual permanece relevante em situações específicas em que sistemas automatizados podem não ser práticos ou econômicos.

É aqui que observadores treinados recolhem dados de tráfego que não podem ser recolhidos através de contagens automatizadas, por exemplo, classificações de veículos e pedestres. Uma contagem manual pode ser tão básica como alguém que clica num contador para cada veículo que passa, ou tão detalhada como gravar diferentes tipos de veículos e movimentos de rotação numa intersecção. A flexibilidade das contagens manuais torna-os particularmente valiosos para estudos de intersecção complexos e situações que exigem observações comportamentais detalhadas.

Observadores também podem rastrear bicicletas e pedestres, tornando as contagens manuais flexíveis e adaptáveis. Essa versatilidade é especialmente importante em ambientes urbanos onde a análise multimodal de transporte é necessária. No entanto, a contagem manual tem limitações significativas, incluindo custos de trabalho elevados, potencial de erro humano e riscos de segurança se a equipe estiver estacionada perto do tráfego em movimento rápido.

Devido a estas limitações, as contagens manuais são geralmente reservadas para estudos de curto prazo, análise de intersecção especial ou validação de sistemas automatizados. A verificação dos dados é realizada muitas vezes verificando as contagens de intersecção próximas ou realizando contagens de tráfego manual na mesma área ou no local exato onde os dados estão sendo coletados. Portanto, tanto manuais quanto contagens de máquina são frequentemente realizadas ao mesmo tempo para verificar a precisão dos dados da máquina.

Métodos de detecção intrusivos

O método Intrusivo envolve colocar um sensor e um gravador de dados na estrada. Esses métodos requerem instalação física dentro ou na superfície da estrada, que pode interromper o tráfego durante a instalação e manutenção, mas muitas vezes fornece dados altamente precisos.

Tubos pneumáticos de estrada

Estes são tubos de borracha colocados através de estradas para detectar veículos quando um pneu de veículo se move sobre o tubo. O pulso de ar é gerado, gravado, e processado por um contador localizado na lateral da estrada. Tubos de borracha esticados através da estrada que registram uma contagem cada vez que um pneu rola sobre. Eles são custo-efetivo, portátil, e amplamente utilizado para estudos de curto prazo.

Os tubos pneumáticos são colados na superfície da estrada, perpendiculares ao fluxo de tráfego. Quando um veículo passa por cima de um tubo pneumático, uma explosão de pressão de ar é liberada e enviada através do tubo. A ruptura de pressão fecha um interruptor de ar, que envia um sinal elétrico para o software de contagem. Os tubos são alimentados por baterias, chumbo-ácido ou gel, tornando-os fáceis de mover entre locais de contagem.

Os tubos pneumáticos são os melhores para a contagem e classificação de curto prazo. Para capturar dados de classificação e velocidade, é necessário um segundo tubo para coletar a contagem e espaçamento de eixos. No entanto, os tubos pneumáticos têm uma cobertura de faixa limitada e são adequados para condições meteorológicas, de temperatura e de tráfego ideais. Embora ótimos para implantações rápidas, eles podem se desgastar rapidamente, lutar em estradas de alta velocidade ou de alto volume, e não facilmente diferenciar entre os tipos de veículos.

Detectores de Loop Indutivos

Os detectores de loop indutivos são um "laço" de fio isolado instalado no pavimento. Uma unidade de detector passa uma corrente elétrica através do fio de loop, criando um campo eletromagnético. As loops são fixadas em estradas e produzem um campo magnético. Funciona transmitindo informações em um dispositivo de contagem colocado na lateral da estrada.

Fios embutidos em pavimento que detectam veículos por mudanças em um campo eletromagnético. Loops são altamente precisos, durável, e pode fornecer dados contínuos 24/7. Isso os torna particularmente valiosos para instalações de monitoramento de tráfego permanente em locais-chave em toda uma rede rodoviária.

As malhas indutivas têm sido uma tecnologia padrão há décadas e são amplamente implantadas em interseções sinalizadas e em rodovias. Economicamente viável, particularmente se as alças já estão no lugar. Capaz de funcionar eficientemente, independentemente da iluminação ou variações climáticas. As alças avançadas ou duplas podem medir a velocidade e fornecer classificação de veículos.

No entanto, estes sistemas têm desvantagens notáveis. A instalação pode levar a interrupções de tráfego e potenciais problemas de segurança. Vulnerável a danos causados pela infiltração de água ou obras rodoviárias regulares. Inadequada instalação ou manutenção compromete a precisão dos dados. Além disso, a expectativa de vida dos loops de indução é curta, pois podem ser facilmente esmagados por veículos pesados. Limitações na detecção de veículos com menor teor de metal, como motocicletas.

Sensores piezoelétricos

Esta engrenagem pode normalmente incluir tubos de estrada pneumáticos, um laço magnético ou indução, e sensores piezoelétricos. Sensores piezoelétricos geram cargas elétricas quando submetidos a estresse mecânico, tornando-os eficazes para detectar a presença e peso do veículo. Estes sensores são frequentemente incorporados no pavimento e podem fornecer dados valiosos para aplicações de peso em movimento e classificação do veículo.

Métodos de detecção não-intrusivos

Os métodos não invasivos de coleta de dados de tráfego envolvem observações remotas, compostas pelos seguintes componentes fatorials na coleta de dados de tráfego: contagens manuais, infravermelho passivo e ativo, magnético passivo, radar de microondas, acústico ultrassônico e passivo e detecção de imagens de vídeo, que oferecem vantagens significativas em termos de facilidade de instalação e manutenção.

Sensores não-intrusivos são muito mais fáceis de instalar, acessar e manter, o que os torna cada vez mais atraentes para sistemas modernos de gestão do tráfego, particularmente quando implementam sensores em grandes redes ou em locais onde o trabalho na estrada seria disruptivo ou caro.

Detecção de Imagens de Vídeo

Os sistemas de detecção de imagens de vídeo usam câmeras montadas acima ou ao lado de estradas para capturar o fluxo de tráfego. Algoritmos avançados de visão computacional processam os fluxos de vídeo para extrair dados de tráfego, incluindo contagens de veículos, velocidades, classificações e taxas de ocupação.

