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 | Delgado, Myriam Regattieri de Biase da Silva | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-2791-174X | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/4166922845507601 | - |
Autor(es): dc.contributor | Lüders, Ricardo | - |
Autor(es): dc.contributor | https://orcid.org/0000-0001-6483-4694 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/5158617067991861 | - |
Autor(es): dc.contributor | Figueiredo, Flavio Vinicius Diniz de | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-2839-9589 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/9481210393304645 | - |
Autor(es): dc.contributor | Delgado, Myriam Regattieri de Biase da Silva | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-2791-174X | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/4166922845507601 | - |
Autor(es): dc.contributor | Silva, Thiago Henrique | - |
Autor(es): dc.contributor | https://orcid.org/0000-0001-6994-8076 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/9568338246493587 | - |
Autor(es): dc.creator | Cervi, Thales Elero | - |
Data de aceite: dc.date.accessioned | 2025-08-29T12:05:36Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T12:05:36Z | - |
Data de envio: dc.date.issued | 2024-11-03 | - |
Data de envio: dc.date.issued | 2024-11-03 | - |
Data de envio: dc.date.issued | 2024-05-29 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/35329 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1088848 | - |
Descrição: dc.description | Urban transit planning in densely populated areas is an urban design challenge that constantly requires effective solutions. Urban road networks can be represented by graphs, helping decision-makers visualize and further incorporate information learned from the cities’ structure. Graph Neural Networks (GNNs) are artificial neural networks designed to learn from graphs’ information and structure. However, important implicit assumptions of general-purpose GNNs do not hold for urban road network graphs and learning with this type of graph may require specialized GNNs. This study investigates the performance of both general-purpose and specialized GNNs to estimate free-flow travel times in urban road networks of twelve cities worldwide. Emphasis is given to Relational Fusion Networks (RFNs), specialized GNNs with competitive results in the literature. Edge regression results of the selected GNNs are obtained for comparison. They show that RFNs perform better and highlight the role of different fusion functions on the regression performance. Additionally, this study explores RFNs’ capacity to extrapolate learned knowledge to different cities. The investigation also searches through cities’ structural characteristics, aiming to comprehend their influence on RFN’s learning mechanisms and its capacity to extrapolate knowledge. | - |
Descrição: dc.description | Conselho Nacional do Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
Descrição: dc.description | O planeamento do trânsito urbano em áreas densamente povoadas é um desafio que constantemente requer soluções eficazes. Redes viárias urbanas podem ser representadas por grafos, ajudando agentes decisores a visualizar e incorporar informações extraídas da estrutura da cidade. Redes Neurais de Grafos (GNNs do inglês Graph Neural Networks) são redes neurais artificiais projetadas para aprender com as informações e estrutura dos Grafos.No entanto, suposições implícitas importantes que baseiam as GNNs de uso geral não se aplicam aos grafos de redes viárias e o aprendizado com esse tipo de grafo pode exigir GNNs especializadas. Este estudo investiga o desempenho de GNNs especializadas e de uso geral na estimativa de tempos de viagem de fluxo livre em redes viárias urbanas de doze cidades em todo o mundo. Há ênfase nas Redes Relacionais de Fusão (RFNs do inglês Relational Fusion Networks), que são GNNs especializadas e com resultados competitivos na literatura. Os resultados de desempenho das GNNs selecionadas para a tarefa de regressão em arestas são obtidos para comparação. Eles confirmam o melhor desempenho das RFNs e destacam o papel das diferentes funções de fusão no desempenho da regressão. Além disso, este estudo explora a capacidade das RFNs de extrapolar o conhecimento aprendido para diferentes cidades. A investigação analisa ainda as características estruturais das cidades, visando compreender influência destas nos mecanismos de aprendizagem da RFN e na sua capacidade de extrapolar conhecimento. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Curitiba | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Teoria dos grafos | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Trânsito urbano | - |
Palavras-chave: dc.subject | Cidades inteligentes | - |
Palavras-chave: dc.subject | Neural networks (Computer science) | - |
Palavras-chave: dc.subject | Graph theory | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Local transit | - |
Palavras-chave: dc.subject | Smart cities | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | - |
Palavras-chave: dc.subject | Engenharia Elétrica | - |
Título: dc.title | A comparative analysis of graph neural networks for estimating free-flow travel times in urban road networks | - |
Título: dc.title | Análise comparativa de redes neurais de grafos na estimação de tempo de percurso livre em redes de ruas urbanas | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
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: