Um sistema de inteligência artificial desenvolvido por pesquisadores da New York University Tandon consegue prever onde se formarão congestionamentos nas cidades e dá aos planejadores urbanos a chance de agir antes. A abordagem inverte a lógica tradicional: em vez de reagir aos problemas de trânsito já instalados, as autoridades recebem informações para intervir antes que eles se materializem.

No modelo tradicional, o planejamento de trânsito funciona de trás para frente: uma via fica congestionada, dados são coletados e os gestores tentam resolver o problema. Anton Rozhkov, Pranav Nitin Motarwar e Rudra Patil criaram uma ferramenta que inverte esse fluxo e usa aprendizado de máquina para mapear onde surgirão gargalos.

Rozhkov concebeu a estrutura geral do sistema, enquanto Motarwar liderou o trabalho de previsão e Patil desenvolveu a análise espacial.

Uma plataforma em que as cidades confiam

O projeto nasceu de conversas entre Rozhkov e planejadores urbanos que enfrentavam um problema: as cidades querem adotar IA, mas raramente têm equipes técnicas próprias para construir sistemas sob medida. A segurança também preocupa, e compartilhar dados sensíveis sobre transportes com chatbots comerciais faz muitas agências hesitarem.

A solução foi desenvolver uma plataforma própria, hospedada localmente e projetada para ser intuitiva e acessível aos profissionais do dia a dia. O sistema integra previsão de tráfego, mapeamento espacial e um modelo de linguagem natural rodando nos servidores da cidade — eliminando riscos de vazamento de dados.

Para validar a abordagem, a equipe usou 15 anos de registros de trânsito de Nova York.

Testando dois métodos de previsão

Nova York se mostrou um laboratório ideal porque publica muitos dados sobre transporte. Os pesquisadores analisaram observações de tráfego coletadas entre 2009 e 2024 e compararam duas técnicas, e a primeira, o ARIMA, é um método estatístico consolidado.

A segunda, uma rede neural de memória de longo e curto prazo (LSTM), foi projetada para capturar padrões não lineares que se estendem por grandes conjuntos de dados.

O ARIMA identifica a sazonalidade, ou seja, padrões que se repetem, mas deixa lacunas. A LSTM preenche essas lacunas ao detectar variações que não seguem ciclos previsíveis, o que explica a maior parte de sua vantagem.

Em testes com dados inéditos de 2021 a 2024, a LSTM reduziu o erro de previsão para aproximadamente 343 veículos por dia, enquanto o ARIMA chegou a cerca de 418. Isso representa uma melhora de cerca de 18%, e o modelo projeta o tráfego médio diário subindo de 12.540 veículos em 2025 para 19.680 em 2029.

Mapeando congestionamentos no nível das ruas

Números agregados de tráfego, porém, dizem pouco aos gestores. Patil cuidou da dimensão espacial do projeto e usou o sistema H3, da Uber, para visualizar os dados de trânsito em uma grade de células hexagonais aninhadas. Esse layout permite que planejadores saiam da visão genérica da cidade inteira e focalizem padrões em bairros específicos ou até em cruzamentos problemáticos.

Algoritmos de agrupamento identificaram corredores onde congestionamentos pesados reapareciam ano após ano com consistência. Manhattan se destacou como o distrito mais congestionado, seguido pelos distritos de Brooklyn e Queens. A descoberta reforça um princípio: uma média no nível da cidade não orienta quem precisa decidir onde investir.

Planejadores precisam saber quais vias sofrem mais impacto — e essas costumam ser as mesmas, repetidamente.

Os pesquisadores alertam que os números projetados carregam incerteza e devem ser lidos como previsões, não como certezas. Mesmo assim, a plataforma oferece um caminho novo: antecipar congestionamentos em vez de apenas reagir quando já estão aí. Assim, as cidades ganham tempo para repensar a infraestrutura, o transporte público e as rotas antes que crises de mobilidade se instalem.