GCN-GRU para Previsão de Fluxo de Tráfego em Nível de Interseção: Uma Revisão Sistemática e Síntese Comparativa com CNN e LSTM/GRU

Para sistemas de transporte inteligente contemporâneos, a previsão precisa do fluxo de tráfego em nível de interseção é crucial. Modelos como Redes de Memória de Longo Curto Prazo (LSTM), Redes Neurais Convolucionais (CNN) e Unidades Recurrentes Gated (GRU) têm sido amplamente pesquisados desde que o aprendizado profundo ganhou popularidade. A capacidade de capturar tanto dependências espaciais quanto temporais em dados de tráfego foi recentemente demonstrada pela combinação de Redes Neurais Convolucionais Gráficas (GCN) com GRU. Este estudo combina uma síntese comparativa de abordagens CNN, LSTM/GRU e GCN-GRU com mapeamento bibliométrico para apresentar uma revisão sistemática da literatura (SLR) de trabalhos recentes sobre previsão de fluxo de tráfego. Três perspectivas—coocorrência de palavras-chave, redes de coautoria e clusters de impacto de citação—foram mapeadas utilizando análise bibliométrica do VOS viewer. Em comparação com CNN e LSTM/GRU convencionais, nossa síntese mostra que GCN-GRU oferece ganhos notáveis no processamento de dados complexos de interseções urbanas. Questões em aberto como escalabilidade, interpretabilidade e implantação em plataformas reais de cidades inteligentes também são destacadas na revisão.