Muitas vezes eles estão transicionando de métodos manuais ou analógicos para adotar Inteligência Artificial para automatizar seus procedimentos de contagem. Essa transição representa um avanço significativo nas capacidades de coleta de dados de tráfego, permitindo análises mais sofisticadas e processamento em tempo real de cenários de tráfego complexos.

Câmeras de imagem térmica

Câmeras térmicas, utilizando algoritmos dedicados, detectar assinaturas de calor e automaticamente processar e coletar dados de tráfego quando um veículo ou pedestre entra em sua zona de detecção. Estas câmeras são especificamente projetados para reconhecer e classificar veículos, pedestres e bicicletas com base em suas assinaturas de calor, e pode até mesmo medir a velocidade.

Como o VID, quando um veículo ou pedestre entra em uma zona de detecção de câmera térmica, os dados de tráfego são automaticamente processados e coletados com base em algoritmos dedicados. As câmeras térmicas detectam assinaturas de calor, permitindo-lhes detectar com precisão veículos, pedestres e bicicletas durante a medição de velocidade. Com base na assinatura de calor, os veículos são detectados e classificados em conformidade.

Ao contrário do VID, a imagem térmica funciona melhor à noite e em condições de baixa luz, como quando há nevoeiro ou quando pedestres são obscurecidos por sombras. Isso torna as câmeras térmicas particularmente valiosas para monitoramento 24/7 em condições ambientais desafiadoras onde os sistemas de vídeo tradicionais podem lutar.

Tecnologia Radar

A tecnologia de radar é relativamente nova para dados de tráfego, mas oferece muito mais insight e precisão do que os métodos anteriores. Existem dois tipos principais de radar: doppler e FMCW. Sensores de radar Doppler transmitem sinais de microondas, e quando há movimento do veículo, a frequência das mudanças de sinal refletidas, permitindo que os sensores detectem a presença e velocidade de um veículo.

Os radares FMCW transmitem um sinal e, na recepção, medem diferenças de fase ou frequência. Os sensores de radar são capazes de determinar o comprimento do veículo e usar esses dados para classificar com precisão os veículos. Isto permite que os sensores de radar ofereçam mais classes do que os métodos anteriores, incluindo pedestres e bicicletas.

Existem duas tecnologias primárias de radar de tráfego: side-firing e para a frente. Ambos usam radar para detectar a presença de veículos em movimento na estrada e são capazes de classificar veículos com base em medições de comprimento do veículo. radar de disparo lateral é instalado no lado da estrada, e envia um feixe de radar através da estrada, perpendicular ao fluxo de tráfego. Enquanto radares de disparo lateral podem coletar dados de contagem e classificação, feixes duplos são necessários para coletar dados de velocidade, criando uma armadilha de velocidade.

Sensores infravermelhos

Este mecanismo de coleta de dados de tráfego emprega energia infra-vermelha em torno da área de detecção para registrar a presença de velocidade e o tipo de carros passando. Suas deficiências incluem o fato de que ele não pode executar em mau tempo e tem cobertura de pista limitada. Apesar dessas limitações, sensores infravermelhos podem ser eficazes em aplicações específicas onde as condições ambientais são favoráveis.

Sensores magnéticos

Os sensores magnéticos são colocados sob ou em cima da cama de estrada, permitindo-lhe contar o número de veículos, velocidade e tipo de veículo. A arquitetura do sistema tem forte extensibilidade e baixo custo de montagem, manutenção e operação que é adequado para o monitoramento do tráfego urbano. Estes sensores detectam distúrbios no campo magnético da Terra causados pela passagem de veículos, oferecendo uma alternativa menos invasiva aos laços indutivos tradicionais.

Tecnologias emergentes na coleta de dados de tráfego

As agências de transportes utilizam muitos métodos tradicionais de recolha de dados (por exemplo, contagens manuais, tubos pneumáticos, sensores de estrada, sensores de radar), bem como métodos emergentes de recolha de dados (por exemplo, sistemas de aeronaves não tripulados, dados de sonda, detecção e processamento de imagens de vídeo) para a recolha de dados de tráfego.

Dados do GPS e do carro flutuante

Atualmente, a coleta de dados de tráfego por meio de celulares e GPS In-Vehicle tornou-se uma fonte alternativa de coleta de dados que pode fornecer informações precisas em tempo real em uma grande rede rodoviária e superar alguns problemas relacionados aos detectores fixos, o que representa uma mudança de paradigma na forma como os dados de tráfego são coletados, passando de medições em ponto fixo para cobertura em toda a rede.

Normalmente, as informações de tráfego, como velocidade do veículo ou fluxo de tráfego, são coletadas através de detectores fixos colocados ao longo da rede rodoviária em pontos estratégicos. No entanto, esses detectores fixos fornecem apenas cobertura espacial limitada. Em contraste, sistemas baseados em GPS podem rastrear veículos continuamente em redes rodoviárias inteiras, proporcionando cobertura abrangente sem a necessidade de uma instalação de infraestrutura extensa.

Esta abordagem é particularmente bem adaptada para fornecer informações relativamente precisas em áreas urbanas (onde os dados de tráfego são mais necessários) devido à menor distância entre antenas.A infraestrutura de rede celular que suporta a coleta de dados com base em telefones móveis já está amplamente implantada em áreas urbanas, tornando esta abordagem altamente econômica para as cidades.

Este estudo utiliza o método Flutuante Car Data para encontrar o congestionamento de tráfego e o grau em que os clusters de congestionamento observados são uma representação significativa dos padrões de congestionamento dentro de uma rede rodoviária urbana mais extensa. Dados flutuantes carro tem se mostrado particularmente valioso para entender padrões de congestionamento em grandes áreas geográficas.

