O tráfego de veículos no ambiente urbano se apresenta complexo, com variações que dependem de seus usuários, de condições meteorológicas e de situações que impactam o fluxo através da rede viária. Equipamentos de fiscalização, distribuídos pelas vias, podem ser utilizados como sensores para outros sistemas de tráfego. Existe a necessidade de estudos a respeito de métodos que possam tratar os dados, gerados por esses equipamentos, transformando-os em informações úteis para os sistemas de monitoramento e controle das condições do tráfego. A estimação de tráfego consiste em atualizar, para o momento presente, as informações de tráfego defasadas - recebidas de sensores e outras fontes - tendo em vista os tempos de transmissão, tratamento e processamento dos dados. Assim, a estimação pode ser feita olhando-se para um intervalo à frente ao da coleta dos dados. O objetivo desta tese é propor uma metodologia para estimar as características espaço-temporais do tráfego em condições dinâmicas (tempo próximo ao real), visando a previsão de tráfego de curto prazo, para uso em sistemas de controle e informação de tráfego. A metodologia de estimação proposta nesta pesquisa inclui, entre outros, os passos de montagem de séries temporais e aplicação de modelos estatísticos para a estimação das condições de tráfego. Para o processo de estimação foram aplicados modelos de Autorregressão Espaço-Temporal de Médias Móveis Integradas (STARIMA) e Regressões para Dados em Painel. No caso dos dados em painel, verificou-se a aplicação de Modelos Longitudinais e Modelos Lineares Hierarquizados (HLM) pelo local - via e sensor - e pelo tempo - dia útil, dia da semana e período do dia. Diversas variáveis explicativas foram testadas nos modelos em painel, incluindo a quantidade de chuva, presença de faixa exclusiva de ônibus, quantidade de faixas de rolamento e classe da via. Para aplicação do modelo STARIMA foi elaborada uma pesquisa detalhada sobre as matrizes de peso espacial. Como resultado, foi verificada a viabilidade de uso de matrizes agrupadas, que são mais simples em comparação com os outros modelos utilizados e inédito nos modelos de estimação e previsão de tráfego com STARIMA. Matrizes com pesos assimétricos, baseados no tempo ou velocidade de percurso superaram os modelos simétricos que são mais usuais nas previsões de volume (fluxo). As previsões de velocidade pontual, feitas com cenários baseados em Dados em Painel, obtiveram acurácia um pouco superior ao STARIMA nos períodos com tráfego normal. Para os períodos de tráfego atípico o STARIMA apresentou melhor acurácia. Os modelos testados se mostraram viáveis aos processos de estimação de tráfego em tempo próximo ao real, com MAPE entre 6% e 7%, tanto nas estimações de volume como de velocidade. Esta tese apresenta a aplicação de dados reais e detalha as etapas e critérios de desenvolvimento dos modelos, de modo a possibilitar que outros pesquisadores apliquem os modelos em situações reais e em futuras pesquisas.

Vehicle traffic in the urban environment is complex, containing variations that depend on its users, weather conditions, and situations that impact the flow through the road network. Traffic surveillance equipment distributed along the roads can be used as sensors for other traffic systems. There is a need for studies on methods that can treat the data generated by this equipment, transforming it into useful information for traffic monitoring systems. Traffic estimation consists in updating, for the present moment, the lagged traffic information - received from sensors and other sources - considering the data transmission, treatment and processing times. Thus, estimation can be done by looking at a period ahead of that of the data collection. The objective of this thesis is to propose a methodology to estimate the space-time characteristics of traffic under dynamic conditions (near real-time), for daily operation of urban traffic, aiming at short-term traffic forecasting. The estimation methodology proposed in this research includes, among others, time series assembly steps and application of statistical models for the estimation of traffic conditions. For the estimation process, "Space-Time Autoregression Integrated Moving Averages" (STARIMA) and "Regressions for Panel Data" models were applied. In the case of panel data, Longitudinal Models and Hierarchical Linear Models (HLM) were applied by location - track and sensor - and by time - weekday, weekday, and period of the day. Several explanatory variables were tested in the panel models, including the amount of rain, the presence of exclusive bus lanes, the number of lanes, and the class of roadway. For the application of STARIMA, a detailed research on spatial weight matrices was carried out. As a result, the feasibility of using clustered matrices was verified, considering that they are simpler compared to the other models used and unprecedented in traffic estimation and prediction models with STARIMA. Matrices with asymmetric weights based on travel time or speed outperformed the symmetric models that are more usual in volume (flow) predictions. The instantaneous speed predictions made with scenarios based on Panel Data obtained slightly better accuracy than the best scenario with STARIMA. The point speed predictions, made with scenarios based on Panel Data, obtained slightly better accuracy than STARIMA in periods with regular traffic. For periods of atypical traffic, STARIMA showed better accuracy. The tested models proved to be feasible for traffic estimation processes in near real time, with MAPE between 6% and 7%, both in volume and speed estimations. This thesis presents the application of real data and details the steps and criteria of model development to enable other researchers to apply the models in real situations and in future research.