Um dos principais problemas das grandes cidades hoje é, sem dúvida, o trânsito intenso de veículos que causa lentidão e engarrafamentos diários, principalmente nos horários de pico. Os pesquisadores têm desenvolvido vários estudos para buscar soluções para este problema, mas devido às características do sistema de trânsito, ainda não existe uma posição de consenso sobre qual é o melhor método a ser utilizado. Este trabalho apresenta uma melhoria do modelo de Redes Neurais Bio-Inspiradas desenvolvido anteriormente que se baseia em controle multiagente de semáforos, com uma abordagem distribuída para resolver o problema, na qual cada agente controla a sua interseção e envia e recebe informações de agentes de controle de interseções vizinhas. Baseado nesse modelo, o objetivo deste trabalho foi estender para incluir informações como: a distância entre as interseções, velocidade dos veículos e número de faixas da via comum entre essas interseções, diferenciando as relações existentes entre as interseções. Com esse objetivo, foram estudados três métodos para calcular o coeficiente de relação entre interseções vizinhas de forma off-line na fase de configuração do modelo. Os métodos de Regressão estudados foram validados por meio de um cenário real da cidade de São Paulo para estimar o impacto dos métodos e selecionar o método com melhor resultado. Os indicadores de desempenho utilizados nessa avaliação são: o Tempo Médio de Viagem dos veículos e o Nível de Ocupação das Vias. Nos resultados obtidos, o modelo de Rede Neural Bio-Inspirada com o método de Redes Neurais Artificiais para o cálculo do coeficiente de relação entre interseções vizinhas obteve resultados superiores quando comparado com o Modelo de Redes Neurais Bio-inspiradas inicialmente proposto em e com os outros dois métodos para o cálculo do coeficiente de relação e com o modelo sem diferenciar as relações, além de corroborar que o controle proposto é significativamente melhor que o controle atualmente utilizado na maioria das interseções da cidade.

One of the main problems in big cities today is undoubtedly the heavy traffic that causes delays and daily traffic jams, especially at peak hours. Researchers have developed several studies to find solutions to this problem, but due to the characteristics of the transit system, there is still no consensus position on which method is best to use. This paper presents an improvement on the previously developed Bio-Inspired Neural Networks model that is based on multi-agent semaphore control with a distributed approach to solving the problem where each agent controls its intersection and sends and receives information from control agents, from neighboring intersections. Based on this model, the objective of this work was to improve the previous works to include information such as the distance between intersections, vehicle speed, and the number of lanes between these intersections, differentiating the relationships between intersections. For this purpose, three methods were studied to calculate the correlation coefficient between neighboring intersections, the methods were used offline in the model configuration phase. The regression methods studied were validated through a real scenario of the city of São Paulo to estimate the impact of the methods and select the method with the best result. The performance indicators used in this evaluation are the average travel time of vehicles and the road occupancy level. In the obtained results, the Bio-Inspired Neural Network model with the Artificial Neural Networks method for the calculation of the coefficient of relationship between neighboring intersections obtained superior results when compared to the Bio-Inspired Neural Network Model initially proposed and with the others two previous methods for calculating the relationship coefficient. The results corroborate that the proposed control is significantly better than the control currently used in most city intersections.