
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 | Weigang, Li | - |
| Autor(es): dc.contributor | Andrade, Michelle | - |
| Autor(es): dc.creator | Asano, Maurício Massaki | - |
| Data de aceite: dc.date.accessioned | 2026-08-11T11:01:11Z | - |
| Data de disponibilização: dc.date.available | 2026-08-11T11:01:11Z | - |
| Data de envio: dc.date.issued | 2026-06-04 | - |
| Data de envio: dc.date.issued | 2026-06-04 | - |
| Data de envio: dc.date.issued | 2026-06-04 | - |
| Data de envio: dc.date.issued | 2025-03-28 | - |
| Fonte completa do material: dc.identifier | http://repositorio.unb.br/handle/10482/54598 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1186724 | - |
| Descrição: dc.description | Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2025. | - |
| Descrição: dc.description | Este estudo tem como objetivo principal o desenvolvimento e a caracterização de um modelo preditivo para o tráfego de curto prazo de um recorte da malha viária do Distrito Federal, parte da DF-025 e total da DF-035, baseado na variável de fluxo veicular. A abordagem adotada fundamenta-se na aquisição de dados por dispositivos de contagem de tráfego que são convertidos em séries temporais históricas, e na integração desses insumos a uma arquitetura baseada em Graph Convolutional Neural Networks (Graph-CNN) e Long Short-Term Memory (LSTM) de Bogaerts et al. (2020) para o processamento e previsão do volume de tráfego. O modelo preditivo foi avaliado utilizando métricas como Erro Médio Absoluto (MAE) e Raiz do Erro Quadrático Médio (RMSE), além disso, os dados foram submetidos à normalização utilizando a técnica MinMaxScaler. Os resultados indicam que os períodos de maior fluxo apresentam maior variabilidade nos erros de previsão, enquanto horários de menor movimento possibilitam previsões. A análise das correlações com até uma hora de duração entre trechos revelou previsões promissoras. O estudo contribui para o aprimoramento da gestão de mobilidade urbana, fornecendo um modelo preditivo que pode auxiliar na tomada de decisões estratégicas para otimizar o fluxo viário e reduzir congestionamentos. | - |
| Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
| Descrição: dc.description | This study aims to develop and characterize a predictive model for short-term traffic forecasting on a section of the road network in the Federal District, part of DF-025 and the entire DF-035, based on vehicle flow variable. The approach is based on data acquisition through traffic counting devices, which are converted into historical time series, and the integration of these inputs into an architecture based on Graph Convolutional Neural Networks (Graph-CNN) and Long Short-Term Memory (LSTM) from Bogaerts et al. (2020) for processing and forecasting traffic volume. The predictive model was evaluated using metrics such as Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE). Additionally, the data were normalized using the MinMaxScaler technique. The results indicate that periods of higher flow exhibit greater variability in forecast errors, while times of lower traffic allow for more accurate predictions. The analysis of correlations for up to one-hour intervals between road segments revealed promising forecasts. The study contributes to the improvement of urban mobility management, providing a predictive model that can assist in strategic decision-making to optimize traffic flow and reduce congestion. | - |
| Descrição: dc.description | Faculdade de Tecnologia (FT) | - |
| Descrição: dc.description | Departamento de Engenharia Civil e Ambiental (FT ENC) | - |
| Descrição: dc.description | Programa de Pós-Graduação em Transportes | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Direitos: dc.rights | Acesso Aberto | - |
| Palavras-chave: dc.subject | Tráfego urbano - controle | - |
| Palavras-chave: dc.subject | Tráfego urbano - previsão | - |
| Palavras-chave: dc.subject | Mobilidade urbana | - |
| Título: dc.title | Previsão de tráfego urbano no Distrito Federal : aplicação de redes neurais de previsão de tráfego utilizando dados espaço-temporais | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositório Institucional – UNB | |
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: