Exemplos Práticos e Casos de Uso

Nesta seção, apresentaremos exemplos práticos e estudos de caso para ilustrar a aplicação do OptFlow em diferentes cenários, utilizando os samplers disponíveis.

Exemplo 1: Otimização de um Corredor Arterial (Sampler 'OptFlow')

• Cenário: Um corredor arterial urbano com 8 interseções semaforizadas, apresentando fluxo de tráfego moderado durante o período entre-pico. A configuração inicial possuía um ciclo fixo de 90 segundos, considerado adequado para o volume.
• Objetivo: Maximizar o fluxo total de veículos através do corredor, melhorando a capacidade geral da via.
• Configuração OptFlow:
  • Sampler: OptFlow (Otimização Bayesiana baseada em Processo Gaussiano), escolhido por sua eficiência de amostragem em problemas com parâmetros contínuos e orçamento de simulação limitado.
  • Fórmula de Desempenho: "Fluxo" (utilizando o indicador de fluxo total da rede ou de seções específicas do corredor, conforme disponível no Aimsun).
  • Direção de Otimização: Maximizar.
  • Parâmetros Otimizados:
    • offset: Permitida variação dentro de limites razoáveis (ex: 0 a 90 segundos) com passo de 5 segundos. Variação Máxima definida para permitir ajustes significativos em relação ao plano original.
    • phase_duration: Permitida variação nos tempos de verde das fases principais e secundárias, respeitando tempos mínimos de verde e máximos definidos com base na engenharia de tráfego. Passo de 1 segundo. Variação Máxima ajustada para permitir redistribuição do verde.
    • cycle: Bloqueado. A Variação Máxima foi definida como 0, mantendo o ciclo fixo em 90 segundos conforme a decisão inicial.
  • Iterações (n_iter): Definido como 100 (exemplo, ajustar conforme orçamento).
  • Seed: Um valor específico (ex: 123) para garantir reprodutibilidade.
• Resultados Esperados: Análise comparativa do fluxo total antes e depois da otimização. Verificação dos novos planos de offset e tempos de verde gerados. Observação do gráfico de convergência na plataforma OptFlow para verificar se o algoritmo OptFlow encontrou um platô ou melhoria consistente no fluxo.
• 
• 

Exemplo 2: Otimização de uma Rede Pequena com Foco em Atraso (Sampler 'TPE')

• Cenário: Uma pequena rede em grade 2x2 (4 interseções) em uma área urbana com baixo volume de tráfego durante o período analisado. A configuração inicial não estava bem coordenada.
• Objetivo: Minimizar o Atraso Médio por Veículo ("Atraso Medio") em toda a rede, visando melhorar a experiência individual do motorista.
• Configuração OptFlow:
  • Sampler: TPE (Tree-structured Parzen Estimator), escolhido por sua boa performance geral e eficiência de amostragem, adequado para otimizar múltiplos tipos de parâmetros simultaneamente com um orçamento de simulação moderado.
  • Fórmula de Desempenho: "Atraso Medio" (utilizando o indicador correspondente disponível no Aimsun para a rede).
  • Direção de Otimização: Minimizar.
  • Parâmetros Otimizados:
    • cycle: Permitida variação em uma faixa adequada para baixo volume (ex: 60 a 100 segundos), com passo de 10 segundos.
    • offset: Permitida variação completa (0 ao valor do ciclo), com passo de 5 segundos, para encontrar a melhor coordenação entre as 4 interseções.
    • phase_duration: Permitida variação nos tempos de verde, respeitando mínimos e máximos, com passo de 1 segundo.
  • Iterações (n_iter): Definido como 150 (exemplo, pode precisar de mais ou menos dependendo da convergência).
  • Seed: Um valor específico (ex: 456) para reprodutibilidade.
• Resultados Esperados: Redução significativa no Atraso Médio por Veículo em comparação com o cenário base. Análise dos novos parâmetros de ciclo, offset e tempos de verde. O gráfico de convergência do TPE na plataforma OptFlow deve mostrar uma tendência clara de diminuição do atraso médio ao longo das iterações.
• 
• 

Exemplo 3: Usando o Sampler 'Sequencial' para Otimização em Fases

• Cenário: O mesmo corredor arterial de 8 interseções do Exemplo 1, com fluxo moderado.
• Objetivo: Maximizar o Fluxo total ("Fluxo").
• Estratégia em Fases (Sampler 'Sequencial'): A ideia aqui é usar uma fase inicial para encontrar uma boa coordenação (offsets) e uma faixa geral para ciclo e verdes, e uma segunda fase para refinar o ciclo e os tempos de verde, mantendo a coordenação encontrada.
  • Configuração Geral:
    • Sampler: Selecionar Sequencial.
    • Fórmula de Desempenho: "Fluxo".
    • Direção de Otimização: Maximizar.
    • Iterações Totais (n_iter): 150 (75 para Fase 1 + 75 para Fase 2).
    • Seed: Um valor específico (ex: 789).
  • Configuração do Sampler Sequencial (Fases):
    • Fase 1 (Iterações 1-75):
      • Sampler: OptFlow (Otimização Bayesiana).
      • Parâmetros Otimizados: cycle, offset, phase_duration (com limites e passos definidos como no Exemplo 1 ou 2, permitindo variação inicial).
    • Fase 2 (Iterações 76-150):
      • Sampler: TPE (Tree-structured Parzen Estimator).
      • Parâmetros Otimizados: cycle, phase_duration.
      • Parâmetros Bloqueados: offset. O OptFlow utilizará os melhores valores de offset encontrados ao final da Fase 1 e os manterá fixos durante a Fase 2. Os limites para cycle e phase_duration podem ser os mesmos da Fase 1 ou ligeiramente ajustados se a Fase 1 indicou uma faixa promissora.
• Benefícios Esperados: Esta abordagem permite que o algoritmo OptFlow explore eficientemente a relação complexa entre ciclo, offset e verdes na primeira fase. Na segunda fase, o TPE pode focar em refinar o ciclo e a alocação de tempo de verde, aproveitando a boa coordenação (offsets) já estabelecida, potencialmente levando a uma solução final melhor do que otimizar tudo junto por 150 iterações com um único sampler.
• Análise: Comparar o resultado final com o Exemplo 1 (que usou apenas OptFlow com ciclo fixo) e com uma execução usando apenas TPE por 150 iterações. Analisar como os parâmetros evoluíram em cada fase através dos gráficos na plataforma OptFlow.
• * (Mais exemplos e casos de uso podem ser adicionados futuramente focando nos samplers disponíveis).