Comparação de algoritmos de aprendizagem de máquinas para análise desagregada de viagens intermunicipais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da USP |
Texto Completo: | https://www.teses.usp.br/teses/disponiveis/18/18144/tde-22122022-165525/ |
Resumo: | Usualmente, os modelos de distribuição de viagens tradicionais ignoram que as escolhas de destinos são realizadas individualmente e consideram geralmente apenas variáveis agregadas, tais como o emprego e o custo médio de viagem. Este estudo considera as características agregadas das cidades de origem e destino, uma medida de impedância de viagem, além das variáveis desagregadas individuais/ domiciliares. O objetivo desta pesquisa é avaliar o desempenho de algoritmos de Aprendizagem de Máquinas (AM), CART (Classification and Regression Tree) e Algoritmo Genético (AG), em uma análise desagregada de escolhas de destinos para viagens intermunicipais. A análise baseia-se em um banco de dados de uma Pesquisa Origem-Destino realizada em onze cidades na Bahia, Brasil, em 2012, no qual foram calibrados modelos para escolhas de destinos intermunicipais por meio dos algoritmos mencionados. O desempenho de cada algoritmo é comparado à abordagem tradicional por meio de modelos gravitacionais estimados pelos métodos stepwise e procedimento duplamente restringido, respectivamente. A comparação dos modelos com os modelos gravitacionais foi realizada considerando os seguintes critérios: distribuição das distâncias de viagens, medidas de ajuste e perspectiva qualitativa. Os resultados evidenciam que os algoritmos CART e Algoritmo Genético apresentam melhores previsões para a escolha de destinos, sendo que, o segundo, apresenta vantagens na obtenção dos parâmetros estimados relativos às variáveis (agregadas e desagregadas) utilizadas no modelo. A principal conclusão é que tais algoritmos podem ser aplicados na modelagem de distribuição de viagens, incorporando o efeito das variáveis desagregadas, sem suposições ou restrições matemáticas rigorosas como independência das alternativas, por exemplo. |
id |
USP_5e421234a828ff8e45b5863e2fe4c9a4 |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-22122022-165525 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
Comparação de algoritmos de aprendizagem de máquinas para análise desagregada de viagens intermunicipaisComparison of Machine Learning algorithms for disaggregated analysis of intercity tripsAlgoritmos GenéticosAnálise DesagregadaAprendizagem de MáquinasÁrvores de DecisãoCARTCARTDecision TreesDisaggregated AnalysisDistribuição de viagensGenetics AlgorithmsGravitational ModelMachine LearningModelo GravitacionalTrip DistributionUsualmente, os modelos de distribuição de viagens tradicionais ignoram que as escolhas de destinos são realizadas individualmente e consideram geralmente apenas variáveis agregadas, tais como o emprego e o custo médio de viagem. Este estudo considera as características agregadas das cidades de origem e destino, uma medida de impedância de viagem, além das variáveis desagregadas individuais/ domiciliares. O objetivo desta pesquisa é avaliar o desempenho de algoritmos de Aprendizagem de Máquinas (AM), CART (Classification and Regression Tree) e Algoritmo Genético (AG), em uma análise desagregada de escolhas de destinos para viagens intermunicipais. A análise baseia-se em um banco de dados de uma Pesquisa Origem-Destino realizada em onze cidades na Bahia, Brasil, em 2012, no qual foram calibrados modelos para escolhas de destinos intermunicipais por meio dos algoritmos mencionados. O desempenho de cada algoritmo é comparado à abordagem tradicional por meio de modelos gravitacionais estimados pelos métodos stepwise e procedimento duplamente restringido, respectivamente. A comparação dos modelos com os modelos gravitacionais foi realizada considerando os seguintes critérios: distribuição das distâncias de viagens, medidas de ajuste e perspectiva qualitativa. Os resultados evidenciam que os algoritmos CART e Algoritmo Genético apresentam melhores previsões para a escolha de destinos, sendo que, o segundo, apresenta vantagens na obtenção dos parâmetros estimados relativos às variáveis (agregadas e desagregadas) utilizadas no modelo. A principal conclusão é que tais algoritmos podem ser aplicados na modelagem de distribuição de viagens, incorporando o efeito das variáveis desagregadas, sem suposições ou restrições matemáticas rigorosas como independência das alternativas, por exemplo.Usually, traditional trip distribution models ignore that destination choices are made individually and generally only consider aggregate variables such as employment and average travel cost. This study considers the aggregate characteristics of origin and destination cities, a measure of trip impedance, in addition to individual / household disaggregated variables. The objective of this research is to evaluate the performance of Machine Learning (ML) algorithms, CART (Classification and Regression Tree) and Genetic Algorithm (GA), in a disaggregated analysis of destination choices for intercity trips. The analysis is based on a database of an Origin-Destination Survey carried out in eleven cities in Bahia, Brazil, in 2012, in which models were calibrated for choices of intermunicipal destinations through the mentioned algorithms. The performance of each algorithm is compared to the traditional approach using gravitational models estimated by the stepwise and double constrained procedure, respectively. The comparison of the models with the gravitational models was performed considering the following criteria: distribution of travel distances, adjustment