Reconhecimento automático da placa do número (ANPR)

ANPR ou LPR é uma tecnologia especializada que emprega reconhecimento de caráter óptico para ler e interpretar automaticamente placas de registro de veículos. No âmbito da coleta de dados de tráfego, ANPR desempenha um papel vital. Esta tecnologia se estende além da contagem simples de veículos para permitir capacidades de rastreamento e análise sofisticadas.

A ANPR na coleta de dados de trânsito tem um duplo propósito, além da mera contagem de veículos, que proporciona a capacidade única de identificar veículos individuais através de suas placas de matrícula, permitindo uma análise aprofundada, como a determinação da frequência da presença de um determinado veículo em um local específico, podendo-se, assim, discernir se o tráfego compreende veículos novos cada vez ou representa padrões recorrentes, oferecendo insights sobre regularidade e hábitos no movimento veicular.

Os sistemas ANPR permitem estudos de destino de origem, medições de tempo de viagem entre pontos e identificação de pessoas regulares versus viajantes ocasionais. Este nível granular de dados suporta análises de tráfego sofisticadas e aplicações de planejamento que seriam impossíveis com métodos tradicionais de contagem.

Dados do veículo conectados

O Urban SDK ajuda as agências a modernizar a coleta de dados de tráfego combinando contagens tradicionais com informações de veículos conectados com GPS. Essa abordagem híbrida garante cobertura confiável em redes rodoviárias inteiras, sem o custo ou as limitações de métodos manuais. A tecnologia de veículos conectados representa o futuro da coleta de dados de tráfego, alavancando os próprios veículos como sensores móveis.

Contagens manuais continuam a ser uma ferramenta útil para certas situações, mas as tecnologias automatizadas estão transformando como as agências monitoram os volumes de tráfego. Desde contadores simples de tubos até dados avançados conectados de veículos, a combinação correta de métodos garante precisão, eficiência e escalabilidade. A integração de várias fontes de dados cria uma compreensão mais robusta e abrangente das condições de tráfego do que qualquer método poderia fornecer sozinho.

Técnicas de Interpretação e Análise de Dados

A coleta de dados de tráfego é apenas o primeiro passo para entender padrões de congestionamento. O valor real emerge através de análises e interpretação sofisticadas das informações coletadas. A análise de tráfego moderna emprega uma ampla gama de técnicas estatísticas, computacionais e de visualização para extrair insights significativos de dados brutos.

Métodos de Análise Estatística

A base do PCT foi estabelecida utilizando métodos de análise estatística, que fornecem recursos para simular e prever padrões de fluxo de tráfego, utilizando dados passados para encontrar sazonalidade, tendências e outras tendências significativas nos STI. Os métodos estatísticos permanecem fundamentais para a análise de tráfego, apesar do surgimento de técnicas computacionais mais avançadas.

A previsão do fluxo de tráfego tem sido um campo de pesquisa significativo desde a década de 1970. Os primeiros esforços na previsão do congestionamento de tráfego se basearam principalmente em modelos estatísticos (ou paramétricos), devido à sua simplicidade e interpretabilidade. Estes modelos de estrutura fixa usaram dados empíricos para treinar seus parâmetros. Análise de séries temporais, modelos de regressão e outras abordagens estatísticas continuam a fornecer insights valiosos, particularmente para entender tendências de longo prazo e padrões sazonais.

Agregação e reconhecimento de padrões

A análise dos padrões de congestionamento de tráfego variável no tempo é necessária para formular estratégias de gestão eficazes. Métodos de agrupamento surgiram como ferramentas poderosas para identificar e categorizar diferentes tipos de padrões de congestionamento de grandes conjuntos de dados.

Este artigo tem como objetivo reconhecer padrões de congestionamento de tráfego da rede rodoviária urbana com base no índice de desempenho de tráfego (ITP) de 699 dias em 2018, 2019 e 2021 em Pequim. O método de mapas auto-organizados (SOM) melhorado por um algoritmo automático de determinação de números de agrupamento é proposto para padrões de congestionamento de cluster com base em TPIs variáveis em tempo.

A análise de agrupamentos, um método de aprendizado de máquina não supervisionado, foi utilizado para agregar segmentos de estradas em grupos com base em seus padrões de velocidade. Esta pesquisa tem como objetivo tratar o padrão de velocidade por dados baseados em 24 horas, tentando refletir a tendência de volatilidade por agrupamento. Um framework analítico combinando método de agrupamento e regressão espacial é proposto para cobrir a escassez de duas transformações para congestionamento e análise quantitativa.

As datas com as mesmas características de congestionamento são definidas como tendo o mesmo padrão de congestionamento de tráfego neste artigo. Devido à regularidade de viagem dos residentes, o congestionamento de tráfego pode ser dividido em padrões típicos limitados. O padrão de congestionamento de tráfego pode ser identificado através da análise da regra de congestionamento de tráfego variável no tempo na rede rodoviária entre os diferentes dias.

Aprendizado de máquina e abordagens de aprendizagem profunda

Isto torna possível aplicar o aprendizado de máquina (ML) e o aprendizado profundo (DL), que são abordagens de ponta que proporcionam maior confiabilidade ao produzir e gerar previsões de fluxo de tráfego. Consequentemente, reconhecer e prever padrões de congestionamento de tráfego subjacentes tornaram-se essenciais, com a Predição de Congestão de Tráfego (TCP) emergindo como uma área de estudo cada vez mais significativa. Avanços em aprendizado de máquina (ML) e Inteligência Artificial (AI), bem como melhorias nas tecnologias de sensores Internet das Coisas (IoT) tornaram a pesquisa do TCP crucial para o desenvolvimento de sistemas de transporte inteligentes (ITSs).

Usando uma gama de técnicas e métodos, a Previsão de Congestão de Tráfego (TCP) tem como objetivo prever padrões de tráfego futuros. As informações fornecidas por essas previsões são cruciais para os tomadores de decisão em vários setores, incluindo negócios, governo, utilidades e cidades inteligentes (SCs). Existem muitas maneiras eficazes de prever o congestionamento de tráfego, e obter o melhor desempenho preditivo, com a maioria deles usando um modelo DL, como uma Rede Neural Recorrente (RNN), ou um modelo ML, como uma abordagem baseada em árvores.

