Aplicação de florestas aleatórias para previsão da demanda de passageiros no transporte público

Campos, Allan Silva

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/17623

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Plaza, Conrado Vidotte	-
dc.contributor.author	Campos, Allan Silva	-
dc.date.accessioned	2022-07-12T19:54:53Z	-
dc.date.available	2023-12-21T03:09:06Z	-
dc.date.issued	2022-06-30	-
dc.identifier.citation	CAMPOS, Allan Silva. Aplicação de florestas aleatórias para previsão da demanda de passageiros no transporte público. 2022. 62 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Civil) - Instituto Politécnico, Universidade Federal do Rio de Janeiro, Macaé, 2022.	pt_BR
dc.identifier.uri	http://hdl.handle.net/11422/17623	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Transporte público	pt_BR
dc.subject	Aprendizado de máquina	pt_BR
dc.subject	Floresta aleatória	pt_BR
dc.subject	Previsão de demanda	pt_BR
dc.subject	Public transport	pt_BR
dc.subject	Machine learning	pt_BR
dc.subject	Random forests	pt_BR
dc.subject	Demand forecasting	pt_BR
dc.title	Aplicação de florestas aleatórias para previsão da demanda de passageiros no transporte público	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.advisorLattes	http://lattes.cnpq.br/3124621448606380	pt_BR
dc.contributor.authorLattes	http://lattes.cnpq.br/6813116338851493	pt_BR
dc.contributor.advisorCo1	Gomes, Janaína Sant’Anna Gomide	-
dc.contributor.advisorCo1Lattes	http://lattes.cnpq.br/7073790805586544	pt_BR
dc.contributor.referee1	Santana, Laura Emmanuella Alves dos Santos	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/8996581733787436	pt_BR
dc.contributor.referee2	Ribeiro, Glaydston Mattos	-
dc.contributor.referee2Lattes	http://lattes.cnpq.br/5401369683892150	pt_BR
dc.description.resumo	O planejamento de um sistema de transporte público passa necessariamente pela previsão da demanda de passageiros, visto que todo um equilíbrio sistemático depende dessa noção, que se mal dimensionada, pode causar uma miríade de situações indesejadas para as operadoras de transporte, para os usuários do sistema, para o meio ambiente e consequentemente para todo restante da sociedade. Uma das soluções possíveis para realizar tal previsão é através do auxílio de Aprendizado de Máquina, materializado através do método de Florestas Aleatórias. Após uma revisão de conceitos do transporte, como oferta, demanda e alocação de recursos, e de conceitos de algoritmo, como métricas de desempenho e divisão treino e teste, foram conduzidos uma série de experimentos envolvendo a base de dados do transporte coletivo de ônibus de Belo Horizonte, entre 2016 e 2021. Experimentos estes, realizados com modelos de Floresta Aleatória, que variam em características, ou hiperparâmetros, a fim de avaliar a melhor estratégia de previsão, e seguindo a técnica “Janela Crescente com Validação Adiante” para percorrer o conjunto de dados com divisões de treino e teste. Além da repetição dos experimentos em diferentes divisões do conjunto de dados, permitindo uma melhor demonstração do Aprendizado de Máquina e das métricas de desempenho como R² e Erro Médio Absoluto. Ao fim do estudo, chegou-se à conclusão que os modelos geravam resultados interessantes na capacidade preditiva a partir da variação do hiperparâmetro “Profundidade Máxima da Árvore”, sem necessariamente aumentar o tempo de execução do modelo. Onde, por sua vez a variação do hiperparâmetro “Quantidade de Árvores” não causava tanta mudança no desempenho, com um aumento no tempo de execução do modelo.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Instituto Politécnico	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::ENGENHARIAS::ENGENHARIA CIVIL	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Engenharia Civil

Files in This Item:

File	Description	Size	Format
ASCAMPOS.pdf		1.83 MB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository