🚦 SmartTraffic Aracaju

Sistema backend para coleta, análise e previsão de dados de trânsito em Aracaju, utilizando Java + Spring Boot + PostgreSQL, com integração futura com IA em Python.

---

📌 Objetivo

O objetivo do projeto é analisar o comportamento do trânsito ao longo do tempo, permitindo:

• Consultar histórico de tráfego por rota
• Identificar horários de pico
• Comparar dias da semana
• Prever condições futuras de trânsito (com IA)

---

🧠 Arquitetura

O sistema segue uma arquitetura baseada em microserviços:

[ Spring Boot API ] → [ PostgreSQL ]
         ↓
[ Python IA Service ]

---

⚙️ Tecnologias utilizadas

Backend

• Java 21
• Spring Boot
• Spring Data JPA
• Spring Web
• Jakarta Validation
• Lombok

Banco de dados

• PostgreSQL

IA (em desenvolvimento)

• Python
• FastAPI
• Pandas
• Scikit-learn

---

🧱 Estrutura do projeto

com.traffic.aracaju
 ├── controller
 ├── service
 ├── repository
 ├── entity
 ├── dto
 ├── exception

---

📊 Modelagem de dados

📍 Location

Representa um ponto geográfico.

• id
• name
• latitude
• longitude

---

🛣️ Route

Define uma rota entre dois pontos.

• id
• origin (Location)
• destination (Location)
• name

---

🚦 TrafficData

Armazena dados históricos de trânsito.

• id
• route
• timestamp
• duration
• durationInTraffic
• averageSpeed
• trafficLevel (LOW, MEDIUM, HIGH)

---

🔌 Endpoints principais

📍 Locations

POST   /locations
GET    /locations
GET    /locations/{id}

---

🛣️ Routes

POST   /routes
GET    /routes
GET    /routes/{id}
DELETE /routes/{id}

Exemplo de criação:

{
  "originId": 1,
  "destinationId": 2
}

---

🚦 Traffic Data (em desenvolvimento)

POST   /traffic-data
GET    /traffic-data
GET    /traffic-data/route/{id}

---

🧠 Lógica de análise de trânsito

O nível de trânsito é calculado com base na relação entre tempo normal e tempo com trânsito:

ratio = durationInTraffic / duration

Classificação:

• LOW → ratio < 1.2
• MEDIUM → ratio < 1.5
• HIGH → ratio ≥ 1.5

---

🔄 Coleta de dados (planejado)

Os dados serão coletados automaticamente via:

• Google Distance Matrix API

Com execução periódica (scheduler):

• a cada 10–15 minutos
• armazenando histórico para análise futura

---

🚀 Roadmap

✅ Fase 1

• CRUD completo (Location, Route, TrafficData)

🔄 Fase 2

• Cálculo de métricas de trânsito
• Filtros por horário e dia

🔜 Fase 3

• Integração com serviço de IA (Python)
• Previsão de trânsito

🔮 Fase 4

• Dashboard / visualização
• Alertas inteligentes

---

⚠️ Boas práticas adotadas

• Separação de camadas (Controller, Service, Repository)
• Uso de DTOs (evita exposição de entidades)
• Tratamento de exceções customizado
• Uso de paginação (Pageable)
• Enum para controle de estado (TrafficLevel)

---

📌 Melhorias futuras

• Autenticação com Spring Security
• Cache de consultas
• Integração com APIs externas (Waze, Google)
• Machine Learning para previsão de tráfego

---