Propomos algoritmos eficientes em toda a cidade: (i) análise de padrões de congestionamento de tráfego baseado no processamento de imagens (TCPIP) e (ii) uma rede de previsão de índice de congestionamento de rede baseada em autoencoder (CIPNet). Neste trabalho, propomos (i) um algoritmo de análise de padrões de congestionamento de tráfego barato e eficiente baseado no processamento de imagens, que identifica o grupo de estradas em uma rede que sofre de congestionamento recorrente; (ii) arquitetura de rede neural profunda, formada pelo Autoencoder Convolucional, que aprende relações tanto espaciais quanto temporais a partir da sequência de dados de imagem para prever o índice de congestionamento de grades em toda a cidade.

Mapas de velocidade 3D e análise espaço-temporal

Neste trabalho apresentamos um algoritmo que desvenda diretamente a dinâmica de tráfego tanto no espaço quanto no tempo. Para isso, primeiro determinamos qual método de agrupamento é o mais eficiente para agrupar todas as observações de velocidade de link dependentes do tempo em mapas de velocidade 3D, onde consideramos os critérios de homogeneidade intra-cluster e dissimilaridade inter-cluster, bem como os tempos computacionais para determinar o número ótimo de clusters.

Neste trabalho, investigamos a regularidade do dia-a-dia dos padrões de congestionamento urbano. Nós primeiro dividimos dados de velocidade a cada 10 min em clusters 3D que propõem um esboço parcimonioso do pulso de congestionamento. Nós então reunimos dias com padrões semelhantes e usamos métodos de agrupamento de consensos para produzir um padrão global único que se encaixa em vários dias, descobrindo a regularidade do dia-a-dia.

Mostramos que a rede de Amsterdam ao longo de 35 dias pode ser sintetizada em apenas 4 mapas de velocidade 3D consensual com 9 clusters. Isto abre o caminho para um método sistemático de ponta para previsões de tempo de viagem nas cidades. Ao combinar a observação atual com mapas de velocidade 3D consensual histórico, nós projetamos um método eficiente em tempo real que prevê com sucesso 84% de viagens com uma margem de erro inferior a 25%.

Análise Baseada em Gráficos Causais

Este trabalho apresenta um novo quadro para a representação interpretável e recuperação personalizável dos padrões de congestionamento de tráfego utilizando gráficos de relação causal, que aproveitam muitas dessas oportunidades. Ao integrar o conhecimento de domínio com técnicas inovadoras de gestão de dados, abordamos os desafios de lidar eficazmente com o volume crescente de dados de tráfego para diversos fins analíticos. O framework alavanca gráficos causais para codificar padrões de congestionamento de tráfego, capturando fenômenos fundamentais e suas relações espaço-temporais, facilitando assim uma visão interpretativa de alto nível da dinâmica de tráfego.

Os fenómenos típicos do tráfego incluem os estrangulamentos do congestionamento, o trânsito transitório, as oscilações do tráfego (ondas de paragem e de saída), o congestionamento homogéneo, etc. Compreender estes fenómenos fundamentais do tráfego e as suas relações causais permite uma análise e previsão mais sofisticadas dos padrões de congestionamento.

Aglomeração dinâmica para análise em tempo real

Para isso, propõe-se uma metodologia de agrupamento dinâmico para dados de trajetória veicular que possa fornecer uma representação precisa do estado de trânsito. Os dados foram coletados para a cidade de São Francisco, foi aplicado um algoritmo de agrupamento dinâmico e, em seguida, aplicado um indicador para identificar áreas com congestionamento de tráfego.

A metodologia dinâmica de agrupamentos destaca-se na sua capacidade de adaptação às variações na distribuição dos dados.A Figura 8a mostra como a hiperbox foi flexível e ajustada com precisão para abranger segmentos rodoviários, captando efetivamente variações na densidade e forma dos clusters conforme os dados evoluíssem, como pode ser visto na Figura 8b. Além disso, essa metodologia demonstrou uma clara vantagem na seleção dos segmentos rodoviários sujeitos a variações no fluxo veicular e na densidade do tráfego.

Compreender os Tipos de Padrão de Congestão

O congestionamento de tráfego manifesta-se em vários padrões, dependendo da hora do dia, dia da semana, fatores sazonais e eventos especiais. Reconhecer e categorizar esses padrões é essencial para o desenvolvimento de estratégias de gestão eficazes.

Padrões de Congestão Temporal

Os padrões de segundas-feiras e dias congestionados têm um pico matinal proeminente, enquanto os padrões de sextas-feiras, dias de semana comuns e dias de semana de férias de inverno e verão têm um pico noturno proeminente. Sábados, domingos e festivais são menos congestionados do que os padrões de dias de semana. Essas variações temporais refletem o comportamento de viagens subjacente das populações urbanas e devem ser contabilizados em estratégias de gestão do tráfego.

Os viajantes tendem a levar em conta o modo de viagem e o tempo de viagem mais do que o caminho de viagem no sistema de transporte multimodal. A condição de congestionamento de tráfego na área de destino ou mesmo toda a rede rodoviária é importante informação de referência para os viajantes. Afetado por diferentes propósitos de viagem em dias de semana, fins de semana e feriados, o congestionamento de tráfego diário apresenta características diferentes.

Congestão recorrente vs. Congestão não recorrente

O algoritmo TCPIP gera o padrão de mapa de congestionamentos em toda a cidade para qualquer período (como manhã ou noite horário de rush, meio-dia, etc.); mostra a probabilidade de ocorrência de engarrafamento em cada estrada em uma rede de transporte, monitorando os padrões dos dados históricos. Distinguir entre congestionamentos recorrentes (padrãos previsíveis baseados em deslocamentos regulares) e congestionamento não recorrente (causado por incidentes, tempo ou eventos especiais) é crucial para estratégias de resposta adequadas.

