RADAR : um mecanismo de predição de fluxo de tráfego de veículos em vias urbanas com base em aprendizado federado

Abstract

A elaboração de mecanismos de predição de tráfego veicular é extremamente importante para o desenvolvimento de malhas urbanas inteligentes. No entanto, devido a grande quantidade de fatores que podem afetar as condições de uma via, essa continua sendo uma atividade complicada. De modo geral, a literatura em torno do tema costuma empregar modelos centralizados, nos quais, para a construção do modelo de aprendizado, são reunidos todos os dados disponíveis em um único local. Porém, cidades normalmente possuem múltiplos dispositivos capazes de coletar dados de tráfego e que poderiam ser utilizados nessa tarefa. Nesse contexto, esta pesquisa apresenta o RADAR: um mecanismo de predição de fluxo de tráfego de veículos em vias urbanas com base em Aprendizado Federado. O RADAR é composto por uma rede de sensores eletrônicos que captam seus próprios dados e treinam um modelo de predição local. Esses modelos locais são agregados por um servidor central, que coordena cada sensor na realização do processo. Dessa agregação é formado um modelo global, sem que os sensores tenham que compartilhar seus dados locais uns com os outros ou com o servidor central. De modo a avaliar o RADAR, foram realizados dois grupos de experimentos: (i) experimentos envolvendo a variação do número de participantes na rede; e (ii) experimentos envolvendo a variação do tipo de dia da semana, i.e. final de semana ou meio de semana. Como base de comparação, também foram avaliados modelos centralizados utilizando os mesmos sensores. Os resultados obtidos mostraram que o RADAR consegue ser competitivo com modelos tradicionais e realizar uma predição satisfatória do fluxo de veículos.