Ajuste Dinâmico de Tempos Semafóricos usando Previsão de Tráfego e Controle Fuzzy Sequencial

• Erick Lucas M. F. Da Silva PUCGO
• Manoel Henrique De Oliveira Camargo PUCGO
• Maria José Pereira Dantas PUCGO

DOI: https://doi.org/10.5753/etc.2026.22146

Resumo

Investiga-se um método híbrido para controle adaptativo de semáforos combinando um preditor LSTM e um controlador fuzzy Mamdani. Com dados a cada 5 minutos, estados suavizados do tráfego (média móvel retroativa de 60 min) são previstos para velocidade e ocupação, e ajustes sequenciais do tempo de verde são calculados com limitação de variação por ciclo. A otimização de hiperparâmetros é realizada via Algoritmo Genético para melhorar o modelo preditivo. No teste, obtém-se R² = 0,7908 (velocidade) e R² = 0,8559 (ocupação). Na etapa de controle, o tempo de verde baseado nas predições aproxima o oracle (MAE=3,582 s; RMSE=5,050 s).

Referências

Akopov, A. S. and Beklaryan, L. A. (2024). Traffic improvement in manhattan road networks with the use of parallel hybrid biobjective genetic algorithm. IEEE Access, 12:19532–19552.

Cruz-Piris, L., Rivera, D., Fernández, S., and Marsá-Maestre, I. (2018). Optimized sensor network and multi-agent decision support for smart traffic light management. Sensors, 18(2):435.

Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley.

Hochreiter, S. and Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8):1735–1780.

Mamdani, E. H. and Assilian, S. (1975). An experiment in linguistic synthesis with a fuzzy logic controller. International Journal of Man-Machine Studies, 7(1):1–13.

Marro, A. A., Souza, A. M. C. S., Cavalcante, E. R. S., Bezerra, G. S., and Nunes, R. O. (2010). Lógica fuzzy: conceitos e aplicações. Notas de aula/monografia, Universidade Federal do Rio Grande do Norte (UFRN), Natal, RN.

Yokoyama, A. M., Ferro, M., and Schulze, B. (2022). A multi-objective hyperparameter optimization for machine learning using genetic algorithms: A green ai centric approach. In Bicharra Garcia, A. C., Ferro, M., and Rodríguez Ribón, J. C., editors, Advances in Artificial Intelligence – IBERAMIA 2022, pages 133–144, Cham. Springer International Publishing.

Yu, H., Zheng, Q., Qian, S., and Zhang, Y. (2022). A fuzzy-based convolutional lstm network approach for citywide traffic flow prediction. In 2022 IEEE 25th International Conference on Intelligent Transportation Systems (ITSC), pages 3360–3367.