Desenvolvemos um algoritmo eficiente de padrão de congestionamento de tráfego em toda a cidade baseado no Processamento de Imagens. O algoritmo gera o mapa que mostra as partes da rede rodoviária que sofrem de congestionamentos recorrentes. Identificar locais com congestionamento recorrente permite melhorias proativas na infraestrutura e intervenções de gestão de tráfego.

Classificação da gravidade do congestionamento

Desenvolveu um sistema abrangente de indicadores de classificação, incluindo o amplo grau de rede rodoviária, fluxo de tráfego, velocidade e ocupação, que dividiu o estado de tráfego em um estado fluente, estado básico fluente, pequeno congestionamento, congestionamento moderado e congestionamento severo com base no método de agrupamento FCM melhorado. Sistemas de classificação padronizados permitem uma comunicação consistente sobre as condições de tráfego e suportam a tomada de decisões automatizada em sistemas de transporte inteligentes.

os estados de tráfego divididos em congestão grave, congestionamento moderado, congestionamento leve e não congestionamento baseado no índice de tempo de filamento (QTI), e os limiares para diferentes níveis foram obtidos utilizando o método de análise de cluster para descrever o status de tráfego de uma interseção sinalizada.

Aplicações da Análise de Dados de Tráfego

O valor final da coleta e análise de dados de tráfego está em suas aplicações práticas para melhorar os sistemas de transporte e mobilidade urbana.A gestão moderna do tráfego aproveita insights direcionados a dados em vários horizontes temporais e domínios de aplicação.

Gestão de Tráfego a Curto Prazo

Dados de tráfego em tempo real permitem estratégias de gestão dinâmicas que respondem às condições atuais. Centros de gerenciamento de tráfego monitoram os dados ao vivo de várias fontes para detectar incidentes, identificar o desenvolvimento de congestionamentos e implementar medidas responsivas.

A coleta de dados de trânsito é o processo de coleta, análise, interpretação e armazenamento de informações sobre segmentos das rodovias e rodovias, sendo que há quatro principais formas de coleta de dados de tráfego, desde decisões operacionais imediatas até planejamento estratégico de longo prazo.

Estudar como o tráfego flui por áreas específicas e as condições de velocidade em certos segmentos de estradas ajuda as agências a fazer ajustes para reduzir o risco e a taxa de ocorrência de acidentes. Por exemplo, em uma área com fluxo regular e intenso de tráfego e onde uma interseção sinalizada é problemática, os dados de tráfego podem ajudar a determinar se uma rotunda seria a solução mais útil e segura.

Otimização do Tempo de Sinal

Os dados de contagem e classificação de veículos fornecem informações valiosas às agências de trânsito sobre o uso e ocupação de estradas. Conhecer quantos veículos estão usando estradas, e em que momentos, é vital para o planejamento e operações de tráfego, como o tempo de sinal. Dados de classificação permitem que as agências entendam como veículos estão usando a estrada, como áreas com caminhões pesados ou ônibus, e planejar estradas com base nos usuários.

Os sistemas de controle de sinal adaptativos usam dados de tráfego em tempo real para ajustar continuamente os timings de sinal com base na demanda atual, maximizando a produtividade e minimizando os atrasos. Análise de dados históricos ajuda a estabelecer planos de tempo de base para diferentes tempos de dia e dias da semana, enquanto ajustes em tempo real respondem às variações de padrões típicos.

Planeamento e concepção de infra-estruturas

Estamos a realizar contagens de tráfego a pedido do Governo local para verificar as condições de tráfego existentes. Esta informação de inquérito é recolhida regularmente para que o Governo compreenda como o tráfego está a crescer ou a reduzir ao longo das estradas.

Dados de tráfego a longo prazo suportam decisões de planejamento de capital sobre onde construir novas estradas, adicionar pistas, construir intercâmbios ou implementar outras melhorias importantes na infraestrutura. Compreender as tendências de crescimento e projeções futuras de demanda é essencial para o investimento em infraestrutura com custo-efetivo.

Estudos de Zona de Velocidade e Análise de Segurança

Os DOT, as prefeituras e as agências de aplicação da lei utilizam a coleta de dados de tráfego para tornar as áreas de alta velocidade mais seguras para motoristas e pedestres. Estudos de zona de velocidade coletam dados para ajudar a identificar questões de segurança de estradas, e então estabelecem limites de velocidade adequados para segmentos específicos dessas estradas. Os dados coletados podem incluir, mas não se limitar, relatórios de acidentes, número de veículos que passam por esse segmento durante um período específico, variações de velocidade e outros pontos de fluxo de tráfego.

A análise de segurança combina dados de volume de tráfego com registros de acidentes para identificar locais de alto risco e avaliar a eficácia de contramedidas de segurança. Estudos anteriores e posteriores medem o impacto de intervenções como novos sinais, sinalização melhorada ou modificações geométricas.

Previsão do tempo de viagem e Informações do viajante

Estudos MTTCP apresentam horizontes temporais que variam de 30 minutos a várias horas, e seu objetivo é auxiliar nas estratégias de controle de tráfego, gestão de congestionamentos e alocação de recursos. Comparado com o STTCP, o MTTCP requer um equilíbrio entre resolução temporal e eficiência computacional, com a implementação do modelo que necessita ser responsável por padrões temporais e possivelmente ciclos de tráfego diários. Em geral, o MTTCP utiliza modelos híbridos combinando métodos estatísticos com ML, modelos espaciais e algumas técnicas de DL.

Previsões precisas do tempo de viagem permitem aos viajantes tomar decisões informadas sobre os tempos de partida, seleção de rotas e escolha de modo. Aplicações de navegação dependem de condições de tráfego em tempo real e previstas para fornecer recomendações de roteamento ideais. Sistemas de informação pública exibem os tempos de viagem esperados em corredores principais para ajudar os motoristas a planejar suas viagens.

Política e Planejamento a Longo Prazo

O horizonte temporal da LTTCP varia de várias horas até dias ou até semanas à frente. O objetivo da LTTCP é apoiar o planejamento de infraestrutura, formulação de políticas, planejamento de eventos e estratégias de gestão de tráfego de longo prazo. As características da LTTCP incluem baixa resolução temporal com foco em tendências mais amplas, em vez de flutuações imediatas. Além disso, muitas vezes requer considerar variáveis como tendências sazonais, fatores econômicos e eventos planejados.

