Mostrar el registro sencillo del ítem

dc.contributor.advisorLarrañaga Uriarte, Ana Margaritapt_BR
dc.contributor.authorSantos, Mariana Lovato dospt_BR
dc.date.accessioned2023-05-23T03:27:24Zpt_BR
dc.date.issued2023pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/258392pt_BR
dc.description.abstractComo o planejamento no transporte urbano desempenha um papel essencial para o desenvolvimento sustentável dos sistemas de transporte, torna-se evidente a necessidade de explorar novas técnicas de análise para aprimorar a eficiência e a eficácia. Em particular, o uso de técnicas de Machine Learning (Aprendizado de Máquina) tem se mostrado promissor para lidar com os desafios complexos relacionados ao planejamento do transporte urbano. A incorporação desses algoritmos pode melhorar a capacidade de análise de dados e fornecer diretrizes para a tomada de decisões. Dado esse contexto, a presente dissertação foi dividida em dois artigos que tem por objetivos: (i) desenvolvimento de uma revisão sistemática da literatura para analisar de forma quantitativa os estudos existentes sobre planejamento de transporte urbano com modelos de Machine Learning, identificar os principais temas abordados, quais são as aplicações e como podem auxiliar na otimização dos sistemas de transporte urbano (ii) comparar modelos tradicionais de escolha discreta com algoritmos de Aprendizado de Máquina, a fim de analisar a previsão da escolha modal, utilizando dados provenientes de uma pesquisa de Preferência Declarada (PD) realizada em Porto Alegre em 2019. Os resultados obtidos na revisão sistemática indicam que os métodos de Aprendizado de Máquina estão em crescente utilização no planejamento de transportes. Dentre os métodos analisados, os modelos de previsão de demanda de tráfego e de transporte público se destacaram como os mais empregados na literatura. Além desses, outros métodos, como reconhecimento de sinais de trânsito, detecção de semáforos, classificação de veículos, detecção de pedestres, planejamento de tempo de viagem e de itinerário e comparativos entre algoritmos diferentes também foram frequentemente utilizados. Os resultados do estudo comparativo indicam que o modelo de Logit Multinomial (MLM) apresentou uma acurácia preditiva significativamente maior em comparação com os outros modelos de Aprendizado de Máquina testados. A taxa de acerto do MLM foi de 52,03%, seguida pelo método de Floresta Aleatória (FA) com 41,79%, e as Redes Neurais Artificiais (RNAs) com 40,94%. Esses resultados podem ser explicados pelo fato de que a base de dados utilizada na análise continha poucas observações para os modos de transporte Lotação e Táxi.pt_BR
dc.description.abstractAs urban transportation planning plays an essential role in the sustainable development of transportation systems, there is a clear need to explore new analysis techniques to improve the efficiency and effectiveness of planning. In particular, the use of Machine Learning (ML) techniques has shown promise in dealing with complex challenges related to urban transportation planning. The incorporation of these algorithms can significantly improve data analysis capabilities and provide guidelines for decision-making. Given this context, this dissertation is divided into two articles that aim to: (i) develop a systematic literature review to quantitatively analyze existing studies on urban transportation planning with Machine Learning models, identify the main themes addressed, what are the applications, and how they can assist in optimizing urban transportation systems, (ii) compare traditional discrete choice models with Machine Learning algorithms to analyze modal choice prediction using data from a Stated Preference (SP) survey conducted in Porto Alegre in 2019. The results of the systematic review indicate that Machine Learning methods are increasingly being used in transportation planning. Among the methods analyzed, traffic and public transport demand prediction models stood out as the most frequently used in the literature. Additionally, other methods such as traffic sign recognition, traffic signal detection, vehicle classification, pedestrian detection, travel time and itinerary planning, and comparative studies between different algorithms were also frequently used. The results of the comparative study indicate that the Multinomial Logit Model (MLM) presented significantly higher predictive accuracy compared to other Machine Learning models tested. The MLM accuracy rate was 52.03%, followed by the Random Forest (RF) method with 41.79%, and the Artificial Neural Networks (ANNs) with 40.94%. These results may be explained by the fact that the database used in the analysis contained few observations for the Lotação and Taxi transportation modes.en
dc.format.mimetypeapplication/pdfpt_BR
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectTransporte urbano : Planejamentopt_BR
dc.subjectModal choiceen
dc.subjectFlexible transporten
dc.subjectAprendizado de máquinapt_BR
dc.subjectAlgoritmospt_BR
dc.subjectMultinomial Logit Modelen
dc.subjectTransporte urbano : Demandapt_BR
dc.subjectDecision treeen
dc.subjectRandom Foresten
dc.subjectArtificial Neural Networksen
dc.titleAlgoritmos de aprendizado de máquina supervisionados aplicados em transportes : comparativo com Modelo Logit Multinomial para escolha modalpt_BR
dc.typeDissertaçãopt_BR
dc.identifier.nrb001169173pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentEscola de Engenhariapt_BR
dc.degree.programPrograma de Pós-Graduação em Engenharia de Produção e Transportespt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2023pt_BR
dc.degree.levelmestradopt_BR


Ficheros en el ítem

Thumbnail
   

Este ítem está licenciado en la Creative Commons License

Mostrar el registro sencillo del ítem