VIRTUALIZAÇÃO DE AMBIENTE URBANO: INDICADORES DE...

VIRTUALIZAÇÃO DE AMBIENTE

URBANO: INDICADORES DE

DESEMPENHO PARA O TRANSPORTE

PÚBLICO RODOVIÁRIO

Fernanda Pires Cerqueira (IMT )

[email protected]

Beatriz Macri de Campos (IMT )

[email protected]

Daniel de Oliveira Mota (IMT )

[email protected]

Com o aumento significativo de dados disponíveis na atualidade,

diversos setores produtivos se preocupam em fazer um bom uso destes

para suas tomadas de decisão e para a racionalização da alocação de

seus ativos. Baseando-se nesta filosofiaa, este artigo busca descrever

em detalhes a operação de um sistema de transporte urbano rodoviário

através do uso de técnicas computacionais para aquisição destes

dados, bem como técnicas estatísticas para tratamento dos mesmos.

Através da analogia entre um sistema produtivo de manufatura e um

sistema logístico de transporte surgiu o conceito de virtualização do

ambiente urbano. São apresentadas análises práticas e objetivas de

cinco linhas de ônibus da cidade de São Paulo, estendendo o conceito

desenvolvido pela mesma equipe em Marujo et al. (2015), quando foi

analisada uma linha da cidade do Rio de Janeiro. Estas cinco linhas

foram, não somente descritas, mas também avaliadas pelos indicadores

de uso e regularidade propostos neste trabalho. O fato de todas as

linhas apresentarem baixa regularidade não representa uma nova

informação para os pesquisadores em logística urbana, porém, um

indicador objetivo que retrate esta informação pode abrir portas para

novas pesquisas em busca do ganho de eficiência deste tipo de

sistema.

Palavras-chave: Logística Urbana, Sistemas de Transporte,

Modelagem de Sistemas, Big Data, GPS

XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil

João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016.


João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .

2

1. Introdução

A partir dos últimos anos, o grande volume disponível de dados referentes a diversos temas

motiva pesquisadores de diferentes setores a buscar pela construção de modelos matemáticos

que não apenas processem estes dados de maneira adequada e inteligente, mas também

contribuam para o entendimento global do uso dos recursos produtivos relativos aos dados.

Acredita-se que sua compreensão pode até mesmo auxiliar na definição de políticas

adequadas para o uso racional dos recursos. Consequentemente influenciando decisões

tomadas por empresas, órgãos públicos e até mesmo o terceiro setor. Dentro da vasta gama de

possibilidades de modelagem, este artigo explora aqueles relacionados ao transporte público,

em particular, o modal rodoviário.

Conforme afirmado anteriormente por Marujo et al. (2015), dentre os grandes desafios da

atualidade referente ao uso de grandes volumes de dados em virtualizações e simulações,

figura-se a modelagem do transporte público em centros urbanos. Esta modelagem é de

grande importância para o entendimento de detalhes operacionais deste sistema e seus efeitos

dinâmicos, e pode contribuir para o melhor dimensionamento e aproveitamento do mesmo, o

que atualmente ainda não é plenamente possível devido à falta de dados precisos referentes às

suas operações, bem como ferramentas adequadas.

O particular interesse em estudar o transporte público urbano se deve à ideia de que o

aprimoramento das políticas para o mesmo, segundo o IPEA (1998), provoca uma economia

no tempo de viagem dos seus usuários, bem como oferece benefícios indiretos como melhoria

na qualidade de vida e redução da emissão de poluentes na atmosfera. Por outro lado, o

incentivo ao uso do transporte individual aumenta os custos para a sociedade devido ao

aumento do congestionamento nos grandes centros, fato que leva ao desperdício de tempo dos

usuários e ao aumento de poluição.