Este método é útil para a gestão do tráfego em termos de tomada de decisões de acordo com diferentes padrões de congestionamento. Compreender tendências de longo prazo apoia decisões políticas sobre uso do solo, investimentos em trânsito, gestão de estacionamento e outras iniciativas estratégicas que moldam sistemas de transporte urbano ao longo de décadas.

Desafios e considerações na recolha de dados de tráfego

Embora as modernas tecnologias de coleta de dados de tráfego ofereçam capacidades sem precedentes, elas também apresentam vários desafios que devem ser enfrentados para garantir a qualidade dos dados e a utilização eficaz.

Qualidade e precisão dos dados

Os dados são tão bons quanto o método utilizado para o recolher. Nada poderia ser mais verdadeiro no que diz respeito ao tráfego. Garantir a precisão dos dados requer uma cuidadosa calibração do sensor, manutenção regular e validação contra medições da verdade no solo.

Embora existam vários métodos para coletar esses dados, eles diferem muito na coleta e precisão. Diferentes tecnologias têm diferentes pontos fortes e fracos, e entender esses trade-offs é essencial para selecionar métodos adequados para aplicações específicas.

A prática ideal é usar uma combinação de métodos para que as cidades tenham o melhor perfil de quem e o que usa suas estradas. O ponto principal é que não existe um método perfeito para coletar dados – alguns métodos são mais apropriados para certas condições e aplicações do que outros. Uma abordagem multimodal para a coleta de dados proporciona redundância e permite a validação cruzada entre diferentes fontes.

Custos de instalação e manutenção

Estas são as formas mais convencionais (e tradicionais) de coletar dados de tráfego. O problema é que eles são caros e disruptivos para instalar e manter, e alguns podem ser incorretos ou não-operacionais em qualquer momento. No entanto, eles são uma parte importante da coleta de dados de tráfego em que muitas cidades ainda dependem.

Os sensores intrusivos, especialmente considerando que o volume de tráfego aumentou ao longo do tempo, não são o futuro do monitoramento de tráfego e da coleta de dados, mas são muito a percorrer da perspectiva de um motorista local e contribuinte para uma qualidade não tão alta de dados da perspectiva do município. Entretanto, até as inovações dos últimos 20 anos, esses sensores eram tudo o que tínhamos. A mudança para métodos de coleta de dados não intrusivos e baseados em sondas reflete tanto o avanço tecnológico quanto as considerações econômicas.

Cobertura e Escalabilidade

Instalações fixas, como loops indutivos, sistemas de vigilância de tráfego e radares de microondas são comumente usados para detecção de tráfego rodoviário e várias coletas de dados, incluindo velocidade de tráfego, volume de tráfego, densidade e classificação de veículos. No entanto, tais instalações são caras e servem principalmente apenas intersecções ou rodovias. A rede de sensores esparsos torna difícil identificar as ligações problemáticas em tempo real.

Alcançar uma cobertura de rede abrangente com sensores fixos tradicionais exigiria investimento proibitivo. Métodos de coleta de dados baseados em sondas oferecem uma solução, aproveitando dispositivos móveis existentes e veículos conectados para fornecer cobertura em redes rodoviárias inteiras sem infraestrutura dedicada em cada local.

Limitações ambientais e operacionais

No entanto, grandes estradas de várias vias fornecem desvantagens, uma vez que os sensores de beira da estrada não seriam capazes de detectar o tráfego nas faixas mais distantes. Isto é particularmente o caso quando os semi- grandes usam a via mais externa e obstruem a linha de visão dos sensores. De um modo geral, quanto maior o sensor estiver localizado, menor a oclusão e melhor o ponto de vista que ele tem para monitorar o tráfego.

Condições meteorológicas, variações de iluminação e obstruções físicas podem afetar o desempenho do sensor. Sistemas de monitoramento de tráfego robustos devem ser responsáveis por esses fatores ambientais e empregar tecnologias apropriadas para as condições locais. Fontes de dados redundantes ajudam a garantir a continuidade do serviço, mesmo quando os sensores individuais estão comprometidos.

Processamento e Armazenamento de Dados

os sistemas modernos de monitoramento de tráfego geram enormes volumes de dados que devem ser processados, armazenados e analisados de forma eficiente.

Uma das deficiências desta tecnologia é que a transmissão contínua da velocidade de um grande número de veículos gera uma carga pesada importante nos canais de transmissão e, portanto, constitui um fator de custo significativo na utilização de um sistema de comunicações baseado em taxas. Por isso, seria preferível transmitir dados comprimidos em vez de valores individuais ao centro responsável pela recolha e processo de dados de tráfego. Compressão de dados eficiente, protocolos de transmissão e arquiteturas de armazenamento são essenciais para sistemas de monitoramento de tráfego escaláveis.

Melhores práticas para programas de coleta de dados de tráfego

Programas de coleta de dados de tráfego bem sucedidos exigem planejamento cuidadoso, seleção de tecnologia adequada e gerenciamento de qualidade contínuo. As agências de transporte devem considerar vários princípios-chave ao desenvolver ou melhorar suas capacidades de coleta de dados.

Definir os Objetivos Limpar

A coleta de dados é uma etapa crítica no processo de análise. Saber o que coletar, quando coletar, quanto tempo coletar, onde coletar e como gerenciar os dados deve ser abordado antes de iniciar a coleta. Diferentes aplicações requerem diferentes tipos de dados com diferentes níveis de resolução espacial e temporal.

Antes de investir em infraestrutura de coleta de dados, as agências devem identificar claramente suas necessidades analíticas e casos de uso. Os dados irão apoiar operações em tempo real, estudos de planejamento, análise de segurança ou medição de desempenho? As respostas a essas questões orientam estratégias de seleção e implantação de tecnologia.

