Aplicação de florestas aleatórias para previsão da demanda de passageiros no transporte público
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRJ |
Texto Completo: | http://hdl.handle.net/11422/17623 |
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. |
id |
UFRJ_5dc889522902a561a360ba4f5aecc691 |
---|---|
oai_identifier_str |
oai:pantheon.ufrj.br:11422/17623 |
network_acronym_str |
UFRJ |
network_name_str |
Repositório Institucional da UFRJ |
repository_id_str |
|
spelling |
Campos, Allan Silvahttp://lattes.cnpq.br/312462144860638013433384762http://lattes.cnpq.br/6813116338851493Gomes, Janaína Sant’Anna Gomidehttp://lattes.cnpq.br/7073790805586544Santana, Laura Emmanuella Alves dos Santoshttp://lattes.cnpq.br/8996581733787436Ribeiro, Glaydston Mattoshttp://lattes.cnpq.br/5401369683892150Plaza, Conrado Vidotte2022-07-12T19:54:53Z2023-11-30T03:04:59Z2022-06-30CAMPOS, 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.http://hdl.handle.net/11422/17623Submitted by Nadia Mattos (nadiamattos@macae.ufrj.br) on 2022-07-07T20:35:22Z No. of bitstreams: 1 ASCAMPOS.pdf: 1874929 bytes, checksum: 5b4fd1dda1bd6da64b64298b0ec1f553 (MD5)Approved for entry into archive by Lia Baião Feder (liabaiao@macae.ufrj.br) on 2022-07-12T19:54:53Z (GMT) No. of bitstreams: 1 ASCAMPOS.pdf: 1874929 bytes, checksum: 5b4fd1dda1bd6da64b64298b0ec1f553 (MD5)Made available in DSpace on 2022-07-12T19:54:53Z (GMT). No. of bitstreams: 1 ASCAMPOS.pdf: 1874929 bytes, checksum: 5b4fd1dda1bd6da64b64298b0ec1f553 (MD5) Previous issue date: 2022-06-30O 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.porUniversidade Federal do Rio de JaneiroUFRJBrasilInstituto PolitécnicoCNPQ::ENGENHARIAS::ENGENHARIA CIVILTransporte públicoAprendizado de máquinaFloresta aleatóriaPrevisão de demandaPublic transportMachine learningRandom forestsDemand forecastingAplicação de florestas aleatórias para previsão da demanda de passageiros no transporte públicoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisabertoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJLICENSElicense.txtlicense.txttext/plain; charset=utf-81853http://pantheon.ufrj.br:80/bitstream/11422/17623/2/license.txtdd32849f2bfb22da963c3aac6e26e255MD52ORIGINALASCAMPOS.pdfASCAMPOS.pdfapplication/pdf1874929http://pantheon.ufrj.br:80/bitstream/11422/17623/1/ASCAMPOS.pdf5b4fd1dda1bd6da64b64298b0ec1f553MD5111422/176232023-11-30 00:04:59.942oai:pantheon.ufrj.br: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Repositório de PublicaçõesPUBhttp://www.pantheon.ufrj.br/oai/requestopendoar:2023-11-30T03:04:59Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false |
dc.title.pt_BR.fl_str_mv |
Aplicação de florestas aleatórias para previsão da demanda de passageiros no transporte público |
title |
Aplicação de florestas aleatórias para previsão da demanda de passageiros no transporte público |
spellingShingle |
Aplicação de florestas aleatórias para previsão da demanda de passageiros no transporte público Campos, Allan Silva CNPQ::ENGENHARIAS::ENGENHARIA CIVIL Transporte público Aprendizado de máquina Floresta aleatória Previsão de demanda Public transport Machine learning Random forests Demand forecasting |
title_short |
Aplicação de florestas aleatórias para previsão da demanda de passageiros no transporte público |
title_full |
Aplicação de florestas aleatórias para previsão da demanda de passageiros no transporte público |
title_fullStr |
Aplicação de florestas aleatórias para previsão da demanda de passageiros no transporte público |
title_full_unstemmed |
Aplicação de florestas aleatórias para previsão da demanda de passageiros no transporte público |
title_sort |
Aplicação de florestas aleatórias para previsão da demanda de passageiros no transporte público |
author |
Campos, Allan Silva |
author_facet |
Campos, Allan Silva |
author_role |
author |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3124621448606380 |
dc.contributor.authorID.pt_BR.fl_str_mv |
13433384762 |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/6813116338851493 |
dc.contributor.advisorCo1.none.fl_str_mv |
Gomes, Janaína Sant’Anna Gomide |
dc.contributor.advisorCo1Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/7073790805586544 |
dc.contributor.author.fl_str_mv |
Campos, Allan Silva |
dc.contributor.referee1.fl_str_mv |
Santana, Laura Emmanuella Alves dos Santos |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/8996581733787436 |
dc.contributor.referee2.fl_str_mv |
Ribeiro, Glaydston Mattos |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/5401369683892150 |
dc.contributor.advisor1.fl_str_mv |
Plaza, Conrado Vidotte |
contributor_str_mv |
Santana, Laura Emmanuella Alves dos Santos Ribeiro, Glaydston Mattos Plaza, Conrado Vidotte |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA CIVIL |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA CIVIL Transporte público Aprendizado de máquina Floresta aleatória Previsão de demanda Public transport Machine learning Random forests Demand forecasting |
dc.subject.por.fl_str_mv |
Transporte público Aprendizado de máquina Floresta aleatória Previsão de demanda Public transport Machine learning Random forests Demand forecasting |
description |
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. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-07-12T19:54:53Z |
dc.date.issued.fl_str_mv |
2022-06-30 |
dc.date.available.fl_str_mv |
2023-11-30T03:04:59Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
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. |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11422/17623 |
identifier_str_mv |
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. |
url |
http://hdl.handle.net/11422/17623 |
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.publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.publisher.initials.fl_str_mv |
UFRJ |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Instituto Politécnico |
publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRJ instname:Universidade Federal do Rio de Janeiro (UFRJ) instacron:UFRJ |
instname_str |
Universidade Federal do Rio de Janeiro (UFRJ) |
instacron_str |
UFRJ |
institution |
UFRJ |
reponame_str |
Repositório Institucional da UFRJ |
collection |
Repositório Institucional da UFRJ |
bitstream.url.fl_str_mv |
http://pantheon.ufrj.br:80/bitstream/11422/17623/2/license.txt http://pantheon.ufrj.br:80/bitstream/11422/17623/1/ASCAMPOS.pdf |
bitstream.checksum.fl_str_mv |
dd32849f2bfb22da963c3aac6e26e255 5b4fd1dda1bd6da64b64298b0ec1f553 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ) |
repository.mail.fl_str_mv |
|
_version_ |
1784097242664140800 |