Como a IA está a mudar o planeamento de redes de autocarros: frequências, percursos e regulação em tempo real

Quase todos os fornecedores de software de planeamento e escalas vendem hoje «IA». Parte disso é realmente nova: modelos de machine learning que preveem tempos de percurso por faixa horária, ou modelos de procura que estimam o efeito de uma alteração de rede antes de esta entrar em serviço. Outra parte é investigação operacional com décadas, com um rótulo novo. E outra parte ainda, sobretudo tudo o que é descrito como «reequilíbrio da rede em tempo real», continua em grande medida em fase piloto.

Para uma autoridade de transportes ou um operador, a pergunta útil não é «devemos usar IA?», mas sim «que tarefa de planeamento, que algoritmo, alimentado por que dados?». A resposta à última parte é quase sempre a mesma: o algoritmo só vale o que valem os dados reais (de serviço efetivamente realizado) que saem do SAE (Sistema de Apoio à Exploração). Um otimizador alimentado com tempos de percurso programados, em vez de medidos, dará uma resposta muito precisa à pergunta errada.

Este artigo separa o que está hoje em operação do que é marketing, com exemplos verificados de Barcelona, Dublin, das capitais nórdicas, de Londres e de Chicago.

O que abrange realmente a «IA» no planeamento de autocarros?

Destacam-se dois pontos. Primeiro, a «IA» mais madura da tabela, as escalas de veículos e de motoristas, é otimização clássica e não machine learning. Segundo, todas as linhas dependem de dados reais. Sem eles, nenhuma destas ferramentas tem nada de concreto com que aprender.

Tempos de percurso: onde começa o problema dos dados?

A calibração dos tempos de percurso é a tarefa menos vistosa e a que tem o retorno mais claro. Tempos demasiado apertados significam autocarros atrasados o dia todo; tempos demasiado folgados significam adiantamentos e horas pagas de que o operador não precisa.

Este trabalho é anterior ao rótulo IA. O módulo HASTUS-ATP da GIRO, documentado em 2011 e desenvolvido com a Transports Metropolitans de Barcelona e a Universidade de Barcelona, calcula tempos de percurso ótimos e tempos mínimos de regulação nos terminais a partir de registos históricos de localização. Em Londres, o sistema iBus da TfL, que abrange mais de 8000 autocarros, foi usado para calcular os tempos de percurso reais entre pontos de controlo por período do dia, para que os operadores pudessem apresentar horários mais realistas, como descrevem Hounsell, Shrestha e Wong na Transportation Research Part C (2012).

O que o machine learning acrescenta é uma granularidade mais fina e a capacidade de combinar mais variáveis: tempos de percurso históricos, padrões de trânsito, meteorologia, calendário escolar, tudo por troço e faixa horária. A maioria das ferramentas de planeamento e escalas já oferece funções de previsão de tempos de percurso. Quando uma linha recalibrada melhora, porém, o fator decisivo raramente é o modelo. É uma estação inteira de dados de localização limpos, ao nível da viagem, nas linhas que importam, cruzados com o que o SAE registou.

Atenção também à forma como os ganhos são apresentados. Uma taxa de pontualidade que passa de 80% para 90% é uma melhoria de 10 pontos percentuais, mas um aumento relativo de 12,5%. Os dois números estão corretos; não são o mesmo número, e a avaliação de propostas num concurso deve indicar qual deles está em causa.

Porque é que «entra lixo, sai lixo» se pode medir?

As falhas típicas são bem conhecidas de quem já auditou um fluxo de dados de um SAE (as funcionalidades que um SAE deve oferecer para o evitar estão na nossa lista de verificação de funcionalidades SAE 2026). Intervalos de atualização da posição demasiado longos tornam pouco fiável a deteção das chegadas e partidas nas paragens. Taxas baixas de identificação dos motoristas deixam muitas viagens impossíveis de associar a um veículo. A deteção de paragens por geofence pode distorcer tanto os indicadores de pontualidade como os tempos de percurso medidos.

Alimente um modelo de tempos de percurso com esses erros e ele recomendará, com toda a confiança, horários calibrados sobre artefactos. Este é o ponto central de todo o tema: as ferramentas de planeamento com IA não corrigem maus dados do SAE, amplificam-nos.

O inverso também é verdade. Na região de Helsínquia, a HSL publica posições em que a maioria dos veículos comunica uma vez por segundo, juntamente com eventos de chegada, partida e abertura de portas nas paragens: é este o nível de detalhe a partir do qual um modelo de tempos de percurso consegue realmente aprender.

Redesenho da rede e previsão da procura: quem desenha, a ferramenta ou as pessoas?

