A rápida expansão do comércio eletrónico intensificou os desafios logísticos da «última milha» nas áreas urbanas, particularmente nos centros históricos das cidades, onde as limitações de infraestruturas criam congestionamentos persistentes. Este estudo desenvolve um quadro preditivo para identificar condições de tráfego críticas que afetam a distribuição de mercadorias no centro da cidade de Lisboa, respondendo ao desafio do LXDataLab de otimizar as operações de entrega e, simultaneamente, reduzir os impactos ambientais. Integrando 60 milhões de eventos do Waze, 30 768 restrições de trânsito e 537 estabelecimentos comerciais através da metodologia CRISP-DM, caracterizamos a dinâmica da oferta e da procura e prevemos janelas de entrega de alto risco. O agrupamento K-Means não supervisionado identifica cinco perfis distintos de trânsito urbano, revelando que o contexto espacial (21,4% de importância das características) domina os padrões temporais. Um classificador Random Forest atinge uma precisão global de 90%, identificando com sucesso quatro em cada cinco janelas de congestionamento críticas (83% de recall e F1-Score). O modelo permite evitar o congestionamento de forma proativa sem necessitar de infraestrutura de sensores em tempo real, demonstrando que métodos de conjunto interpretáveis alcançam um desempenho operacionalmente viável em conjuntos de dados urbanos heterogéneos. Propomos como trabalho futuro um sistema de reserva de intervalos para operações de carga como via de implementação imediata, fornecendo uma estrutura replicável para a otimização da logística urbana orientada por dados.

The rapid expansion of e-commerce has intensified last-mile logistics challenges in urban areas, particularly in historic city centers where infrastructure constraints create persistent congestion. This study develops a predictive framework to identify critical traffic conditions affecting freight distribution in Lisbon’s downtown area, addressing the LXDataLab challenge to optimize delivery operations while reducing environmental impacts. Integrating 60 million Waze events, 30,768 traffic restrictions, and 537 commercial establishments through the CRISP-DM methodology, we characterize supply-demand dynamics and predict high-risk delivery windows. Unsupervised K-Means clustering identifies five distinct urban traffic profiles, revealing spatial context (21.4% feature importance) dominates temporal patterns. A Random Forest classifier achieves 90% overall accuracy, successfully identifying four out of five critical congestion windows (83% recall and F1-Score). The model enables proactive congestion avoidance without requiring real-time sensor infrastructure, demonstrating that interpretable ensemble methods achieve operationally viable performance on heterogeneous urban datasets. We propose as future work a slot reservation system for loading operations as an immediate deployment pathway, providing a replicable framework for data-driven urban logistics optimization.

Autores: Laura Batista e Beatriz Maia | Professor Responsável: Leonor Melo, ISEC