Aplicar procedimentos de garantia da qualidade

A calibração, validação e manutenção regulares são essenciais para garantir a qualidade dos dados ao longo do tempo. As verificações de qualidade automatizadas podem indicar dados anômalos para revisão, enquanto a validação manual periódica confirma que os sistemas automatizados estão funcionando corretamente.

A comparação de dados de várias fontes ajuda a identificar e corrigir erros. Quando surgem discrepâncias entre diferentes métodos de medição, a investigação pode revelar falhas no sensor, problemas de calibração ou outros problemas que requerem atenção.

Aproveitar várias fontes de dados

Mesmo que ainda sejam necessários novos desenvolvimentos, ambos os tipos de fontes - fixas e móveis - são agora amplamente utilizados por vários prestadores de serviços em todo o mundo para fornecer aos usuários informações de tráfego em tempo real de alta qualidade. Combinando sensores fixos tradicionais com fontes de dados baseadas em sonda emergentes cria um sistema de monitoramento mais abrangente e resistente.

Diferentes fontes de dados complementam os pontos fortes e compensam as fraquezas. Sensores fixos fornecem medições de pontos altamente precisas, enquanto os dados da sonda oferecem ampla cobertura espacial. Integrar essas fontes através de técnicas de fusão de dados produz melhores resultados do que qualquer uma das fontes isoladamente.

Investir em Infraestrutura de Gestão de Dados

Os dados são recolhidos pelos centros de controlo do tráfego, refinados e divulgados aos utilizadores pelos centros de informação sobre o tráfego na maior parte dos países da UE.

Plataformas baseadas na nuvem suportam cada vez mais o gerenciamento de dados de tráfego, oferecendo escalabilidade, acessibilidade e recursos analíticos avançados. Interfaces de programação de aplicativos (APIs) permitem o compartilhamento de dados com agências parceiras, pesquisadores e desenvolvedores de aplicativos de terceiros, maximizando o valor dos dados coletados.

Plano para Sustentabilidade a Longo Prazo

Programas de coleta de dados de tráfego exigem financiamento contínuo para manutenção, substituição e atualizações de equipamentos. A tecnologia evolui rapidamente, e os sistemas implantados hoje podem se tornar obsoletos dentro de uma década. As agências devem desenvolver planos financeiros de longo prazo que respondem pelos custos do ciclo de vida, não apenas investimento inicial de capital.

A formação de pessoal e a gestão do conhecimento são igualmente importantes, pois, à medida que o pessoal muda ao longo do tempo, o conhecimento institucional sobre os sistemas e procedimentos de coleta de dados deve ser preservado através de documentação, programas de treinamento e processos de transferência de conhecimento.

Tendências futuras na coleta e análise de dados de tráfego

O campo da coleta de dados de tráfego e análise de congestionamentos continua evoluindo rapidamente, impulsionado pela inovação tecnológica e mudança de paradigmas de transporte. Várias tendências emergentes são susceptíveis de moldar o futuro deste domínio.

Inteligência artificial e análise avançada

A aprendizagem de máquinas e a inteligência artificial estão transformando as capacidades de análise de tráfego. Modelos de aprendizagem profunda podem extrair padrões complexos de conjuntos de dados maciços, permitindo previsões mais precisas e insights mais profundos sobre a dinâmica do tráfego.Os avanços da visão computacional permitem a extração automatizada de informações detalhadas de fluxos de vídeo, incluindo tipos de veículos, movimentos de pedestres e eventos de quase-perda.

À medida que essas tecnologias amadurecem, elas permitirão aplicações cada vez mais sofisticadas, como detecção automatizada de incidentes, manutenção preditiva de infraestrutura de tráfego e serviços de informação personalizada de viajantes adaptados às preferências individuais e padrões de viagens.

Veículos ligados e autónomos

A crescente implantação de veículos conectados cria novas oportunidades para a coleta de dados de tráfego. Veículos equipados com veículos para infra-estrutura (V2I) e veículos para veículos (V2V) capacidades de comunicação podem compartilhar informações em tempo real sobre sua velocidade, localização e condições de operação.

À medida que os veículos autônomos se tornam mais prevalentes, eles gerarão fluxos de dados ainda mais ricos sobre as condições rodoviárias, os padrões de tráfego e o desempenho da infraestrutura.Esses dados podem apoiar tanto decisões operacionais imediatas quanto melhorias de planejamento e projeto a longo prazo.

Integração com plataformas de cidade inteligente

A coleta de dados de tráfego está cada vez mais integrada com iniciativas mais amplas de cidades inteligentes que combinam informações de vários sistemas urbanos. Integrar dados de tráfego com informações sobre trânsito público, estacionamento, clima, eventos especiais e outros fatores permite uma gestão mais holística da mobilidade urbana.

Iniciativas de dados abertas disponibilizam informações de trânsito para pesquisadores, empresários e cidadãos, promovendo inovação em serviços e aplicações de mobilidade.Essa democratização de dados cria oportunidades para que novas soluções surjam de diversas fontes além das agências de transporte tradicionais.

Coleta de dados de preservação de privacidade

À medida que a coleta de dados de tráfego se torna mais granular e abrangente, as preocupações de privacidade se tornam cada vez mais importantes.Os sistemas futuros terão de equilibrar os benefícios da coleta de dados detalhada com proteção de privacidade adequada para os indivíduos.

Técnicas como anonimização de dados, agregação e privacidade diferencial podem permitir uma análise de tráfego valiosa, protegendo a privacidade individual. Políticas de governança de dados transparentes e engajamento público ajudam a construir confiança e aceitação social para sistemas de monitoramento de tráfego.

Análise de Transporte Multimodal

A coleta tradicional de dados de tráfego tem se concentrado principalmente em veículos motorizados, mas uma análise abrangente da mobilidade urbana requer a compreensão de todos os modos de transporte, incluindo caminhada, ciclismo, trânsito público e modos emergentes, como e-scooters e ride-sharing.

Os futuros sistemas de recolha de dados irão captar cada vez mais actividades multimodais, permitindo analisar a interacção e a concorrência dos diferentes modos de transporte por um espaço rodoviário limitado.

