De alertas do Waze a informação acionável: deteção de incidentes rodoviários 48% mais rápida

Um operador nacional de autoestradas gere a deteção de incidentes e a assistência rodoviária na sua rede através do Centro de Controlo.

Os incidentes são detetados através de diferentes fontes: as viaturas de assistência rodoviária são responsáveis pela identificação da maioria das ocorrências, enquanto as restantes são detetadas através de câmaras de videovigilância (CCTV) e de comunicações dos utilizadores para o centro de atendimento telefónico. A rede dispõe de uma elevada cobertura de CCTV, embora esta varie consoante a localização e a autoestrada.

O desafio: detetar incidentes rodoviários mais rapidamente sem aumentar os falsos positivos

A deteção de incidentes continuava fortemente dependente das viaturas de assistência rodoviária, enquanto os alertas colaborativos do Waze geravam demasiados falsos positivos para serem utilizados de forma fiável sem validação manual através das câmaras de CCTV.

O objetivo consistia, por isso, em responder a uma questão prática: Pode o machine learning tornar os dados colaborativos do Waze suficientemente fiáveis para detetar mais incidentes rodoviários, identificá-los mais cedo e manter os falsos positivos num nível operacionalmente controlável?

A solução: machine learning para a deteção de incidentes rodoviários em tempo real

A LTPlabs desenvolveu uma solução de machine learning que avalia os eventos reportados pelos utilizadores do Waze e estima quais os alertas suficientemente fiáveis para apoiar a deteção e monitorização de incidentes rodoviários.

A abordagem combina dados do Waze com informação contextual sobre o tráfego, as condições meteorológicas, as características da estrada, a localização, o horário e o histórico de incidentes.

A primeira etapa consistiu em cruzar os alertas do Waze com os incidentes registados pelo Centro de Controlo. Os eventos foram agrupados com base na localização, no horário e no sentido de circulação, permitindo associar 79% dos incidentes registados a dados do Waze.

Com base nestes dados históricos, a LTPlabs treinou um modelo de classificação para estimar a probabilidade de um alerta do Waze corresponder a um incidente relevante. O modelo combina mais de 20 variáveis, incluindo atributos dos alertas do Waze, condições de tráfego e meteorológicas, características da estrada, localização, horário e histórico de acidentes.

Foram posteriormente calibrados limiares de confiança para equilibrar a deteção antecipada com o risco de falsos positivos, tendo sido propostos diferentes limiares consoante a cobertura de CCTV.

Quando um alerta atinge o nível de confiança exigido, pode ser automaticamente enviado aos supervisores do Centro de Controlo e integrado no processo operacional de mobilização de meios, permitindo uma validação mais rápida e uma monitorização sistemática do desempenho.

No conjunto de dados de teste independente, e após um projeto-piloto em contexto operacional real, os limiares de funcionamento selecionados alcançaram uma precisão de 83% e geraram mais 61% de alertas face aos pressupostos de referência.

A solução cria, assim, condições para reduzir o tempo médio de deteção de incidentes em 48% de um minuto. Em combinação com as fontes de deteção existentes, espera-se também que os alertas do Waze contribuam para um aumento significativo do número de ocorrências registadas.

A análise demonstra que os dados de tráfego fornecidos de forma colaborativa pelos utilizadores podem tornar-se uma fonte útil para a deteção de incidentes rodoviários, quando o machine learning é utilizado para filtrar os alertas e combiná-los com informação contextual.

Para os operadores de autoestradas, esta abordagem oferece potencial para:

• Detetar incidentes rodoviários mais cedo;
• Alargar a monitorização a zonas sem cobertura de CCTV;
• Reduzir a dependência da deteção realizada por patrulhas rodoviárias;
• Direcionar a atenção dos supervisores para alertas com níveis de confiança mais elevados;
• Melhorar a consistência da deteção de incidentes e da avaliação do desempenho;
• Aumentar a visibilidade sobre a rede rodoviária sem um crescimento proporcional da infraestrutura física de monitorização.