Uma Estrutura Híbrida de Otimização e Aprendizado de Máquina para Gestão de Tráfego Urbano Usando Arquitetura de Gêmeo Digital Cibernético-Físico

À medida que as cidades continuam a se expandir rapidamente, a congestão do tráfego se tornou um problema urgente, exigindo sistemas avançados de gestão de tráfego. Esta pesquisa propõe uma arquitetura de Gêmeo Digital Cibernético-Físico (CPDT) para otimizar o tráfego urbano e simular sistemas de transporte de cidades inteligentes em tempo real. A estrutura CPDT integra dados de várias fontes para fornecer uma visão dinâmica e em tempo real do tráfego da cidade. Nesta abordagem aprimorada, uma metodologia híbrida que combina Algoritmos de Otimização por Enxame de Partículas (PSO) e Algoritmos de Colônia de Abelhas Artificiais (ABC) é utilizada para otimizar tanto o planejamento de rotas quanto os tempos dos sinais de trânsito. Além disso, redes de modelos avançados de aprendizado de máquina do tipo Transformer são empregadas para prever padrões e incidentes de tráfego. Essas melhorias levam a uma redução de 20% nos atrasos médios do tráfego e um aumento de 15% na precisão das previsões, melhorando assim os resultados da gestão de tráfego e a confiabilidade geral das previsões.