Modelo de previsão de ausências de tripulantes de transportes ferroviários
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10362/163573 |
Resumo: | As ausências não planeadas podem causar situações extremamente indesejáveis para as empresas em geral e para os operadores ferroviários em especial. De forma a responder às ausências, o operador estabelece um contingente de tripulantes de reserva consoante as previsões que possam existir para a quantidade de ausências. Para minimizar os custos, o operador tenta limitar o número de reservas. Porém, se não existirem tripulantes de reserva suficientes para preencher as necessidades, é possível negociar com um trabalhador que não estava planeado trabalhar nesse dia, com um custo adicional. No caso de não existir nenhum trabalhador disponível, a empresa pode ver-se obrigada a atrasar ou até mesmo a cancelar comboios, criando assim um problema não só para o operador como para os passageiros. Aescassez de recursos humanos que se tem verificado no sector ferroviário e a incerteza sobre o número de tripulantes de reserva necessários para cada hora do dia, acentua o problema mencionado anteriormente. Esta dissertação tem como objetivo a criação de um modelo preditivo que seja eficaz na previsão do número de maquinistas e revisores, de um operador ferroviário, que possam estar ausentes numa determinada data por fatores relacionados com a sua própria saúde ou com a saúde da sua família. Assim, o modelo criado irá auxiliar o operador no processo de planeamento dos tripulantes de reserva e consequentemente amenizar os custos associados às ausências dos mesmos. Foram criados vários modelos recorrendo às redes neuronais, como redes Feedforward, Transformers e recorrentes, nomeadamente Long Short-Term Memory, obtendo os melhor resultados nas redes Long Short-Term Memory. Neste projeto são utilizados dados históricos, nomeadamente entre os anos 2009 e 2021, fornecidos por um operador ferroviário no Norte da Europa. Estes dados incluem dados biográficos e registos da atividade de 4000 tripulantes geograficamente distribuídos por 24 bases operacionais. |
id |
RCAP_05765c41b7b07c9de52bc288a56711da |
---|---|
oai_identifier_str |
oai:run.unl.pt:10362/163573 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Modelo de previsão de ausências de tripulantes de transportes ferroviáriosRede neuronal artificialSérie temporalPrevisão de ausênciasAprendizagem automáticaDomínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaAs ausências não planeadas podem causar situações extremamente indesejáveis para as empresas em geral e para os operadores ferroviários em especial. De forma a responder às ausências, o operador estabelece um contingente de tripulantes de reserva consoante as previsões que possam existir para a quantidade de ausências. Para minimizar os custos, o operador tenta limitar o número de reservas. Porém, se não existirem tripulantes de reserva suficientes para preencher as necessidades, é possível negociar com um trabalhador que não estava planeado trabalhar nesse dia, com um custo adicional. No caso de não existir nenhum trabalhador disponível, a empresa pode ver-se obrigada a atrasar ou até mesmo a cancelar comboios, criando assim um problema não só para o operador como para os passageiros. Aescassez de recursos humanos que se tem verificado no sector ferroviário e a incerteza sobre o número de tripulantes de reserva necessários para cada hora do dia, acentua o problema mencionado anteriormente. Esta dissertação tem como objetivo a criação de um modelo preditivo que seja eficaz na previsão do número de maquinistas e revisores, de um operador ferroviário, que possam estar ausentes numa determinada data por fatores relacionados com a sua própria saúde ou com a saúde da sua família. Assim, o modelo criado irá auxiliar o operador no processo de planeamento dos tripulantes de reserva e consequentemente amenizar os custos associados às ausências dos mesmos. Foram criados vários modelos recorrendo às redes neuronais, como redes Feedforward, Transformers e recorrentes, nomeadamente Long Short-Term Memory, obtendo os melhor resultados nas redes Long Short-Term Memory. Neste projeto são utilizados dados históricos, nomeadamente entre os anos 2009 e 2021, fornecidos por um operador ferroviário no Norte da Europa. Estes dados incluem dados biográficos e registos da atividade de 4000 tripulantes geograficamente distribuídos por 24 bases operacionais.Unplanned absences can lead to highly undesirable situations for companies in general and especially for railway operators. In order to address these absences, the operator establishes a reserve crew contingent based on any forecasts for the expected number of absences. To minimize costs, the operator seeks to limit the number of reserves. However, if there are not enough reserve crew members to meet the needs, it is possible to negotiate with a worker who was not originally scheduled to work that day, incurring additional costs. In the absence of any available workers, the company may be forced to delay or even cancel trains, creating a problem not only for the operator but also for