Visando contribuir para esta área do conhecimento, e, expandindo a ideia apresentada por

Marujo et al. (2015), desenvolvida em uma linha da cidade do Rio de Janeiro, na abordagem

atual, são analisadas cinco linhas da cidade de São Paulo através dos seus rastros de GPS

(Global Positioning System). Apesar desses dados estarem disponibilizados publicamente,

este método requer o uso de ferramentas computacionais para aquisição e tratamento dos

mesmos, processos que serão descritos posteriormente neste artigo. Estes dados foram



3

analisados à luz de métodos estatísticos comuns à gestão industrial, porém contextualizados

em sistemas de transportes. Portanto, foram apresentadas adaptações para o transporte público

da cidade de São Paulo, que trarão contribuições significativas para a identificação de pontos

críticos, padrões operacionais, gargalos e melhorias a serem incorporadas à malha de

transporte dos ônibus.

O artigo está organizado da seguinte forma: (1) introdução, onde se apresenta o contexto geral

do problema abordado, e os objetivos do estudo; (2) uma breve revisão bibliográfica, onde são

apresentados estudos que fundamentaram esta pesquisa; (3) a metodologia utilizada no

estudo; (4) resultados alcançados nas linhas estudadas; e finalmente (5) as conclusões do

presente estudo, algumas discussões sobre o assunto e planos futuros para a pesquisa.

2. Revisão Bibliográfica

O conceito de logística urbana, embora não seja recente, apresenta contribuições de Macário

et al. (2006), quando associa o termo ao planejamento, implementação e controle eficiente do

fluxo e armazenagem de materiais e informações relacionadas ao contexto urbano. Para

melhorar o desempenho de um sistema é essencial que seja identificado medidas cabíveis para

o mesmo. Segundo ele, os tipos de medidas que impactam diretamente na resolução de

problemas logísticos urbanos são: (1) Legislativas e organizacionais; (2) Condicionamento de

acesso; (3) Gestão territorial; (4) Tecnológicas; e (5) Infra estruturais. O presente artigo

concentra-se nas medidas tecnológicas, uma vez que usa do estudo de dados de GPS e

sistemas de monitoramento para identificação e planejamento de rotas e sistemas inteligentes.

Desta forma, Taniguchi et al. (2003), relaciona o uso de tecnologia com diferentes técnicas de

modelagem que, embora não tenham sido desenvolvidos exclusivamente para este contexto,

têm sido utilizadas crescentemente para este fim. Dentre os modelos mencionados pelo autor

citado, acredita-se que os modelos de simulação dinâmica de fluxos são mais adequados, uma

vez que estes possibilitam a representação dos movimentos individuais dos veículos, assim

como a interação destes com os demais veículos existentes nas infraestruturas. Estes modelos

possuem a capacidade de prever situações de congestionamento, e são particularmente úteis

na investigação de práticas de logística urbana.



4

3. Metodologia

Todo o cálculo de indicadores de desempenho do transporte público em estudo baseia-se em

duas grandezas: (1) distância; e (2) tempo. O cálculo das distâncias seguiu a metodologia

proposta por Marujo et al. (2015), baseando-se na lei de Haversine. Previamente, esta

conversão de coordenadas geográficas de GPS em distância utilizada para aplicação

semelhante foi reportada por Ratsameethammawong e Kasemsan (2010).

3.1. Análise de dados

Através de fontes públicas de dados, foram levantados 1.972 registros de 5 linhas de ônibus,

com coletas no período de 30/03/2016 a 08/04/2016.

Para estudo do sistema, bem como alimentação de ambos os modelos, foi realizada uma

extensiva análise de dados que abrange desde a coleta dos dados primários até a estimação

dos parâmetros a serem utilizados nos modelos. A metodologia de coleta de dados proposta

por este trabalho pode ser representada pelo diagrama abaixo (Figura 1).

