In the topic of Smart Transportation, urban planning took great advantage from computational simulation tools for traffic. In microsimulations, one important step is calibration, which is accomplished by tuning the values of simulation inputs, in order to match its internal metrics with those from real-world data. The process is iterative, time-consuming and is traditionally done manually by a traffic engineer. This research proposes a methodology to automatically calibrate traffic simulations. Initially a large number of simulations are run to create an extensive dataset of examples. Then, the dataset is used for training Artificial Neural Networks that are capable of estimating the simulation inputs that deliver the target output metrics, thus calibrating the simulations upon request of specific scenarios. Validation experiments were conducted to calibrate the routing and flow setup of simulations, and in these experiments it has been verified a high correlation, above 80%, between the estimates from the Neural Networks and the desired values for the input variables of the simulator, therefore validating the proposed methodology and the capabilities of automation and scalability of the calibration process. The evaluation of the Neural Networks also delivers the metrics for each individual input variable, such as vehicle volumes and route decisions, thus allowing the user to choose or ignore the estimates for those variables with poor performance and instead proceed to manual calibration. Finally, two experiments investigated the calibration capabilities of driving behavior parameters, a more abstract type of variable. For this type, results were observed with acceptable accuracy for about half of the parameters. In this case, it is the users choice to ignore the variables with the worst performances and use those with acceptable performances as a starting point for refinement. The proposed methodology has been shown to be capable of estimating with sufficient accuracy a significant part of the calibration parameters, thus reducing the workload of a traffic engineer and allowing more dedication to the work of scenario analysis.

No campo de Transporte Inteligente, o planejamento urbano se beneficia de ferramentas computacionais de simulação de tráfego. Nas microssimulações, um passo importante é a calibração, que envolve o ajuste de parâmetros de entrada da simulação, de forma que as métricas de saída correspondam àquilo observado no mundo real. Trata-se de um processo iterativo e demorado, sendo tradicionalmente feito manualmente por um engenheiro de tráfego. Esta pesquisa propõe uma metodologia para calibrar automaticamente as simulações de tráfego. Inicialmente, executa-se um grande número de simulações e constrói-se um extenso banco de dados de casos. Depois, utiliza-se esse banco de dados para treinar redes neurais capazes de estimar as entradas do simulador que levam a determinados resultados, ou seja, dos cenários de estudo desejados. Este processo corresponde efetivamente à calibração da microssimulação de uma rede de transportes operando sob determinada condição. Experimentos de validação calibraram as configurações de roteamento e volume de tráfego nas simulações, sendo que nestes experimentos foi verificada uma alta correlação, acima de 80%, entre as estimativas das redes neurais e os valores desejados para as variáveis de entrada do simulador. Os experimentos demonstraram a possibilidade de automatizar e tornar escalável o processo de calibração. A avaliação das redes neurais forneceu as métricas individuais de cada variável de entrada do simulador, como volumes de veículos e decisões de rota, permitindo ao usuário escolher ou ignorar as estimativas com mau desempenho e alternativamente calibrá-las manualmente. Finalmente, dois experimentos investigaram a calibração de parâmetros comportamentais dos motoristas, um tipo de variável mais abstrata; Para esse tipo de variável, foram observados resultados com acurácia aceitável para cerca de metade dos parâmetros estimados. Neste caso, caberá ao usuário a escolha de ignorar as variáveis de pior desempenho e usar somente aquelas de desempenho satisfatório como um ponto de partida para refinamentos manuais. A metodologia proposta mostrou ser capaz de estimar com acurácia suficiente uma parte significativa dos parâmetros de calibração, o que reduzirá o esforço do engenheiro de tráfego na etapa de calibração e permitirá que se dedique ao seu trabalho de análise de cenários.