Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Andrade, Maria Glória Caño de | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Beraldi, Natan Castanhera | - |
Data de aceite: dc.date.accessioned | 2025-08-21T19:20:02Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T19:20:02Z | - |
Data de envio: dc.date.issued | 2025-02-28 | - |
Data de envio: dc.date.issued | 2025-02-28 | - |
Data de envio: dc.date.issued | 2025-02-12 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/261566 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/261566 | - |
Descrição: dc.description | O crescimento das cidades tem levado a uma maior demanda por um transporte público eficiente e confiança crescente na mesma medida. Entretanto, esse cenário traz consigo desafios consideráveis como atrasos frequentes, lotação excessiva e falta de manutenção adequada que afetam diretamente a qualidade do serviço prestado aos passageiros. A relação entre a eficiência operacional e a satisfação dos usuários ressalta a importância de desenvolver abordagens que possam aumentar a precisão das previsões e reduzir os riscos. Decisões tomadas sem embasamento adequado podem resultar em serviços insatisfatórios e perda de confiança por parte da comunidade. Neste projeto, a linguagem python é usada para analisar dados de tráfego e transporte com o objetivo de prever padrões de demandas e possíveis problemas no sistema viário urbano. A pesquisa aborda os fundamentos teóricos da análise de dados urbanísticos, fornecidos pela Companhia de Engenharia de Tráfego (CET), e do machine learning para fornecer uma base técnica sólida para compreender os processamentos necessários. A análise revelou que o sistema é capaz de analisar eventos passados para antecipar o fluxo de tráfego futuro, o que resultava em percursos mais rápidos para os usuários do transporte público e consequentemente melhorava consideravelmente o funcionamento do sistema como um todo - um avanço que pode deixar os passageiros mais satisfeitos com a solução desenvolvida. | - |
Descrição: dc.description | The growth of cities has led to a higher demand for efficient public transportation and an increasing level of trust in such systems. However, this scenario brings significant challenges, such as frequent delays, overcrowding, and inadequate maintenance, which directly impact the quality of service provided to passengers. The relationship between operational efficiency and user satisfaction highlights the importance of developing approaches that can improve the accuracy of predictions and reduce risks. Decisions made without proper grounding can result in unsatisfactory services and a loss of trust from the community. In this project, Python is used to analyze traffic and transportation data with the goal of predicting demand patterns and identifying potential issues in the urban road system. The research delves into the theoretical foundations of urban data analysis, provided by the Companhia de Engenharia de Tráfego (CET), and machine learning to establish a solid technical basis for understanding the required processes. The analysis revealed that the system can process past events to anticipate future traffic flows, resulting in faster routes for public transportation users and significantly improving the overall system's performance - a breakthrough that can increase passenger satisfaction with the developed solution. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Estadual Paulista (UNESP) | - |
Direitos: dc.rights | info:eu-repo/semantics/openAccess | - |
Palavras-chave: dc.subject | Python (Linguagem de programação de computador) | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Tráfego urbano | - |
Palavras-chave: dc.subject | Python (Computer program language) | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | City traffic | - |
Título: dc.title | Eficiência e previsão no transporte público através da Inteligência Artificial: análise de dados urbanos | - |
Título: dc.title | Efficiency and prediction in public transportation through Artificial Intelligence: urban data analysis | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: