Modelo de previsão de ausências de tripulantes de transportes ferroviários

• Autor(a) principal: Salvado, Miguel Fernandes
• 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
• topic: Rede neuronal artificial; Série temporal; Previsão de ausências; Aprendizagem automática; Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática

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.