Using machine learning to predict activity chains and mode choice on transportation models

Detalhes bibliográficos
Autor(a) principal: Miranda, Daniele Firme
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: https://repositorio.unb.br/handle/10482/40273
Resumo: Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2020.
id UNB_6989e94f2ce1833fe7f0a68d6de2ec08
oai_identifier_str oai:repositorio.unb.br:10482/40273
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Using machine learning to predict activity chains and mode choice on transportation modelsModelagem de transportesAprendizagem de máquinaMobilidade urbanaDissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2020.Considerando as viagens como demanda derivada da necessidade das pessoas de executar suas atividades, fica claro que um melhor entendimento de como as pessoas organizam essas atividades durante o dia leva a uma modelagem de demanda por transportes mais sólida. Replicando decisões desagregadas (individuais) de transporte, os modelos baseados em atividades podem produzir melhores previsões de demanda por viagens comparados às gerações anteriores de abordagens de modelagem (a modelagem baseada em viagens, por exemplo). Um artigo publicado em 2019 se destaca entre as produções científicas recentes relacionadas à modelagem baseada em atividades por propor um modelo composto para geração de diários detalhados de atividades para agentes, com base em suas características socioeconômicas, o Agendador de Atividades Baseado em Dados (Data-Driven Activity Scheduler – DDAS). O objetivo deste trabalho foi desenvolver uma replicação comentada da abordagem metodológica de dois módulos do DDAS: o Modelo de Tipo de Atividade (Activity Type Model – ATM) e o Modelo de Escolha Modal (Mode Choice Model – MCM). Objetivos específicos incluíam a replicação destes módulos do DDAS usando dados da Pesquisa de Mobilidade Urbana do Distrito Federal, que é significativamente maior que a base de dados utilizada no artigo original. Além disso, pretendia-se investigar possíveis melhorias a serem feitas aos modelos do DDAS ou ao seu método de validação. Os resultados obtidos indicaram que uma modificação no método de treino dos modelos poderia compensar o desbalanço de frequência entre as classes. Assim, foi desenvolvida uma segunda implementação usando a técnica de SMOTE (Synthetic Minority Oversampling Technique – Técnica de Sobreamostragem Sintética de Minoria) para treinar os módulos ATM e MCM. Apesar de terem sido obtidas cadeias de atividades mais realistas a partir dessa segunda implementação, o score de validação para o módulo ATM foi baixo. Dessa forma, uma terceira implementação foi desenvolvida, com os modelos treinados como classificadores Random Forest no lugar de classificadores de árvore de decisão isoladas. Foi observada melhoria significativa nos resultados desse terceiro modelo, tanto no treinamento quanto na validação, para ambos os módulos ATM e MCM. Além disso, outra contribuição desse trabalho foi a disponibilização pública de todos os códigos desenvolvidos durante sua condução.When travel is considered a demand derived from people’s need to perform activities, it becomes clear that a better understanding of how people organize their activities during a day must provide a more solid basis for travel demand modeling. By replicating disaggregate travel decisions (at the individual level), activity-based models may produce better travel demand predictions, compared to the previous generations of modeling approaches (tripbased approaches, for instance). A paper published in 2019 stands out among the most recent activity-based modeling research as the authors propose a comprehensive framework for generating full and detailed activity schedules for given agents depending on their sociodemographic features, called Data-Driven Activity Scheduler (DDAS). The aim of this research was to develop a commented replication of the methodological approach of two modules of the DDAS: the Activity Type Model (ATM) and the Mode Choice Model (MCM). Specific objectives included replicating these two modules of the DDAS framework using data from the Federal District Urban Mobility Survey, which is significantly larger than the dataset used in the original DDAS study. Moreover, it was intended to investigate possible improvements to be made on the DDAS framework, including its validation procedure. The obtained results from the replication of the DDAS framework indicated that there was improvement to be made on the manner how models were being trained, in order to better deal with class imbalance. Therefore, a second implementation was made by using the SMOTE technique (Synthetic Minority Oversampling Technique) for training the ATM and MCM modules. Although activity chains seemed more realistic in this second set of results, the overall validation score for the ATM module was low. Therefore, a third model was developed by training the models as Random Forest classifiers instead of isolated Decision Tree classifiers as it was defined in the original DDAS framework. Significant improvement was observed in the results of this third model, both in training and test, for both ATM and MCM modules. Furthermore, another contribution of this study is the public availability of all scripts that were developed during its conduction.Faculdade de Tecnologia (FT)Departamento de Engenharia Civil e Ambiental (FT ENC)Programa de Pós-Graduação em TransportesGonzales Taco, Pastor Willydanielefirme@gmail.comdanielefirme@unb.brMiranda, Daniele Firme2021-03-22T13:40:22Z2021-03-22T13:40:22Z2021-03-222020-10-26info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfMIRANDA, Daniele Firme. Using machine learning to predict activity chains and mode choice on transportation models. 2020. xii, 96 f., il. Dissertação (Mestrado em Transportes)—Universidade de Brasília, Brasília, 2020.https://repositorio.unb.br/handle/10482/40273A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-02-08T17:18:54Zoai:repositorio.unb.br:10482/40273Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-02-08T17:18:54Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Using machine learning to predict activity chains and mode choice on transportation models
title Using machine learning to predict activity chains and mode choice on transportation models
spellingShingle Using machine learning to predict activity chains and mode choice on transportation models
Miranda, Daniele Firme
Modelagem de transportes
Aprendizagem de máquina
Mobilidade urbana
title_short Using machine learning to predict activity chains and mode choice on transportation models
title_full Using machine learning to predict activity chains and mode choice on transportation models
title_fullStr Using machine learning to predict activity chains and mode choice on transportation models
title_full_unstemmed Using machine learning to predict activity chains and mode choice on transportation models
title_sort Using machine learning to predict activity chains and mode choice on transportation models
author Miranda, Daniele Firme
author_facet Miranda, Daniele Firme
author_role author
dc.contributor.none.fl_str_mv Gonzales Taco, Pastor Willy
danielefirme@gmail.com
danielefirme@unb.br
dc.contributor.author.fl_str_mv Miranda, Daniele Firme
dc.subject.por.fl_str_mv Modelagem de transportes
Aprendizagem de máquina
Mobilidade urbana
topic Modelagem de transportes
Aprendizagem de máquina
Mobilidade urbana
description Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2020.
publishDate 2020
dc.date.none.fl_str_mv 2020-10-26
2021-03-22T13:40:22Z
2021-03-22T13:40:22Z
2021-03-22
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 MIRANDA, Daniele Firme. Using machine learning to predict activity chains and mode choice on transportation models. 2020. xii, 96 f., il. Dissertação (Mestrado em Transportes)—Universidade de Brasília, Brasília, 2020.
https://repositorio.unb.br/handle/10482/40273
identifier_str_mv MIRANDA, Daniele Firme. Using machine learning to predict activity chains and mode choice on transportation models. 2020. xii, 96 f., il. Dissertação (Mestrado em Transportes)—Universidade de Brasília, Brasília, 2020.
url https://repositorio.unb.br/handle/10482/40273
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 Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1810580928730234880

Registros relacionados