O que a IA pode ensinar aos governos sobre mobilidade urbana

Entender como as pessoas se deslocam na cidade é fundamental para planejar um transporte público que funcione de verdade. A pesquisa que usamos como base mostra uma abordagem direta: aproveitar os registros de GPS de smartphones para identificar as fases da viagem:

• o trecho de acesso até o ponto de ônibus,
• o tempo dentro do veículo,
• o trecho de saída e
• o tempo de espera na parada

Esses “rastros” do celular formam as chamadas trajetórias de GPS, sequências de pontos com latitude, longitude e horário que, corretamente analisadas, contam a história completa de um deslocamento. Esse artigo que nos referimos é o “GPS-Based Trip Phase and Waiting Time Detection to and from Public Transport Stops Via Machine Learning Models” de Seyed Hassan Hosseini, Siavash Pourkhosro, Guido Gentile, Lory Michelle Bresciani Miristice.

A importância prática desse trabalho é simples: saber quanto tempo uma pessoa caminha para chegar ao ponto, quanto tempo espera pelo ônibus e quanto gasta até o destino ajuda a identificar gargalos, pontos de superlotação e áreas que demandam intervenção. Tradicionalmente, esse tipo de dado vinha de pesquisas de campo ou questionários — métodos caros, demorados e sujeitos a erro humano. A proposta do estudo foi mostrar que, com dados de GPS e modelos bem treinados, é possível automatizar essa medição com boa precisão, reduzindo custos e permitindo análises em escala.

Tecnicamente, os autores do artigo combinaram grandes conjuntos de dados públicos e treinaram um modelo de random forest, que reúne várias “árvores de decisão” (cada árvore dá um palpite e o conjunto decide pela maioria), aumentando a robustez da previsão. Com esse modelo, eles classificaram modos de transporte (caminhada, bicicleta, ônibus, trem etc.) em trechos de GPS e, a partir daí, desenvolveram um algoritmo que identifica o início, meio e fim dos trechos. Dividindo em fase de acesso, fase motorizada e fase de egresso, calculando também o tempo de espera na parada. Em testes realizados em Roma, o método obteve resultados promissores: por exemplo, predição do tempo de espera com aproximadamente 82% de acurácia e boas medidas de precisão na estimativa de distância de acesso, mostrando que a ideia funciona na prática, embora ainda precise de ajustes para cada contexto urbano.

Os ganhos potenciais para uma cidade são claros: dados mais precisos sobre acesso, espera e deslocamento permitem redesenhar itinerários, ajustar a oferta em horários de pico, planejar faixas exclusivas e melhorar a experiência do usuário. No entanto, há limites importantes que a pesquisa reconhece. O GPS perde precisão em túneis e estações, exigindo a combinação com outros sensores do celular (como acelerômetros) ou com dados de infraestrutura para metrôs. Além disso, modelos treinados com dados de uma cidade podem não funcionar bem em outra; diferenças no comportamento do usuário, tipo de frota e qualidade do sinal demandam dados locais para treinar e validar os algoritmos.

É justamente nesse ponto que entra uma crítica direta aos governantes brasileiros: ter tecnologia disponível não basta se não houver investimento em coleta, integração e uso desses dados. A boa notícia é que parte da infraestrutura necessária já existe nas mãos dos próprios cidadãos. Aplicativos como Cittamobi, Moovit e soluções locais — SPTrans Olho Vivo, DF no Ponto, Meu Ônibus Fortaleza e Floripa no Ponto — diariamente fornecem horários, itinerários e localização em tempo real dos ônibus. Com políticas públicas adequadas e proteção à privacidade, essas plataformas poderiam também reunir dados de uso para mapear o fluxo real de passageiros, entender variações por horário e por eventos diversos (dias de chuva, feriados, início ou fim de mês, ou até mesmo em dias de partidas de Copa do Mundo) a fim de subsidiar ações operacionais mais eficazes. Em vez de decisões baseadas em estimativas pontuais ou pressões políticas de administradores regionais, gestores teriam informações concretas e atualizadas para planejar reforços de frota, alterar itinerários e reduzir sobrecarga em pontos críticos.

O custo técnico de implementar coleta e análise integrada existe, mas é pequeno se comparado ao prejuízo econômico e social de milhões de horas perdidas em deslocamentos ineficientes. A barreira maior, muitas vezes, é a falta de vontade política e de visão estratégica. Sem transparência e sem dados, as decisões permanecem no achismo, e a população continua pagando o preço diário com atrasos, superlotação e perda de produtividade. A proposta do estudo mostra um caminho: medir para entender, e entender para agir.

Na prática, a recomendação é combinar fontes: usar trajetórias de GPS com consentimento e anonimização (com a proteção dos dados particulares), empregar sensores dos celulares onde o GPS falha, integrar dados operacionais das empresas de transporte e rodar pilotos por bairro antes de escalar. Dashboards públicos e relatórios periódicos fomentam a transparência e permitem que a sociedade cobre metas mensuráveis — algo essencial para mudanças reais e duradouras.

Para quem acompanha o In Neuro AI, essa aplicação do machine learning no transporte público é um exemplo concreto de como técnicas de IA podem ter impacto direto na vida das pessoas. Assim como na nossa recente matéria sobre Dezembro Laranja, em que mostramos como a IA pode ajudar pacientes a monitorar pintas e praticar autocuidado, aqui a tecnologia atua como instrumento de diagnóstico urbano: ao medir com precisão, abrimos espaço para intervenções que tornam a cidade mais humana e eficiente. Se quiser entender melhor esse paralelo entre saúde e mobilidade digital, confira também a leitura sobre Dezembro Laranja no nosso blog. https://inneuroai.com/dezembro-laranja-como-a-inteligencia-artificial-pode-ajudar-voce-a-monitorar-pintas-e-ter-mais-autocuidado/