Um método que vem sendo cada vez mais aplicado à simulação de veículos é o sistema computacional de Cellular Automata (CA), que se destaca por ser de fácil implementação e capaz de bem representar comportamentos complexos, como o fluxo de tráfego, utilizando um número mínimo de parâmetros e regras simples que ditam a forma como os veículos se movimentam. O estudo de CA no Brasil é escasso e, apesar da grande quantidade de pesquisas internacionais realizadas, questiona-se sua aplicabilidade às rodovias brasileiras. Diante disso, esta pesquisa teve como objetivo implementar um modelo CA e calibrá-lo utilizando Algoritmo Genético (AG) e dados advindos de sensores. Quatro modelos CA com regras de diferentes características foram implementados com sucesso, com todos sendo capazes de simular os veículos, coletando os dados de posição e velocidade ao longo da simulação, e ilustrando a influência das diferentes regras no comportamento do tráfego. A análise dos diagramas espaço-tempo e veículos simulados identificou valores de desaceleração excessivos para três dos modelos implementados, acarretando na decisão de calibrar apenas o modelo baseado na pesquisa de Guzmán et al. (2018), combinando-o a um modelo de mudança de faixas (NAGEL et al., 1998). Testes de verificação da relação fluxo-densidade-velocidade foram realizados de maneira a analisar a capacidade do modelo representar o fluxo congestionado, implicando na necessidade de implementação de um acesso na via, já que a presença de veículos pesados não é suficiente para gerar congestionamentos, limitação esta característica de simuladores de tráfego, devido à forma como se dá a geração de veículos. Também foi realizada a verificação do impacto tanto de veículos pesados quanto acessos na corrente de tráfego, bem como uma análise de sensibilidade dos parâmetros do modelo, sendo que todos os testes corroboraram com o comportamento esperado da corrente de tráfego. Um trecho da rodovia SP-348 (Rodovia dos Bandeirantes) foi calibrado com dados disponíveis de velocidade e fluxo, advindos dos sensores da via, utilizando AG, também implementado com sucesso. A calibração foi feita com apenas oito parâmetros, porém o tempo de processamento foi um empecilho, possibilitando apenas 556 simulações em uma calibração de 7 dias. Apesar da redução de 300% do tempo de processamento após a otimização, o desempenho do modelo não se compara aos tempos obtidos pelas pesquisas estudadas, ainda que não tenham considerado as mesmas condições que esta pesquisa. Os resultados da calibração indicaram uma boa aderência dos dados apenas para regiões de fluxo livre, alcançando uma mediana das raízes do erro médio (erro_medio) de 15% nessas regiões, em contraste aos valores na faixa de 30% nos demais sensores. A validação resultou em valores similares de erro, não apresentando outliers. Os valores altos de erros para a região de fluxo congestionado decorreram do método de definição do banco de dados, que contém períodos não contínuos de oscilações bruscas de velocidade, comprovando que dados sem continuidade não foram adequados para o caso. A não aderência dos dados simulados a essas regiões, no entanto, implica que o modelo não permite simulações com distribuições anormais de velocidade. Uma nova calibração utilizando períodos contínuos comprovou a melhoria dos resultados, com a representação de regiões de congestionamentos por todas as faixas.

method that has increasingly been applied to vehicle simulation is the computational system Cellular Automata (CA), which stands out for its easy implementation and for being able to well represent complex behaviors, like the traffic flow, using a minimum number of parameters and simple rules that dictate the way the vehicles move around. The study of CA in Brazil is scarce and, despite the great amount of international researches, its applicability to Brazilian roads is questionable. This research is based on the hypothesis that it is possible to implement a CA model and obtain better results after its calibration through Genetic Algorithm (AG) and data coming from sensors. Four CA models with different characteristics were implemented successfully, with all of them being able to simulate vehicles, storing data of position and velocity throughout the simulation, and illustrating the influence different rules have on the traffic behavior. The analysis of the time-space diagrams and simulated vehicles identified excessive decceleration values for three of the four implemented models, leading to the decision of calibrating just one model, which was based on the research of Guzmán et al. (2018), combining it with a lane change model (NAGEL et al., 1998). Verifications tests of the flow-density-speed relationship were performed, analysing the model capacity of representing the jam flow regions, resulting in the addition of an on-ramp, since the inclusion of trucks was not enough to generate jams. This is a limitation of traffic simulators, due to the way vehicles are generated. A verification of the impact of both trucks and on-ramps on the traffic flow was also performed, as well as a sensibilty anaylisis of the model parameters, with all the tests confirming the expected traffic flow behavior. A segment of the road SP-348 was calibrated with the speed and flow data available, obtained from the sensors, using AG, also implemented successfully. The calibration was made with only eight parameters, although the processing time was an obstacle, allowing only 556 simulations in a 7 day calibration. Despite de reduction of 300% in processing time after the optimization, the model performance does not compare to the obtained results from the other researches, despite the usage of different conditions. The calibration results showed a good fit of the data only for free flow regions, reaching a mean error median of 15% in them, in contrast to 30% obtained to the remaning sensors. The validation resulted in similar error values, resulting in no outliers. The high error values for the jam flow regions are due to the database definition method, which contains non continuous periods of strong velocity oscilation, proving that non-continuos data were not suitable for the case. The non fitness of the simulated data to this regions though, imply that the model doesn't allow simulations with anormal velocity distributions. A new calibration using continuous periods improved the results, with all lanes representing the jam flow regions.