Velocidades operacionais em Curitiba-PR

Medindo o V85 nas vias através de dados naturalísticos

Autor

Pedro Borges

Data de Publicação

18 de dezembro de 2024

Introdução

A velocidade é um fator central na ocorrência de óbitos no trânsito, influenciando diretamente na gravidade de um sinistro considerando a energia de impacto ­ a na chance de ocorrência ­ afetando negativamente o tempo de reação e a visão periférica do condutor.

Uma forma de medir a velocidade praticada em uma via ou trecho de via é a partir do calculo da velocidade de 85º percentil (V85). Com essa medição é possível definir a velocidade operacional de uma via, extraindo o quantil de 85% de uma distribuição de velocidades observadas em um ou mais pontos das vias.

Neste post o objetivo é calcular o V85 para as vias de Curitiba. Os dados de velocidades utilizados aqui foram extraídos da base do Estudo Naturalístico de Direção Brasileiro (NDS-BR)1

Aplicação do cálculo

Primeiro foi necessário carregar as bibliotecas pandas e geopandas para lidar com os dados do NDS-BR; matplotlib e numpy para plotar os resultados e explorar os dados.

import pandas as pd
import geopandas as gpd
import matplotlib.pyplot as plt
import matplotlib as mpl
import numpy as np

Os dados do NDS-BR estão salvos no formato .parquet, do Apache Arrow. Aqui foram selecionadas apenas as colunas necessárias para o cálculo: longitude, latitude e velocidade praticada em quilômetros por hora.

nds_path = "data/ndsbr_full.parquet"
cols = ['long', 'lat', 'spd_kmh']
nds_sample = pd.read_parquet(nds_path, columns=cols)
nds_sample.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 2382504 entries, 0 to 564053
Data columns (total 3 columns):
 #   Column   Dtype  
---  ------   -----  
 0   long     float64
 1   lat      float64
 2   spd_kmh  float64
dtypes: float64(3)
memory usage: 72.7 MB

Distribuição da velocidade

Antes de atribuir os dados de velocidade às vias de Curitiba, foi elaborado um histograma para analisar a distribuição dos dados (Figura 1). Observa-se que grande parte da amostra possui velocidade entre 0 e 10 km/h. Isso pode ser reflexo da característica do tráfego urbano, em que os condutores passam boa parte de suas viagens parados ou em velocidade quase zerada.

mpl.rcParams['font.family'] = 'monospace'

fig, ax = plt.subplots()
ax.hist(nds_sample['spd_kmh'], bins=16, edgecolor='white', color='grey')
ax.set(
    xticks=np.arange(0, 170, 10),
    xlabel='Velocidade (km/h)',
    ylabel='Tempo de viagem (s)'
)
ax.set_axisbelow(True)
plt.grid(alpha=0.5)
plt.show()
Figura 1: Distribuição das velocidades do NDS-BR

As velocidades iguais ou próximas a zero foram removidas da amostra para garantir que e o V85 represente as velocidades de fluxo não-congestionado nas vias. Assim, foram filtradas as velocidades acima de 5 km/h, resultando na distribuição representada na Figura 2.

nds_valid_speed = nds_sample[nds_sample['spd_kmh'] > 5]
fig, ax = plt.subplots()
ax.hist(nds_valid_speed['spd_kmh'], bins=16, edgecolor='white', color = 'grey')
ax.set(
    xticks=np.arange(0, 170, 10),
    xlabel='Velocidade (km/h)',
    ylabel='Tempo de viagem (s)'
)
ax.set_axisbelow(True)
plt.grid(alpha=0.5)
plt.show()
Figura 2: Distribuição das velocidades válidas do NDS-BR

Cálculo de velocidade nas vias

Outro conjunto de dados necessários inclui os eixos de vias de Curitiba, disponibilizado pelo Instituto de Pesquisa e Planejamento Urbano de Curitiba. Com auxílio do gpd.read_file() foi possível importar o arquivo espacial diretamente para o projeto.

url_vias = 'https://ippuc.org.br/geodownloads/SHAPES_SIRGAS/EIXO_RUA_SIRGAS.zip'
vias_cols = ['CHAVE', 'HIERARQUIA']
vias = gpd.read_file(url_vias, encoding='Latin1', columns=vias_cols)

Em seguida os dados do NDS-BR foram transformados para objetos espaciais, utilizando as coordenadas do dataframe como referência. Para associar os dados do NDS-BR aos dados das vias, utilizou-se o método sjoin_nearest() do geopandas. Com o método foi possível verificar qual trecho de via (identificado por uma chave única) é o mais próximo ao ponto do NDS-BR, em um limite de até 20 metros.

Os dados de velocidade foram agrupados pela chave da via e com o quantile(0.85) foi calculada a velocidade de 85º percentil para cada trecho. Por fim, foi realizado um merge() para unir os dados de V85 ao shape das vias.

nds_points = gpd.GeoDataFrame(
    nds_valid_speed,
    geometry=gpd.points_from_xy(
        nds_valid_speed['long'],
        nds_valid_speed['lat']
    ),
    crs='epsg:4674'
)

nds_points = nds_points.to_crs('31982')

nds_nearest = gpd.sjoin_nearest(
    nds_points,
    vias,
    how='left',
    max_distance=20
)

v85_spd = nds_nearest.groupby('CHAVE')['spd_kmh'].quantile(0.85)
v85_spd = v85_spd.reset_index()
vias_v85 = pd.merge(vias, v85_spd, how='left', on='CHAVE')
vias_v85 = vias_v85.dropna(subset=['spd_kmh'])

Resultados

A Figura 3 apresenta o V85 para as vias de Curitiba-PR. Devido à abrangência da amostra do NDS-BR, não foi possível calcular esse valor para todas as vias da cidade.

fig, ax = plt.subplots(figsize=(6,10))
vias.plot(ax=ax, linewidth=0.3, color='grey', alpha=0.5)
vias_v85.plot(
    ax=ax,
    linewidth=vias_v85['spd_kmh'] / 75, 
    column='spd_kmh', 
    legend=True, 
    cmap='inferno_r',
    legend_kwds={'shrink': 0.78}
)
ax.set_axisbelow(True)
plt.grid(alpha=0.3)
plt.show()
Figura 3: V85 nas vias de Curitiba

Conclusão

Com a base de dados do projeto de pesquisa Estudo Naturalístico de Direção Brasileiro (NDS-BR) foi possível identificar o V85 de trechos de vias em Curitiba. Tal análise pode servir de subsídio para identificar locais de risco à mobilidade segura, considerando as consequências negativas de velocidade inseguras.