15maio2025
09:00 Defesa de Mestrado Sala 53 do IC2
Tema
Federated Learning para previsão de tráfego em Cidades Inteligentes
Aluno
Matteus Vargas Simão da Silva
Orientador / Docente
Luiz Fernando Bittencourt - Coorientador: Gerberth Adín Ramírez Rivera
Breve resumo
Esta dissertação investiga a aplicação de Federated Learning (FL) para previsão de tráfego urbano por meio do sistema denominado Fluxo Urbano Federado. Frente ao crescimento acelerado das áreas urbanas, que gera congestionamentos, atrasos e impactos ambientais, as abordagens centralizadas de machine learning enfrentam desafios relativos à privacidade, altos custos de comunicação e à heterogeneidade dos dados. Em contraste, o FL permite que os dados permaneçam localmente, enquanto os clientes treinam modelos de deep learning e compartilham apenas atualizações de parâmetros com um servidor central, promovendo a preservação da privacidade e reduzindo a sobrecarga comunicacional. O Fluxo Urbano Federado explora comparativamente três arquiteturas de redes neurais — LSTM, GRU e Transformer — cada uma equipada com mecanismos de atenção que capturam relações espaço-temporais complexas nos dados de tráfego. Para mitigar os efeitos dos dados não independentes e não idênticos (non-IID), o sistema integra duas estratégias de agregação: FedAvg, que calcula uma média ponderada dos parâmetros dos clientes, e FedProx, que adiciona um termo de penalização para reduzir divergências entre os modelos locais e o global. Como base experimental, utiliza-se o dataset METR-LA, que reúne medições contínuas de sensores instalados em vias de Los Angeles, proporcionando uma rica fonte de informações sobre padrões diários e variações abruptas no tráfego. Foram conduzidos experimentos em 21 cenários distintos, variando o número de clientes, rodadas de treinamento, horizonte de previsão e a inclusão de variáveis contextuais (tais como sazonalidade e características locais, exemplificadas pela densidade de tráfego e infraestrutura viária). As análises basearam-se em métricas de desempenho — MAE, RMSE, MAPE e R² — e no monitoramento do volume de dados transferidos, permitindo uma avaliação abrangente da relação entre acurácia e custo de comunicação. Os resultados demonstram que, em cenários com dados relativamente homogêneos, o uso de modelos Transformer ou LSTM em conjunto com a estratégia FedAvg e a inclusão de variáveis contextuais gera previsões mais precisas, com R² elevado e menor erro. Por outro lado, embora o método FedProx se mostre eficaz na redução de divergências em ambientes altamente heterogêneos, ele acarreta custos computacionais e comunicacionais superiores. Adicionalmente, horizontes de previsão curtos (por exemplo, 12→12) tendem a oferecer melhor desempenho do que previsões de longo prazo, que sofrem com o acúmulo de incertezas, e configurações com número excessivo de clientes ou rodadas comprometem a estabilidade do treinamento. Assim, o Fluxo Urbano Federado comprova a viabilidade do FL para previsão de tráfego urbano, oferecendo um pipeline modular e reprodutível que orienta a implementação de sistemas de transporte inteligente. As contribuições centrais deste estudo incluem a flexibilidade experimental para ajustar arquiteturas e parâmetros, além de diretrizes práticas para equilibrar acurácia, escalabilidade e custo de comunicação. Além disso, a flexibilidade e a reprodutibilidade do sistema permitem adaptações para diferentes contextos urbanos, demonstrando seu elevado potencial de aplicação prática.
Banca examinadora
Titulares:
| Luiz Fernando Bittencourt | IC/UNICAMP |
| Maycon Leone Maciel Peixoto | IME/UFBA |
| Carlos Alberto Astudillo Trujillo | IC/UNICAMP |
Suplentes:
| Leandro Aparecido Villas | IC/UNICAMP |
| Douglas Dyllon Jeronimo de Macedo | CIN/UFSC |