Figura 1 – Metodologia da Pesquisa

Existem duas fontes de dados primárias para o estudo em questão: (1) API (Application

Programming Interface) do aplicativo Olho Vivo da SPTrans

(http://api.olhovivo.sptrans.com.br/v0), o qual fornece a posição geográfica de todos os

ônibus da cidade de São Paulo, informando seu código, linha, sentido e posição (latitude e

longitude) em tempo real; e também (2) GTFS (General Transit Feed Specification) da

SPtrans (www.sptrans.com.br), que fornece posições geográficas de todas as linhas e pontos

de parada da cidade de São Paulo. Para tal estudo, a fonte (2) será utilizada para a análise

estática da infraestrutura do transporte público da cidade (pontos de parada, distâncias, etc.), e

a fonte (1) servirá como base para a análise dinâmica da movimentação dos ônibus

(velocidades, uso e regularidade).

http://api.olhovivo.sptrans.com.br/v0



5

Uma vez escolhida a fonte de dados em uso, passa-se ao processo de aquisição destes dados,

para a criação da base de dados. Para tal, foi criado um script na linguagem R (www.r-

project.org) que realizasse a aquisição e formatação automática dos dados pelo período piloto.

Os dados coletados no formato json (JavaScript Object Notation) foram exportados para

outros softwares para dar-se início ao procedimento de tratamento.

Esta metodologia proposta irá culminar em duas principais análises: (1) análise estática,

referente à infraestrutura da linha de ônibus, onde foram apreciadas as distâncias entre os

pontos de parada da linha em questão; (2) análise dinâmica, referente à movimentação, onde

são avaliados indicadores como velocidade média temporal, velocidade instantânea e também

velocidade média da linha.

3.2. Taxonomia das linhas em estudo

Para este estudo foram analisadas 5 linhas de ônibus da cidade de São Paulo: (1) Linha 5701-

10 Metrô Conceição – Estação Berrini, sentido Estação Berrini; (2) Linha 106A-10 Metrô

Santana – Itaim Bibi, sentido Itaim Bibi; (3) Linha: 1018-10 Vila Rosa – Metrô Santana,

sentido Vila Rosa; (4) Linha 5034-10 Metrô Sacomã - Vila Liviero, sentido Vila Liviero; (5)

Linha 575A-10 Divisa São Caetano – Shopping Metrô Tatuapé, sentido Shopping Metrô

Tatuapé. Estas linhas foram selecionadas por, reconhecidamente, possuírem um serviço de

baixa qualidade e por passarem por vias que, tradicionalmente, estão congestionadas.



6

Figura 2 – Representação geográfica das linhas em estudo

Desta forma, as linhas descritas foram investigadas na tentativa de se obter uma amostragem

diversificada da cidade de São Paulo, para servir como base em estudos futuros.

3.3. Descrição das análises realizadas

3.3.1 Análise estática

A análise estática, de acordo com Marujo et al. (2015), consiste no estudo da infraestrutura

das rotas de ônibus, como a distância total percorrida por um ônibus e as características de

seus pontos de parada (quantidade e distância entre pontos de parada).

3.3.2 Análise dinâmica

Já a análise dinâmica estuda a movimentação da frota de ônibus durante um período de

tempo. Nesse estudo, foram coletados dados de GPS dos ônibus investigados durante o

período de uma hora, e através desses dados, foi possível obter a velocidade média dos



7

ônibus, a frota média de veículos disponibilizados (número de veículos que se movimentaram

nesse trajeto durante o período estudado), o índice de regularidade das velocidades dos ônibus

ao longo do tempo e o uso dos veículos, que analisa o período de tempo no qual o veículo está

efetivamente em deslocamento nas ruas, já que devido ao congestionamento, os veículos

passam parte do tempo parados.

Dentro do índice de regularidade, são ditos regulares os veículos que mantém o coeficiente de

variação (CV) da velocidade inferiores à 5%.

Outra forma de análise reflete o uso do ativo, ou seja, período de tempo no qual o veículo está

efetivamente em deslocamento nas ruas. Um veículo com alto uso, reflete que o veículo se

desloca com uma velocidade maior do que 5 km/h por pelo menos 70% do tempo.

Considerou-se a velocidade de 5km/h como referência de alto ou baixo uso por se relacionar à

velocidade de caminhada de uma pessoa adulta, ou seja, abaixo dessa velocidade, é mais

eficiente se deslocar a pé (logicamente se consideradas curtas distâncias) do que com um

transporte coletivo.

4. Resultados

4.1. Resumo executivo

A Tabela 1 apresenta o resumo dos principais resultados encontrados através das análises

estáticas e dinâmicas das linhas aplicadas neste estudo.