measures and qualitative perspective. The results show that the ML algorithms CART and GA present better predictions for the destinations choices, and the second one presented advantages in obtaining the estimated parameters related to the variables (aggregated and disaggregated) used in the model. The main conclusion is that such algorithms can be applied in trip distribution modeling, incorporating the effect of the disaggregated variables, without rigorous assumptions such as independence of the alternatives, for example.Biblioteca Digitais de Teses e Dissertações da USPPitombo, Cira SouzaRoma, Andreza Dornelas de Souza2017-06-30info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/18/18144/tde-22122022-165525/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2022-12-22T19:51:44Zoai:teses.usp.br:tde-22122022-165525Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212022-12-22T19:51:44Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.none.fl_str_mv |
Comparação de algoritmos de aprendizagem de máquinas para análise desagregada de viagens intermunicipais Comparison of Machine Learning algorithms for disaggregated analysis of intercity trips |
title |
Comparação de algoritmos de aprendizagem de máquinas para análise desagregada de viagens intermunicipais |
spellingShingle |
Comparação de algoritmos de aprendizagem de máquinas para análise desagregada de viagens intermunicipais Roma, Andreza Dornelas de Souza Algoritmos Genéticos Análise Desagregada Aprendizagem de Máquinas Árvores de Decisão CART CART Decision Trees Disaggregated Analysis Distribuição de viagens Genetics Algorithms Gravitational Model Machine Learning Modelo Gravitacional Trip Distribution |
title_short |
Comparação de algoritmos de aprendizagem de máquinas para análise desagregada de viagens intermunicipais |
title_full |
Comparação de algoritmos de aprendizagem de máquinas para análise desagregada de viagens intermunicipais |
title_fullStr |
Comparação de algoritmos de aprendizagem de máquinas para análise desagregada de viagens intermunicipais |
title_full_unstemmed |
Comparação de algoritmos de aprendizagem de máquinas para análise desagregada de viagens intermunicipais |
title_sort |
Comparação de algoritmos de aprendizagem de máquinas para análise desagregada de viagens intermunicipais |
author |
Roma, Andreza Dornelas de Souza |
author_facet |
Roma, Andreza Dornelas de Souza |
author_role |
author |
dc.contributor.none.fl_str_mv |
Pitombo, Cira Souza |
dc.contributor.author.fl_str_mv |
Roma, Andreza Dornelas de Souza |
dc.subject.por.fl_str_mv |
Algoritmos Genéticos Análise Desagregada Aprendizagem de Máquinas Árvores de Decisão CART CART Decision Trees Disaggregated Analysis Distribuição de viagens Genetics Algorithms Gravitational Model Machine Learning Modelo Gravitacional Trip Distribution |
topic |
Algoritmos Genéticos Análise Desagregada Aprendizagem de Máquinas Árvores de Decisão CART CART Decision Trees Disaggregated Analysis Distribuição de viagens Genetics Algorithms Gravitational Model Machine Learning Modelo Gravitacional Trip Distribution |
description |
Usualmente, os modelos de distribuição de viagens tradicionais ignoram que as escolhas de destinos são realizadas individualmente e consideram geralmente apenas variáveis agregadas, tais como o emprego e o custo médio de viagem. Este estudo considera as características agregadas das cidades de origem e destino, uma medida de impedância de viagem, além das variáveis desagregadas individuais/ domiciliares. O objetivo desta pesquisa é avaliar o desempenho de algoritmos de Aprendizagem de Máquinas (AM), CART (Classification and Regression Tree) e Algoritmo Genético (AG), em uma análise desagregada de escolhas de destinos para viagens intermunicipais. A análise baseia-se em um banco de dados de uma Pesquisa Origem-Destino realizada em onze cidades na Bahia, Brasil, em 2012, no qual foram calibrados modelos para escolhas de destinos intermunicipais por meio dos algoritmos mencionados. O desempenho de cada algoritmo é comparado à abordagem tradicional por meio de modelos gravitacionais estimados pelos métodos stepwise e procedimento duplamente restringido, respectivamente. A comparação dos modelos com os modelos gravitacionais foi realizada considerando os seguintes critérios: distribuição das distâncias de viagens, medidas de ajuste e perspectiva qualitativa. Os resultados evidenciam que os algoritmos CART e Algoritmo Genético apresentam melhores previsões para a escolha de destinos, sendo que, o segundo, apresenta vantagens na obtenção dos parâmetros estimados relativos às variáveis (agregadas e desagregadas) utilizadas no modelo. A principal conclusão é que tais algoritmos podem ser aplicados na modelagem de distribuição de viagens, incorporando o efeito das variáveis desagregadas, sem suposições ou restrições matemáticas rigorosas como independência das alternativas, por exemplo. |
publishDate |
2017 |
dc.date.none.fl_str_mv |
2017-06-30 |
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 |
https://www.teses.usp.br/teses/disponiveis/18/18144/tde-22122022-165525/ |
url |
https://www.teses.usp.br/teses/disponiveis/18/18144/tde-22122022-165525/ |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
|
dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.coverage.none.fl_str_mv |
|
dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
instname_str |
Universidade de São Paulo (USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
collection |
Biblioteca Digital de Teses e Dissertações da USP |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
_version_ |
1809091003183792128 |