Os redesenhos de rede mais conhecidos da última década não foram produzidos por algoritmos. Em Dublin, o redesenho BusConnects da National Transport Authority (NTA) partiu de um relatório de opções de 2017 da consultora Jarrett Walker + Associates, passou por várias rondas de consulta pública a partir de meados de 2018 e tem sido implementado por fases desde junho de 2021. No seu relatório de progresso de março de 2025, a NTA indicou que o número de passageiros nas zonas onde a nova rede foi implementada tinha aumentado 48% até ao final de 2024, contra 8% no resto da rede. A Nova Xarxa de Barcelona, uma rede ortogonal estudada por Badia, Argote-Cabanero e Daganzo (UC Berkeley, 2016), atraiu mais procura do que a rede anterior, com cerca de 26% das viagens a incluir um transbordo no final de 2015.

Onde o software ajuda hoje é no teste de cenários. As ferramentas de planeamento atuais conseguem estimar o efeito de uma alteração de rede na procura a partir de dados de viagens observadas, e algumas mostram os tempos de percurso observados paragem a paragem diretamente no editor de horários, para que os planeadores vejam onde as partidas reais se afastam das programadas. Os fornecedores apresentam cada vez mais estas funções como «plataformas de IA» para planeamento, escalas e exploração. O teste útil para quem compra continua a ser o mesmo: que dados alimentam cada previsão, e quão recentes são.

A previsão da procura também depende do que o veículo mede. A Ruter, em Oslo, começou em 2016 a instalar contagem automática de passageiros e outros sensores em mais de 400 autocarros, e evoluiu depois para uma arquitetura de bordo aberta baseada no ITxPT. O fluxo de alta frequência da HSL em Helsínquia inclui também um campo de ocupação, além dos eventos de portas. É este tipo de fluxo granular e normalizado que torna credível a definição de frequências com base nas cargas, em vez de um palpite.

O resumo honesto: o machine learning melhora a previsão de cada cenário. Escolher o cenário (cobertura ou frequência, onde impor transbordos, o que comunicar ao público) continua a ser uma decisão política e técnica.

Escalas de veículos e de motoristas: é esta a parte madura?

A construção de blocos de veículos e de serviços de motoristas é onde a otimização está integrada há mais tempo. As ferramentas de planeamento e escalas, entre as quais o HASTUS é uma das mais antigas, resolvem grandes problemas combinatórios (que veículo cobre que viagens, como os serviços respeitam os acordos laborais, os pontos de rendição e as estações de recolha) para poupar veículos e horas pagas.

Há duas ressalvas importantes para quem compra. Primeiro, o otimizador trata os tempos de percurso e de regulação como dados de entrada. Se esses dados vierem do horário antigo e não de medições, um bloco «mais eficiente» pode significar simplesmente retirar tempo de recuperação que a rede viária não permite, o que depois se traduz em atrasos e viagens perdidas. Segundo, as novas funções de IA generativa (perguntas em linguagem natural, configuração assistida) mudam a interface, não a matemática subjacente.

Regulação em tempo real: o que existe hoje e o que ainda é piloto?

É aqui que a distância entre marketing e operação é maior.

O que é prática corrente hoje. Os Centros de Controlo de Operações já regulam o serviço em tempo real: reter um autocarro num ponto de controlo, inverter antecipadamente um autocarro atrasado para preencher uma lacuna no sentido oposto, introduzir um veículo de reserva ou passar uma linha de alta frequência para regulação por intervalo. A TfL descreve as inversões antecipadas, numa resposta a um pedido de acesso à informação, como decisões em que «normalmente são as circunstâncias que determinam a melhor forma de agir». Estas decisões são tomadas por reguladores com base nos ecrãs do SAE, em regras e na experiência. O software sugere cada vez mais ações, mas é uma pessoa que decide.

O que foi testado no terreno. Estocolmo realizou ensaios de exploração orientada para a regularidade (por intervalo) nas suas linhas troncais de autocarro, analisados por Oded Cats na Transport Policy (2014), que concluiu que a regularidade exige mudanças no planeamento, na operação e na monitorização, e não apenas um algoritmo de controlo. Mais recentemente, a Chicago Transit Authority (CTA) testou um sistema de apoio à decisão para controlo de intervalos na linha 81 (outubro de 2022, retenção no terminal) e na linha 66 (novembro de 2023, retenção em linha). Os tempos de espera baixaram 8,7% na ponta da manhã e 19,9% na ponta da tarde na linha 81, e 5,8% na ponta da tarde na linha 66, com as cargas no percentil 90 a descer 5,5%. Mas o cumprimento das instruções de retenção pelos motoristas foi de apenas 35% na linha 81 e 56,9% na linha 66, e os motoristas mais experientes foram os que menos cumpriram.