Parâmetro Linha

5701-10

Linha

1018-10

Linha

5034-10

Linha

575A-10

Linha

106A-10

Análise

Dinâmica

Velocidade

média 9,7 km/h 7,2 km/h 8,3 km/h 9,0 km/h 5,7 km/h

Frota média 9 6 4 4 9

Regularidade Baixa Baixa Baixa Baixa Baixa

Uso Alto Baixo Baixo Alto Baixo

Análise

Estática

Distância média

entre pontos 260,1 m 239,5 m 213,2 m 213,0 m 349,4 m

Distância total da

linha 15,2 km 10,2 km 10,4 km 14,3 km 15,2 km

Tabela 1- Resumo dos indicadores estabelecidos



8

Para exemplificação e esclarecimento dos indicadores apresentados acima, foi escolhida a

linha 5701-10 para detalhamento.

4.1. Linha 5701-10, sentido Berrini

O percurso da linha 5701-10 Metrô Conceição - Estação Berrini no sentido Estação Berrini

possui um total de 15,2 km de extensão. De acordo com a metodologia mencionada

anteriormente, usando a lei de Haversine, a distância total calculada nesta pesquisa foi 13,4

km.

Figura 3 - Representação geográfica da linha 5701-10

4.2. Análise Estática (Infraestrutura)

4.2.1. Distribuição dos pontos



9

Figura 4- Representação geográfica dos pontos de parada pontos de parada

Conforme representado na figura 4, a linha 5701-10 possui 45 pontos de parada no sentido

estudado, partindo do Metrô Conceição (Terminal) com destino à estação Berrini (Ponto

Final). Os gráficos apresentados na figura 5 representam a distribuição das distâncias entre os

pontos de parada, que possuem uma média de 260,1 m com desvio padrão de 119,4 m.

Figura 5- Histograma e box-plot da distância entre os pontos de parada

Embora relativamente dispersos (desvio padrão de 119,4 metros), os pontos apresentam uma

moda de 160 metros, o que representa grande proximidade entre os pontos de parada. Poucos

apresentam distância inferior (2 pontos apresentam 80 metros de distância) e sua grande

maioria apresenta distância superior à moda. Com esta assimetria positiva, percebe-se que em

geral os ônibus realizam paradas a cada 200 metros aproximadamente (com 560 no máximo).

Por outro lado, o boxplot mostra que 50% dos pontos apresentam distância de

aproximadamente 200 metros, sendo que pontos de distância superior à 500 metros são



10

outliers da linha analisada. Com a distância interquartil de aproximadamente 100 metros,

percebe grande concentração de paradas (50% dos casos) oscilando entre 160 e 300 metros.

Ao se analisar comparativamente com o artigo anteriormente desenvolvido pela mesma

equipe, Marujo et al. (2015), as distâncias da linha estudada naquela ocasião possuía média de

426,5m, desvio padrão de 32,5m e moda de 172m.

4.3. Análise Dinâmica (Movimentação)

Compondo a análise dinâmica, este estudo propõe: (1) a verificação da velocidade média por

veículo, onde pode-se observar o desempenho individual do veículo em seu contexto urbano;

(2) a verificação do desempenho de um veículo em particular ao longo de sua operação; e por

fim, (3) a verificação da velocidade agregando todos os veículos em determinada linha ao

longo das suas horas de operação.

4.3.1. Frota disponível ao longo do tempo

Durante o período estudado, um total de 15 veículos foram observados nessa linha, sendo que,

a mesma apresenta uma média de 9 veículos em movimento ao mesmo tempo ao longo do

percurso, com um máximo de 11 e mínimo de 8 veículos, que se inicia respectivamente nos

instantes 15:38, e 16:13, por exemplo. A figura 6 representa a quantidade de veículos ao

longo do tempo estudado, podendo ser observada a variação da frota ao longo do tempo

analisado.