Estudos de Caso e Aplicações do Mundo Real

Examinar implementações do mundo real da coleta de dados de tráfego e análise de congestionamentos fornece informações valiosas sobre desafios práticos e estratégias bem sucedidas.

Análise de Mapas de Velocidade 3D de Amsterdã

Neste artigo, questionamos a regularidade dos padrões de mobilidade no dia-a-dia no nível macroscópico. A análise global dos dados de velocidade de ligação de Amsterdam ao longo de 35 dias mostra um alto grau de regularidade ao comparar os padrões de congestionamento diário. No nosso caso, quatro mapas de velocidade 3D consensual relacionados a quatro grupos de dias são suficientes para descrever a dinâmica diária do tráfego na escala da cidade. Isto é notável, dado que estes mapas de velocidade 3D consensual são muito parcimoniosos: para o nosso estudo de caso, eles são constituídos por 9 clusters (coleções de link e tempo ID), cada um caracterizado por um único valor médio de velocidade.

Esta pesquisa demonstra como técnicas analíticas sofisticadas podem destilar quantidades maciças de dados de tráfego em padrões simples e acionáveis. A capacidade de caracterizar a dinâmica de tráfego de uma cidade inteira com apenas quatro tipos de padrões tem implicações significativas para a previsão e gestão do tráfego.

Análise do Índice de Desempenho de Tráfego de Pequim

O grau de congestão em 2021 aumenta 7,15% nas horas de pico e diminui 7,50% nas horas de fora de pico em comparação com o de 2019 devido ao COVID-19. Este achado ilustra como as principais perturbações sociais podem alterar fundamentalmente os padrões de tráfego, e como a coleta de dados abrangente permite a quantificação dessas mudanças.

O uso do estudo de Pequim de mapas auto-organizados para identificar padrões de congestionamento distintos em diferentes tipos de dias demonstra o valor de técnicas de aprendizagem não supervisionadas para descobrir estrutura em dados de tráfego complexos.

A abordagem de aprendizagem profunda de Seul

Desenvolvemos estratégias de tráfego e realizamos um estudo de caso utilizando dados de tráfego real da cidade de Seul (Coreia do Sul) para avaliar suas capacidades na redução do congestionamento de tráfego. Nossos extensos experimentos na rede de transporte da cidade de Seul demonstram a eficiência e a eficácia das abordagens propostas.

A implementação de Seul de aprendizagem profunda para previsão de congestionamentos mostra como técnicas computacionais avançadas podem ser aplicadas em escala municipal para apoiar a gestão proativa do tráfego e estratégias de mitigação de congestionamentos do lado da demanda.

Conclusão

A coleta de dados de tráfego e a análise de padrões de congestionamento evoluíram drasticamente de contagens manuais simples para sistemas sofisticados que alavancam a inteligência artificial, veículos conectados e fluxos de dados maciços. As agências de transporte modernas têm acesso a uma gama sem precedentes de tecnologias e métodos analíticos para entender a dinâmica do tráfego.

O sucesso neste domínio requer mais do que apenas implantar tecnologia avançada. Programas de dados de tráfego eficazes combinam seleção de tecnologia adequada com objetivos claros, gerenciamento de qualidade robusto, pessoal qualificado e financiamento sustentável.A integração de múltiplas fontes de dados – desde sensores fixos tradicionais a métodos baseados em sonda emergentes – cria capacidades de monitoramento mais abrangentes e resilientes do que qualquer abordagem única.

À medida que as cidades continuam a crescer e os sistemas de transporte se tornam mais complexos, a importância de dados de tráfego de alta qualidade só aumentará.As informações derivadas da análise de dados de tráfego suportam decisões críticas em múltiplos horizontes temporais, desde ajustes de tempo real de sinal para investimentos em infraestrutura de longo prazo no valor de bilhões de dólares.

Olhando para o futuro, a convergência de veículos conectados, inteligência artificial e plataformas de cidades inteligentes promete ainda maiores capacidades para compreender e gerenciar a mobilidade urbana. No entanto, esses avanços devem ser equilibrados com a atenção adequada à privacidade, equidade e engajamento público para garantir que os sistemas de monitoramento do tráfego sirvam ao interesse público mais amplo.

Profissionais de transporte, planejadores urbanos e formuladores de políticas que investem na construção de capacidades robustas de coleta e análise de dados de tráfego posicionam suas comunidades para tomar decisões mais bem informadas, otimizar infraestrutura existente e criar cidades mais eficientes, sustentáveis e habitáveis para o futuro.

Recursos adicionais

Para aqueles que buscam aprofundar sua compreensão sobre coleta de dados de tráfego e análise de congestionamentos, estão disponíveis inúmeros recursos. O Escritório Federal de Administração de Operações de Rodovia fornece extensa orientação sobre ferramentas de análise de tráfego e métodos de coleta de dados. Revistas acadêmicas, como a Pesquisa de Transporte e o Journal of Intelligent Transport Systems publicam pesquisas de ponta sobre tecnologias de monitoramento de tráfego e técnicas analíticas.

Organizações profissionais, incluindo o Instituto de Engenheiros de Transporte (ITE) e o Conselho de Pesquisa de Transportes (TRB) oferecem programas de treinamento, conferências e publicações que mantêm os profissionais atuais com as melhores práticas em evolução. Plataformas online como Coursera[ e edX[ oferecem cursos de engenharia de transporte, ciência de dados e aprendizagem de máquina que constroem habilidades relevantes para a análise de tráfego moderna.

Ferramentas de software e conjuntos de dados de código aberto permitem aprendizado e experimentação práticas. Plataformas como o GitHub hospedam inúmeros projetos de análise de tráfego, enquanto as cidades publicam cada vez mais dados de tráfego através de portais de dados abertos, criando oportunidades de pesquisa e inovação.

Ao alavancar esses recursos e permanecer engajado com o campo de coleta e análise de dados de tráfego em rápida evolução, os profissionais de transporte podem continuar desenvolvendo a experiência necessária para enfrentar os desafios de mobilidade que as cidades enfrentam em todo o mundo.