O que ainda é sobretudo investigação. A aprendizagem por reforço aplicada à retenção de autocarros e ao controlo da frota é um campo académico ativo, mas a grande maioria dos resultados publicados vem de simulações. A regulação totalmente automática, em que um algoritmo envia veículos de reforço ou inverte autocarros sem aprovação do regulador, não é prática corrente em nenhuma grande rede que tenhamos conseguido verificar.

Os inquéritos dos dois lados do Atlântico apontam no mesmo sentido. A UITP, a associação internacional de transportes públicos sediada em Bruxelas, concluiu no seu estudo «Moving Forward with Artificial Intelligence in Public Transport» (fevereiro de 2020, 48 organizações de transporte público inquiridas) que a gestão da operação em tempo real e a análise de clientes eram as aplicações de IA mais comuns, cada uma usada, testada ou oferecida por 25% dos inquiridos, enquanto o planeamento de rede e o desenho de percursos tinham ainda uma adoção relativamente baixa. Seis anos depois, o guia de IA da APTA (maio de 2026), baseado num inquérito a 32 entidades associadas da América do Norte, descreve um setor que está «a testar, a aprender e a escalar», com a operação entre as áreas de maior adoção prevista, e não de maior maturidade atual.

O que significa isto para um operador ou uma autoridade de transportes?

Antes de comprar um módulo de planeamento com IA, verifique as bases:

1. Meça os tempos de percurso por troço e faixa horária, não apenas de ponta a ponta, e durante semanas suficientes para separar padrões recorrentes de incidentes.
2. Audite a qualidade dos dados do SAE: intervalo de atualização da posição, taxa de associação das viagens (identificação do motorista), método de deteção das paragens, percentagem de viagens com registos completos.
3. Associe as cargas às viagens: os dados de contagem ou de bilhética só sustentam decisões sobre frequências se estiverem associados à viagem efetivamente realizada.
4. Feche o ciclo: compare cada novo horário com o serviço realizado depois da entrada em vigor e use esse resultado na calibração seguinte.
5. Trate a IA em tempo real primeiro como apoio à decisão: preveja a aceitação por reguladores e motoristas, porque os pilotos da CTA mostram que o cumprimento é a limitação decisiva.

É também aqui que o SAE ganha o seu lugar na cadeia de planeamento. Um SAE não redesenha a rede, mas produz os dados reais (viagens realizadas, tempos por troço, pontualidade por paragem e faixa horária, quilómetros) de que qualquer ferramenta de planeamento, com ou sem IA, precisa para acertar. Na Pysae, esses dados vêm do Operations, o módulo de supervisão da exploração em tempo real, enquanto o Network é o módulo em que os planos de transporte são editados com apoio de IA e exportados em GTFS e NeTEx.

Perguntas frequentes

A IA consegue desenhar sozinha uma nova rede de autocarros?

Não. As ferramentas conseguem gerar e avaliar cenários e prever a procura, mas os redesenhos que resultaram, como o BusConnects em Dublin ou a Nova Xarxa em Barcelona, foram conduzidos por planeadores que fizeram escolhas explícitas com a participação do público.

De que dados preciso antes de usar tempos de percurso previstos?

Registos do SAE ao nível da viagem, com horas de chegada e partida precisas nas paragens, uma percentagem elevada de viagens corretamente associadas a veículos e pelo menos uma estação completa de histórico por linha e faixa horária.

A regulação em tempo real por IA já é usada hoje?

Os Centros de Controlo de Operações regulam o serviço todos os dias com ferramentas do SAE. As recomendações algorítmicas foram testadas em pilotos no terreno, como o da CTA em Chicago. A regulação totalmente automática continua a ser investigação.

Fontes: Hounsell, Shrestha, Wong, «Data management and applications in a world-leading bus fleet», Transportation Research Part C (2012); TRID, «ATP: Run-time analysis and improved punctuality» (GIRO, 2011); National Transport Authority, «BusConnects Network Plan sees spike in passenger numbers in Dublin» e BusConnects Dublin Progress Report (março de 2025); Badia, Argote-Cabanero, Daganzo, «Network effects in bus transit: evidence from Barcelona's Nova Xarxa» (UC Berkeley, 2016); HERE, «What Oslo's buses can teach us about data collection» (Ruter); Digitransit, HSL High-Frequency Positioning API; TfL, resposta a pedido de acesso à informação sobre inversões antecipadas (WhatDoTheyKnow); Cats, «Regularity-driven bus operation», Transport Policy 36 (2014); Rodriguez et al., «Deploying robust decision support systems for transit headway control», arXiv 2509.08231 (2025); UITP, «Moving Forward with Artificial Intelligence in Public Transport», Action Points (fevereiro de 2020); APTA, AI and ML in Public Transit Primer (maio de 2026).