Figura 6- Quantidade de veículos em função do tempo



11

4.3.2. Velocidade média horária do sistema

Uma vez consolidados todos os dados dos veículos da rota 5701-10, percebe-se que não há

grande estabilidade na manutenção das velocidades médias do sistema. Há alguns picos de

velocidade, mas em geral a velocidade oscila em torno de 10 km/h. A possível presença de

corredores de ônibus na rota em estudo pode ser um fator determinante durante os períodos de

estabilidade. Conforme apresentado na Figura 7, pode-se observar que houve um pico de

velocidade às 15:42. Existem duas hipóteses para a interpretação deste pico: uma seria um

período no qual o ônibus possivelmente não enfrentou congestionamento na sua via,

conseguindo atingir a velocidade máxima permitida de 50 km/h; outra hipótese seria a

observação de um outlier nos dados coletados, devendo, portanto, ser destacado como não

sendo representativo. Já as 15:44, a velocidade reduziu-se a 0 km/h, o que determina que o

veículo parou em um semáforo ou que a via estava congestionada.

Figura 7- Velocidade instantânea

Em geral, segundo a percepção dos usuários de transporte público, o sistema se comporta de

acordo com a amostra apresentada no gráfico de linha na Figura 7. Embora esta percepção

não seja uniforme, quando os dados são analisados por veículos. Neste caso, observa-se que

os veículos experimentam uma grande variação das suas velocidades médias, como pode ser

observado na Figura 8.



12

Figura 8 - Média da velocidade por veículo

Infere-se que isto ocorra devido às características das vias nas quais os veículos se deslocam

ao longo de sua trajetória, ou seja, alguns veículos enfrentam um maior congestionamento do

que outros, pois depende do horário e posição que se encontram. Além da diferença na

velocidade entre veículos, há uma clara diferenciação entre a velocidade máxima alcançada

pelo veículo e as médias das velocidades praticadas pelo veículo. Esta diferença evidencia que

embora o mesmo se movimente com velocidades coerentes com os limites da área urbana,

este veículo em geral exerce baixas velocidades, ou permanece obstruído devido à

engarrafamentos e efeitos do intenso tráfego de uma grande metrópole.

4.3.3. Velocidade média agregada por veículo

A linha 5701-10 foi composta por 15 veículos durante o período de 1 hora em estudo. Os

resultados individualizados por veículo podem ser observados na Tabela 2. As distâncias

percorridas pelos veículos (segunda coluna da tabela 2) não são constantes. Embora as linhas

percorridas possuam o mesmo comprimento, os veículos analisados estavam em etapas

diferentes do percurso. Com isso, o período de 60 minutos pode ter representado uma viagem

mais distante para aqueles que estiverem em trechos livres, e viagens mais curtas para aqueles

que enfrentaram congestionamento. Adicionalmente, devem ser incluídos também aqueles

veículos que tiveram sua viagem interrompida por qualquer problema relacionado à

manutenção corretiva, acidentes, etc. Portanto, no horizonte de análise, não foram coletados

dados de uma viagem completa para esses veículos.



13

Veículo

Distância

percorrida

(Quilômetros)

Tempo em

movimento

(Minutos)

Velocidade média

no sistema

(Km/h)

68025 9,7 46,0 12,6

68035 10,7 59,0 10,8

68052 11,1 55,0 12,1

68078 6,3 32,0 11,8

68081 6,4 42,0 9,1

68099 0,2 1,0 9,7

68119 0,0 2,0 0,0

68503 6,4 40,0 9,6

68584 1,7 27,0 3,8

68648 7,8 59,0 7,9

68766 7,7 59,0 7,8

68814 9,2 52,0 10,6

68830 4,6 27,0 10,1

68864 10,0 59,0 10,1

68871 2,6 20,0 7,9

Tabela 2 - Velocidade média agregada por veículo

4.3.4. Velocidade média horária por veículo

Os veículos apresentados foram selecionados de maneira aleatória para exemplificar a

aplicação do método. Pode-se observar que a velocidade média igual a zero significa que o

veículo em questão não está sendo utilizado (estando parado, provavelmente em local de

manutenção). Para esta análise, foram calculadas as médias de velocidade observadas em uma

determinada hora, a fim de identificar sazonalidades, ou comportamentos recorrentes

ocasionados pela interação com outros veículos do sistema urbano.

