Algoritmos de aprendizado de máquina supervisionados aplicados em transportes : comparativo com Modelo Logit Multinomial para escolha modal

• Autor(a) principal: Santos, Mariana Lovato dos
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/258392
• topic: Transporte urbano : Planejamento; Aprendizado de máquina; Algoritmos; Transporte urbano : Demanda; Modal choice; Flexible transport; Multinomial Logit Model; Decision tree; Random Forest; Artificial Neural Networks

Como o planejamento no transporte urbano desempenha um papel essencial para o desenvolvimento sustentável dos sistemas de transporte, torna-se evidente a necessidade de explorar novas técnicas de análise para aprimorar a eficiência e a eficácia. Em particular, o uso de técnicas de Machine Learning (Aprendizado de Máquina) tem se mostrado promissor para lidar com os desafios complexos relacionados ao planejamento do transporte urbano. A incorporação desses algoritmos pode melhorar a capacidade de análise de dados e fornecer diretrizes para a tomada de decisões. Dado esse contexto, a presente dissertação foi dividida em dois artigos que tem por objetivos: (i) desenvolvimento de uma revisão sistemática da literatura para analisar de forma quantitativa os estudos existentes sobre planejamento de transporte urbano com modelos de Machine Learning, identificar os principais temas abordados, quais são as aplicações e como podem auxiliar na otimização dos sistemas de transporte urbano (ii) comparar modelos tradicionais de escolha discreta com algoritmos de Aprendizado de Máquina, a fim de analisar a previsão da escolha modal, utilizando dados provenientes de uma pesquisa de Preferência Declarada (PD) realizada em Porto Alegre em 2019. Os resultados obtidos na revisão sistemática indicam que os métodos de Aprendizado de Máquina estão em crescente utilização no planejamento de transportes. Dentre os métodos analisados, os modelos de previsão de demanda de tráfego e de transporte público se destacaram como os mais empregados na literatura. Além desses, outros métodos, como reconhecimento de sinais de trânsito, detecção de semáforos, classificação de veículos, detecção de pedestres, planejamento de tempo de viagem e de itinerário e comparativos entre algoritmos diferentes também foram frequentemente utilizados. Os resultados do estudo comparativo indicam que o modelo de Logit Multinomial (MLM) apresentou uma acurácia preditiva significativamente maior em comparação com os outros modelos de Aprendizado de Máquina testados. A taxa de acerto do MLM foi de 52,03%, seguida pelo método de Floresta Aleatória (FA) com 41,79%, e as Redes Neurais Artificiais (RNAs) com 40,94%. Esses resultados podem ser explicados pelo fato de que a base de dados utilizada na análise continha poucas observações para os modos de transporte Lotação e Táxi.