Generation of Anisotropy

A coleta de dados deve ser uma etapa bem planejada, pois costuma ser uma das mais dispendiosas. Os dados são usados em diversos estágios da modelagem, seja para informar variáveis de entrada dos modelos, seja para as medidas-alvo de calibração e validação.

Atualmente não se encontra na literatura uma abordagem sistematizada da coleta de dados, num processo de simulação utilizando o VISSIM, que contemple todos os tipos de dados, a saber:. 1) Dados de entrada, no qual são detalhados os inputs do simulador; 2) Medidas-alvo, que representam as medidas que são utilizadas como alvo na minimização dos erros na calibração e na validação e; 3) Medidas de desempenho, que são os indicadores do desempenho do tráfego em estudo. Vale ressaltar que uma medida de desempenho pode ser uma medida-alvo utilizada na calibração ou validação, o que geralmente ocorre nos trabalhos encontrado na literatura.

3.2.1 Dados de Entrada

Os dados de entrada são os dados necessários para que a simulação ocorra e são geralmente verificados na etapa de codificação da rede. Os primeiros dados geralmente coletados são os relacionados aos volumes e as características físicas da malha, incluindo o controle e as regras de circulação. Assim, faz-se necessário coletar o volume de entrada em cada link e a composição veicular (proporção de veículos leves, caminhões, ônibus) e os volumes direcionais em cada interseção. Outra opção de entrada de demanda se dá por meio da matriz de fluxos origem-destino.

Levando em consideração o ambiente urbano, são necessários, ainda, dados relativos ao transporte público como rota das linhas, headway dos coletivos, posicionamento dos pontos de parada, tempo médio dos ônibus nas paradas e, dependendo do nível de detalhamento da simulação e dos objetivos, dados relativos aos usuários de transporte público como volume, idade e gênero.

Para o caso do tráfego urbano, faz-se necessário coletar os dados relativos aos semáforos como número de estágios, planos semafóricos e defasagens. O VISSIM ainda permite o usuário inserir na modelagem da rede estacionamentos, o que requer como dado de entrada o posicionamento destes, frequência de entrada e saída das vagas e tempo de permanência.

3.2.2 Medidas-alvo e Medidas de Desempenho

Num processo de calibração, os valores dos parâmetros são ajustados de modo que os valores simulados e observados de uma determinada variável fiquem satisfatoriamente similares. Tais medidas são denominadas neste trabalho de medidas-alvo, que podem ou não ser a própria medida de desempenho que se deseja simular, o que geralmente ocorre. HOLLANDER E LIU (2008) afirmam que esses tipos de dados incluem medidas como tempo de viagem, velocidades e comprimentos de fila. Além destes, outras medidas como atraso e número de paradas podem ser utilizadas como medidas de desempenho.

Existem outras variáveis que podem e devem ser utilizadas como alvo de calibração que não são de interesse final do modelador quanto ao desempenho do tráfego. Um exemplo de tal medida-alvo é o fluxo de saturação, que pode ser utilizado na calibração dos parâmetros

bx_add e bx_mult de Wiedemann, já que estes representam os headways de following. Outros exemplos de medidas alvo podem ser o perfil de aceleração de um veículo a uma determinada velocidade, o volume de tráfego em um link e a quantidade de mudanças de faixa em um trecho. Medidas de desempenho como tempos de viagem e atraso também podem ser utilizadas como medidas-alvo, desde que seu uso seja interessante para a calibração dos parâmetros em ajuste. Como dito anteriormente, o uso de medidas de desempenho como tempo de viagem e tamanho de fila para calibrar parâmetros como brecha crítica pode não ser a melhor opção, uma vez que outros parâmetros influenciam estas medidas de desempenho. Dessa forma, acredita-se que se for possível isolar o efeito do parâmetro para uma medida de desempenho, a calibração terá mais consistência. Um exemplo de medida-alvo que pode ser empregada para a calibração da brecha crítica é o tempo de espera do primeiro veículo da fila. Tal abordagem está

sendo atualmente investigada em trabalhos do Grupo de Pesquisa em Transporte, Trânsito e Meio Ambiente da Universidade Federal do Ceará (GTTEMA-UFC).

São muitos os trabalhos publicados na literatura internacional que apresentam divergências com relação às medidas de desempenho utilizadas. Por exemplo, no que diz respeito ao alvo de calibração, alguns estudos se baseiam em dados desagregados da trajetória dos veículos (BRACKSTONE et al., 2002), ao passo que outros se baseiam em variáveis macroscópicas do fluxo de tráfego (MENNENI et al., 2008). No tráfego rodoviário, é comum se utilizar como medidas alvo de calibração as três variáveis macroscópicas básicas do tráfego ininterrupto (fluxo, velocidade e densidade) e suas relações.

A escolha entre os dois métodos de calibração (com variáveis agregadas ou desagregadas) deve ser guiada pelos objetivos de estudo. Em trabalhos cujo objetivo é simular o comportamento microscópico de cada veículo com o maior nível de detalhamento possível, a utilização de dados desagregados deve ser empregada. Isto acontece principalmente nos trabalhos de modelagem de emissão de poluentes (JIE et al., 2013) e de segurança viária (CUNTO E SACCOMANNO, 2008), nos quais os perfis de aceleração de cada veículo são de grande interesse. Já para análises cujos objetivos são a modelagem de variáveis agregadas da corrente de tráfego, como velocidade média, a utilização de variáveis macroscópicas traz a vantagem da simplicidade de uso e coleta.

No que diz respeito ao fluxo de saturação, é importante ressaltar que a calibração de parâmetros baseada nesta medida-alvo deve ser realizada para qualquer rede urbana, pois esta variável tem impacto direto na capacidade e no nível de serviço das interseções. Por isto, alguns autores recomendam iniciar a calibração tendo como alvo a capacidade, independentemente da medida de desempenho interesse (BARCELÓ, 2010; DOWLING et al., 2004).

Segundo HOLLANDER E LIU (2008), todos os estudos revisados por eles usaram dados agregados para comparar os cenários simulados com o cenário real, o que não considera o comportamento individual de condutores e veículos. Quando um modelo é calibrado com dados agregados, há um risco de o resultado ter um poder de representação comportamental limitado. A principal justificativa para tal calibração é a ideia de que a simulação já é composta de submodelos que são embasados em teorias comportamentais bem fundamentadas, e que o usuário de uma simulação só precisa verificar se o modelo funciona bem para uma determinada situação de interesse atual.

MENNENI (2008) ainda cita a trajetória dos veículos e a distância relativa versus velocidade relativa como medidas desagregadas usadas para a calibração. A primeira pode ser

utilizada para avaliar a estabilidade dos modelos de car-following, minimizando, os erros entre os headways obtidos em campo e no simulador.

Com relação à modelagem do tráfego urbano, boa parte dos trabalhos utilizaram como medida de desempenho os tempos de viagem e velocidade média, podendo destacar PARK E SCHNEEBERGER (2003), KIM et al. (2005) e PARK E QI (2005). Merece destaque o trabalho de JIE et al. (2013), que utilizaram os perfis de velocidade e aceleração dos veículos como medida-alvo, realizando calibração e validação estatística.