Através da Tabela 2, percebe-se o uso irregular da frota, o qual contribui a tornar baixas as

velocidades médias do sistema. Além disso, a irregularidade observada pode ser ampliada

através da presença de veículos que permanecem com velocidade média alta (indicando

operação) durante boa parte do dia, enquanto outros veículos apresentaram baixas velocidades

médias em diversos períodos, indicando possível interrupção de uso dos veículos em

determinados momentos. Esta política de uso esporádico de alguns veículos leva o sistema a

perder sua regularidade, aumentando sua frota em momentos de pico de demanda, e redução

drástica em momentos de baixa necessidade.

Quando se analisa por linha (ou seja, de maneira agregada e não especificamente por veículo

como apresentado anteriormente), dentro do horizonte de medição, observa-se que a



14

velocidade é irregular. Por exemplo, pode-se notar alguns casos eleitos como extremos em

relação à sua regularidade, como poder ser observado abaixo.

a) Alta regularidade (CV inferior à 5%) versus baixa regularidade (CV superior à 5%):

Devido ao caso de particular congestionamento das linhas em estudo, não foram encontrados

veículos regulares. Os exemplares apresentados na figura 9 apresentam casos de baixa

regularidade.

Figura 9 – Velocidade instantânea de veículos com baixa regularidade

Observa-se na figura 9 que existe um “efeito sanfona” nas velocidades do veículo muito

conhecido por todos os usuários das vias públicas e conhecido como “anda-e-pára”

evidenciando que em momentos o ônibus acelera, atingindo próximo à 30 km/h, porém logo

em seguida este precisa reduzir sua velocidade drasticamente, chegando à sua frenagem

absoluta. O ônibus apresenta um pico superior a 60 km/h, o qual certamente representa um

outlier. Essa observação deve ser desconsiderada desta análise já que a legislação de trânsito

da cidade determina uma velocidade máxima de 50 km/h, sua observância, porém, é

importante para validação dos métodos aqui propostos.

b) Alto uso versus baixo uso (velocidade superior a 5 km/h em mais que 70% das

observações):

ALTO USO BAIXO USO

Figura 10 –Velocidade instantânea de veículos com alto e baixo uso



15

Nos exemplares da figura 10, o veículo 68052 apresenta alto uso por contar com velocidades

superiores à de 5 km/h em mais que 70% das observações. Não se espera que se promova o

incentivo à manutenção de velocidades altas, porém o objetivo deste indicador é ampliar a

percepção de veículos conforme o 68648 (no gráfico da direita da mesma figura) onde um

veículo apresentou velocidades em algumas pequenas ocasiões (sendo contabilizado como

frota ativa na figura 5) sem ser efetivamente utilizado para o transporte de pessoas. Desta

maneira, um veículo em movimentação teoricamente aumenta a capacidade do sistema, porém

na prática não pode ser utilizado para o transporte de passageiros, aumentando, portanto, a

ineficiência do sistema.

4.4. Discussão dos resultados

A tabela 1 reporta, de forma consolidada os resultados computados pela presente pesquisa no

nível de detalhe apresentado para a linha “5701-10 Metrô Conceição - Estação Berrini no

sentido Estação Berrini”. Embora as avaliações não sejam animadoras, esta linha, bem como a

575A-10 apresentaram um alto uso, indicando que de maneira geral, seus veículos

permanecem mais que 70% do tempo em movimento. Sendo que em geral elas possuem uma

velocidade média superior à 9 km/h.

5. Conclusão

Sistemas de transporte público tem ganhado atenção à medida em que as megacidades se

preparam para resolver os problemas de mobilidade urbana da sua população. Porém este

sistema apresenta aspectos sazonais e dinâmicos nada triviais para aqueles que atuam na área

de planejamento e execução desta logística.

