As Rodovias federais que atravessam a Região Metropolitana e cidades do interios estão constantemente congestionadas, não apenas pela quantidade de veículos, mas por odovias federais que atravessam a Região Metropolitana e cidades do interior estão serem alvo de paralisações das mais diversas matizes, como protestos de trabalhadores,
acidentes, danos na via, intempéries naturais e outros fatores de congestionamento. Em
situações extremas esses problemas poderiam paralisar até a produção das fábricas no seu
entorno, causando grandes prejuízos. Para dirimir alguns destes problemas, esta pesquisa
tem por objetivo propor e testar conceitos para uma plataforma autoadaptável que contemple um modelo preditivo de comportamento das rodovias federais que atravessam o
estado de Pernambuco na região Nordeste do Brasil, de modo que seja possível, antecipar
eventos que possam vir a causar constrangimentos, como retenção, redução do fluxo de
tráfego (gargálos) e paralisação. A fonte primária de dados desta pesquisa provém da
base de dados da Polícia Rodoviária Federal de Pernambuco (PRF/PE) entre 2007 e 2015
tendo considerado veículos, traçado da via e trechos da rodovia relacionados a acidentes.
Foram também utilizados dados da rede social Twitter dos últimos anos, tanto da PRF
quanto de pessoas que fizeram menção a acontecimentos nas BR’s (acidentes, paralisa-
ções, etc) no Estado de Pernambuco. Com base nas informações obtidas, foi realizada
uma Mineração de Dados utilizando a metodologia CRISP-DM, além de Mineração de
Textos para encontrar padrões comportamentais nas rodovias e em seu entorno. As tecnologias empregados para a mineração foram: Árvores de Decisão, Naïve Bayes e Redes
Neurais. Os valores da área sob a curva ROC (AUC) obtidos foram acima de 0.8 o que
representa um bom grau de confiabilidade. Com os dados do Twitter foram coletados
todos os tweets referentes a cada palavra chave, até ao limite imposto pelo aplicativo. As
tecnologias utilizadas foram Naïve Bayes, TF-IDF e, para exibir a geolocalização, foi utilizado o software de georreferenciamento Google Maps. Em comparação com abordagens
usuais de navegação, o modelo de predição proposto representa um avanço em termos de
mobilidade e gestão do transporte, tráfego em rodovias, uma vez que possibilita antecipar eventos e comportamentos, favorecendo a escolha de rotas alternativas e ampliando o
espaço temporal de escolha para determinadas rotas.