Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/17623
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorPlaza, Conrado Vidotte-
dc.contributor.authorCampos, Allan Silva-
dc.date.accessioned2022-07-12T19:54:53Z-
dc.date.available2023-12-21T03:09:06Z-
dc.date.issued2022-06-30-
dc.identifier.citationCAMPOS, 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.urihttp://hdl.handle.net/11422/17623-
dc.languageporpt_BR
dc.publisherUniversidade Federal do Rio de Janeiropt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectTransporte públicopt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectFloresta aleatóriapt_BR
dc.subjectPrevisão de demandapt_BR
dc.subjectPublic transporten
dc.subjectMachine learningen
dc.subjectRandom forestsen
dc.subjectDemand forecastingen
dc.titleAplicação de florestas aleatórias para previsão da demanda de passageiros no transporte públicopt_BR
dc.typeTrabalho de conclusão de graduaçãopt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/3124621448606380pt_BR
dc.contributor.authorLatteshttp://lattes.cnpq.br/6813116338851493pt_BR
dc.contributor.advisorCo1Gomes, Janaína Sant’Anna Gomide-
dc.contributor.advisorCo1Latteshttp://lattes.cnpq.br/7073790805586544pt_BR
dc.contributor.referee1Santana, Laura Emmanuella Alves dos Santos-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/8996581733787436pt_BR
dc.contributor.referee2Ribeiro, Glaydston Mattos-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/5401369683892150pt_BR
dc.description.resumoO 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.countryBrasilpt_BR
dc.publisher.departmentInstituto Politécnicopt_BR
dc.publisher.initialsUFRJpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA CIVIL::INFRA-ESTRUTURA DE TRANSPORTESpt_BR
dc.embargo.termsabertopt_BR
Appears in Collections:Engenharia Civil

Files in This Item:
File Description SizeFormat 
ASCAMPOS.pdf1.83 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.