Órgãos públicos têm dado recente atenção ao problema por entender que a necessidade de se

ter um sistema eficiente vai além do conforto ou comodidade, pois este é um pilar

fundamental para o crescimento sustentável de uma megacidade. Visando o melhor

aproveitamento dos recursos humanos em seus postos de trabalho, a prefeitura de São Paulo,

por exemplo, tem monitorado as velocidades dos ônibus buscando apresentar melhorias para

seus cidadãos, porém sem o devido sucesso. Segundo matéria publicada pela Folha de São



16

Paulo, a velocidade média dos ônibus que circulam pela capital paulista é 16 km/h, longe da

meta estabelecida pelo prefeito de elevar a velocidade média à 25 km/h.

A caracterização deste sistema como um sistema produtivo que deve buscar a eficiência

através do uso adequado de seus recursos, buscando remover gargalos e priorizar a redução da

variabilidade de seus processos é algo já discutido em sistemas industriais por anos, mas que

está começando a tomar corpo no contexto logístico.

Do ponto de vista acadêmico, a presente abordagem demonstrou ser robusta o suficiente para

ser expandida em termos de horizonte de análise, zonas geográficas e diferentes meios de

transporte público, se concretizando mais uma vez como um importante método de análise

quantitativa baseado em dados de GPS para prever e ajustar tanto a demanda quanto a

capacidade dos serviços de ônibus, adequando os níveis de serviço das operações. Estes dados

obtidos em tempo real se mostraram de grande utilidade para serem desenvolvidas

ferramentas de planejamento e análise de políticas urbanas, para avaliação da qualidade do

serviço dos ônibus durante sua operação. Assim, as incertezas no tempo de viagem, bem

como nos roteiros, itinerários e congestionamentos podem ser percebidas com maior

agilidade, e medidas mitigatórias podem ser tomadas para redução de headways, acumulação

de veículos e gargalos. O uso da velocidade como indicador de desempenho de um sistema

urbano de transporte público, embora simples, pode trazer informações sobre o

funcionamento do um sistema de transporte. Esta metodologia de análise contribui de maneira

significativa para os tomadores de decisão do poder público, direcionando investimentos e uso

de recursos para melhoria do sistema.

A quantidade massiva de dados analisada para o presente estudo pode ser enriquecida

significativamente quando incorporada a variáveis demográficas como fatores econômicos,

poder aquisitivo da região, grau de industrialização e comércio, ou fluxo de veículos ou

pessoas (carros, motos e pedestres) para se identificar os motivos de congestionamentos e

consequente redução da velocidade em determinada região.



17

5.1. Próximos passos

Nos próximos passos desta pesquisa, pretende-se ampliar a malha de veículos monitorada,

bem como capturar mais efeitos do sistema.

REFERÊNCIAS

MARUJO, Lino Guimarães et al. UM MÉTODO PARA AVALIAÇÃO DO DESEMPENHO DO SERVIÇO DE ÔNIBUS BASEADO EM DADOS DE GPS.

MACÁRIO, Rosário; FILIPE, Luis N.; REIS, Vasco. Mobilidade urbana sustentável e a distribuição

de mercadorias. In: Congresso Luso Brasileiro para o Planejamento, Urbano, Regional, Integrado e

Sustentável-Pluris. 2006.

RATSAMEETHAMMAWONG, Pornpen; KASEMSAN, Kulthon. Mobile Phone Location

Tracking by the Combination of GPS, Wi-Fi and Cell Location

Technology. Communications of the IBIMA, 2010.

LACERDA, Sander Magalhães. Precificação de congestionamento e transporte coletivo

urbano. BNDES Setorial, Rio de Janeiro, n. 23, p. 85-99, 2006.

MONTEIRO, André, FARIA, Flávia, RUSSO, Rodrigo. Velocidade dos ônibus fica longe da meta de Haddad. Folha de São Paulo, São Paulo, 04 abril 2016. Disponível em: < http://www1.folha.uol.com.br/cotidiano/2016/04/1757167-velocidade-dos-onibus-fica-longe-da-meta-de-haddad.shtml >

TANIGUCHI, Eiichi et al. City Logistics. Network modelling and intelligent transport systems. 2001.

VIRTUALIZAÇÃO DE AMBIENTE URBANO: INDICADORES DE...

Documents

Transcript of VIRTUALIZAÇÃO DE AMBIENTE URBANO: INDICADORES DE...