De alertas do Waze a insights acionáveis: detectando incidentes rodoviários 48% mais rápido

Um operador nacional de rodovias gerencia a detecção de incidentes e a assistência rodoviária em suas autoestradas por meio de seu Centro de Controle.

Os incidentes são detectados por diversas fontes: as viaturas de assistência rodoviária são responsáveis pela maioria dos incidentes, enquanto os restantes são identificados por câmeras de CCTV e por relatos de usuários por meio do call center. Existe uma ampla cobertura de CCTV na rede, embora ela varie de acordo com a localização e a rodovia.

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

A detecção de incidentes continuava fortemente dependente das viaturas de assistência rodoviária, enquanto os alertas colaborativos do Waze geravam falsos positivos em excesso para serem utilizados de forma confiável sem validação manual por CCTV.

O objetivo era, portanto, responder a uma questão prática: O machine learning pode tornar os dados colaborativos do Waze suficientemente confiáveis para detectar mais incidentes rodoviários, identificá-los mais cedo e manter os falsos positivos em um nível operacionalmente gerenciável?

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

A LTPlabs desenvolveu uma solução de machine learning que avalia eventos colaborativos do Waze e estima quais alertas são suficientemente confiáveis para apoiar a detecção e o monitoramento de incidentes rodoviários.

A abordagem combina dados do Waze com informações contextuais sobre tráfego, condições meteorológicas, características da rodovia, localização, horário e histórico de incidentes.

O primeiro passo foi associar os alertas do Waze aos incidentes registrados pelo Centro de Controle. Os eventos foram agrupados com base em localização, horário e sentido de deslocamento, permitindo associar 79% dos incidentes registrados aos dados do Waze.

Com base nesses 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 do Waze, condições de tráfego e meteorológicas, características da rodovia, localização, horário e histórico de acidentes.

Em seguida, os limiares de confiança foram calibrados para equilibrar detecção antecipada e risco de falsos positivos, com diferentes limiares propostos de acordo com a cobertura de CCTV.

Quando um alerta atinge o nível de confiança necessário, ele pode ser automaticamente enviado aos supervisores do Centro de Controle e integrado ao fluxo de despacho existente, permitindo uma validação mais rápida e o acompanhamento sistemático do desempenho.

Resultados: rumo a uma detecção de incidentes rodoviários 48% mais rápida

No conjunto de teste holdout e após um piloto em contexto operacional real, os limiares operacionais selecionados alcançaram 83% de precisão e 61% mais alertas em comparação com as premissas de baseline. A solução cria, assim, um caminho para reduzir o tempo médio de detecção de incidentes em 48% de um minuto e, quando combinados com as fontes de detecção existentes, os alertas do Waze também deverão aumentar significativamente o número de eventos registrados.

A análise demonstra que dados colaborativos de tráfego podem tornar-se uma fonte útil para a detecção de incidentes rodoviários quando o machine learning é utilizado para filtrar alertas e combiná-los com informações contextuais.

Para operadores de rodovias, isso cria o potencial para:

• detectar incidentes rodoviários mais cedo;
• ampliar o monitoramento para além das áreas com cobertura de CCTV;
• reduzir a dependência da detecção baseada em patrulhamento;
• direcionar a atenção dos supervisores para alertas com maior nível de confiança;
• melhorar a consistência na detecção de incidentes e na medição de desempenho;
• ampliar a visibilidade da rede sem um aumento proporcional da infraestrutura física de monitoramento.