Forecasting travel assistance demand with Machine Learning

Detalhes bibliográficos
Autor(a) principal: Freitas, João Capucho Correia de
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10451/59336
Resumo: Tese de Mestrado, Ciência de Dados, 2022, Universidade de Lisboa, Faculdade de Ciências
id RCAP_4709da9e9f323b6bd2e9a63a3930a88d
oai_identifier_str oai:repositorio.ul.pt:10451/59336
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Forecasting travel assistance demand with Machine LearningSérie­TemporalAprendizagem AutomáticaAssistência em ViagemDeep LearningTeses de mestrado - 2022Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaTese de Mestrado, Ciência de Dados, 2022, Universidade de Lisboa, Faculdade de CiênciasMost vehicles on the road today include some form of travel assistance through an insurance company. Travel assistance companies work 24/7 at the behest of their clients to ensure that, in case of breakdown or accident, their vehicles can be safely repaired, on the road or in a garage. To ensure adequate service levels and quick response times, companies in the travel assistance domain need to have concrete historical knowledge on a multitude of indicators, including the number of assistance requests per/day, their hourly distribution, the types of breakdowns, etc. All these factors constitute the basis on which day­to­day planning is thought out, from the number of tow­trucks required, the number of contact­centre operators available their schedule, information systems capacity, etc. In this thesis real data from a company in the assistance domain is processed, analysed and prepared to feed into several forecasting models, from the most basic ‘moving average’ model, to complex deep learning model to both evaluate their comparative requirements and overall performance. Models, from the least to the most complex are examined in the literature review section as well as particular aspects of time­series data and what do those aspects entail in a forecasting exercise. The goal is to understand how well the ‘novel’ machine learning models such as those based on recurrent neural networks compare to more established statistical approaches such as SARIMA (Seasonal, Auto­Regressive, Integrated, Moving Average). The knowledge gained from this exercise will serve as the foundation for future works in time­series prediction.Tomás, Helena Isabel Aidos LopesRepositório da Universidade de LisboaFreitas, João Capucho Correia de2023-09-15T16:18:19Z202220222022-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10451/59336engmetadata only accessinfo: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:RCAAP2023-11-08T17:08:22Zoai:repositorio.ul.pt:10451/59336Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T22:09:16.326801Repositório 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 Forecasting travel assistance demand with Machine Learning
title Forecasting travel assistance demand with Machine Learning
spellingShingle Forecasting travel assistance demand with Machine Learning
Freitas, João Capucho Correia de
Série­Temporal
Aprendizagem Automática
Assistência em Viagem
Deep Learning
Teses de mestrado - 2022
Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
title_short Forecasting travel assistance demand with Machine Learning
title_full Forecasting travel assistance demand with Machine Learning
title_fullStr Forecasting travel assistance demand with Machine Learning
title_full_unstemmed Forecasting travel assistance demand with Machine Learning
title_sort Forecasting travel assistance demand with Machine Learning
author Freitas, João Capucho Correia de
author_facet Freitas, João Capucho Correia de
author_role author
dc.contributor.none.fl_str_mv Tomás, Helena Isabel Aidos Lopes
Repositório da Universidade de Lisboa
dc.contributor.author.fl_str_mv Freitas, João Capucho Correia de
dc.subject.por.fl_str_mv Série­Temporal
Aprendizagem Automática
Assistência em Viagem
Deep Learning
Teses de mestrado - 2022
Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
topic Série­Temporal
Aprendizagem Automática
Assistência em Viagem
Deep Learning
Teses de mestrado - 2022
Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
description Tese de Mestrado, Ciência de Dados, 2022, Universidade de Lisboa, Faculdade de Ciências
publishDate 2022
dc.date.none.fl_str_mv 2022
2022
2022-01-01T00:00:00Z
2023-09-15T16:18:19Z
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/10451/59336
url http://hdl.handle.net/10451/59336
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv metadata only access
info:eu-repo/semantics/openAccess
rights_invalid_str_mv metadata only access
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_ 1799134648733794304

Registros relacionados