passengers. The shortage of human resources in the railway sector and the uncertainty about the number of required reserve crew members for each hour of the day aggravate the previously mentioned problem. The objective of this dissertation is to develop a predictive model effective in forecasting the number of drivers and guards from a railway operator who may be absent on a given date due to factors related to their own health or the health of their family. Thus, the proposed model will assist the operator in the process of planning reserve crews and consequently mitigate the costs associated with their absences. Various models have been developed using neural networks, including Feedforward, Transformers and recurrent networks, notably Long Short-Term Memory, with the best results obtained in Long Short-Term Memory networks. This project utilizes historical data, specifically from the years 2009 to 2021, provided by a railway operator in Northern Europe. These data include biographical information and activity records of 4000 crew members geographically distributed across 24 operational bases.Rodrigues, RuiRUNSalvado, Miguel Fernandes2024-02-15T15:19:44Z2023-122023-12-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10362/163573porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-03-11T05:47:30Zoai:run.unl.pt:10362/163573Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T03:59:28.385556Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Modelo de previsão de ausências de tripulantes de transportes ferroviários |
title |
Modelo de previsão de ausências de tripulantes de transportes ferroviários |
spellingShingle |
Modelo de previsão de ausências de tripulantes de transportes ferroviários Salvado, Miguel Fernandes Rede neuronal artificial Série temporal Previsão de ausências Aprendizagem automática Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
title_short |
Modelo de previsão de ausências de tripulantes de transportes ferroviários |
title_full |
Modelo de previsão de ausências de tripulantes de transportes ferroviários |
title_fullStr |
Modelo de previsão de ausências de tripulantes de transportes ferroviários |
title_full_unstemmed |
Modelo de previsão de ausências de tripulantes de transportes ferroviários |
title_sort |
Modelo de previsão de ausências de tripulantes de transportes ferroviários |
author |
Salvado, Miguel Fernandes |
author_facet |
Salvado, Miguel Fernandes |
author_role |
author |
dc.contributor.none.fl_str_mv |
Rodrigues, Rui RUN |
dc.contributor.author.fl_str_mv |
Salvado, Miguel Fernandes |
dc.subject.por.fl_str_mv |
Rede neuronal artificial Série temporal Previsão de ausências Aprendizagem automática Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
topic |
Rede neuronal artificial Série temporal Previsão de ausências Aprendizagem automática Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
description |
As ausências não planeadas podem causar situações extremamente indesejáveis para as empresas em geral e para os operadores ferroviários em especial. De forma a responder às ausências, o operador estabelece um contingente de tripulantes de reserva consoante as previsões que possam existir para a quantidade de ausências. Para minimizar os custos, o operador tenta limitar o número de reservas. Porém, se não existirem tripulantes de reserva suficientes para preencher as necessidades, é possível negociar com um trabalhador que não estava planeado trabalhar nesse dia, com um custo adicional. No caso de não existir nenhum trabalhador disponível, a empresa pode ver-se obrigada a atrasar ou até mesmo a cancelar comboios, criando assim um problema não só para o operador como para os passageiros. Aescassez de recursos humanos que se tem verificado no sector ferroviário e a incerteza sobre o número de tripulantes de reserva necessários para cada hora do dia, acentua o problema mencionado anteriormente. Esta dissertação tem como objetivo a criação de um modelo preditivo que seja eficaz na previsão do número de maquinistas e revisores, de um operador ferroviário, que possam estar ausentes numa determinada data por fatores relacionados com a sua própria saúde ou com a saúde da sua família. Assim, o modelo criado irá auxiliar o operador no processo de planeamento dos tripulantes de reserva e consequentemente amenizar os custos associados às ausências dos mesmos. Foram criados vários modelos recorrendo às redes neuronais, como redes Feedforward, Transformers e recorrentes, nomeadamente Long Short-Term Memory, obtendo os melhor resultados nas redes Long Short-Term Memory. Neste projeto são utilizados dados históricos, nomeadamente entre os anos 2009 e 2021, fornecidos por um operador ferroviário no Norte da Europa. Estes dados incluem dados biográficos e registos da atividade de 4000 tripulantes geograficamente distribuídos por 24 bases operacionais. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-12 2023-12-01T00:00:00Z 2024-02-15T15:19:44Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10362/163573 |
url |
http://hdl.handle.net/10362/163573 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799138174353539072 |