Aplicação de modelos deep learning baseados em grafos para a previsão e mapeamento do risco de ocorrências de sinistros de trânsito no Brasil

Abstract

Os sinistros de trânsito geram impactos significativos, tanto em termos de vidas humanas (provocando feridos e fatalidades) quanto em perdas econômicas nas áreas urbanas. Métodos precisos de previsão da ocorrência de sinistros podem apoiar a tomada de decisão governamental ao possibilitar um planejamento do tráfego mais eficiente, a emissão de alertas de risco e a orientação de condutores para escolhas de rotas mais seguras. Este estudo propõe o uso de modelos adaptados de aprendizado profundo baseados em grafos, a saber, Temporal Graph Convolutional Network (T-GCN) e Attribute-Augmented Spatiotemporal Graph Convolutional Network (AST-GCN), para previsão e mapeamento do risco de sinistros em vias urbanas brasileiras, utilizando dados históricos de ocorrências de trânsito, variáveis associadas e fatores externos influentes. A metodologia adotada compreende a organização, estruturação e transformação dos dados em uma representação baseada em grafos, incluindo a definição do fluxo de entrada adequado para redes neurais espaciais e temporais, além da configuração dos hiperparâmetros do modelo, treinamento das redes, realização das previsões e mapeamento do risco de ocorrência de sinistros. O desempenho dos modelos foi avaliado por meio de métricas de classificação binária, em um cenário caracterizado por forte desbalanceamento de classes, típico de eventos raros em segurança viária, incluindo Recall, F1-score, Acurácia Balanceada e o coeficiente de correlação de Matthews (MCC). Os resultados demonstram que os modelos propostos alcançaram desempenho satisfatório, obtendo métricas de avaliação comparáveis ou superiores às reportadas em estudos internacionais conduzidos com conjuntos de dados maiores e mais abrangentes. Este trabalho apresenta uma contribuição relevante no contexto brasileiro, uma vez que representa, até onde se tem conhecimento, o primeiro estudo a aplicar modelos de aprendizado profundo baseados em grafos para a previsão de sinistros de trânsito no Brasil. Ademais, contribui para a definição de um pipeline metodológico completo de preparação e estruturação dos dados em formato de grafo, viabilizando sua utilização em modelos de aprendizado profundo espaço-temporal. Também contribui para a identificação e o mapeamento de áreas críticas e oferece subsídios baseados em evidências para a implementação de políticas públicas mais eficazes, promovendo uma abordagem mais estratégica e eficiente para a gestão da segurança viária.

Road traffic crashes have significant impacts, both in terms of human lives (resulting in injuries and fatalities) and economic losses in urban areas. Accurate crash occurrence prediction methods can support governmental decision-making by enabling more efficient traffic planning, the issuance of risk alerts, and guiding drivers toward safer route choices. This study proposes the use of adapted graph-based deep learning models, namely the Temporal Graph Convolutional Network (T-GCN) and the Attribute-Augmented Spatiotemporal Graph Convolutional Network (AST-GCN), for predicting and mapping crash risk in urban roads in Brazil, using historical traffic crash data, associated variables, and relevant external factors. The adopted methodology comprises the organization, structuring, and transformation of the data into a graph-based representation, including the definition of an appropriate input flow for spatiotemporal neural networks, as well as model hyperparameter configuration, network training, prediction, and crash risk mapping. Model performance was evaluated using binary classification metrics in a scenario characterized by strong class imbalance, typical of rare events in traffic safety, including Recall, F1-score, Acurácia Balanceada, and the Matthews Correlation Coefficient (MCC). The results show that the proposed models achieved satisfactory performance, obtaining evaluation metrics comparable to or higher than those reported in international studies conducted on larger and more comprehensive datasets. This work presents a relevant contribution in the Brazilian context, as it represents, to the best of our knowledge, the first study to apply graph-based deep learning models for crash prediction in Brazil. Furthermore, it contributes to the definition of a complete methodological pipeline for preparing and structuring data in graph format, enabling its use in spatiotemporal deep learning models. It also contributes to the identification and mapping of high-risk areas and provides evidence-based support for more effective public policy implementation, promoting a more strategic and efficient approach to road safety management.