Um estudo exploratório de previsão do tempo de viagem de ônibus de transporte público de Florianópolis

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBernardini, Flávia Cristina-
Autor(es): dc.creatorSouza, Leonardo Villamarin de-
Autor(es): dc.creatorFagundes, Thiago Rodrigues da Motta-
Data de aceite: dc.date.accessioned2024-07-11T17:55:18Z-
Data de disponibilização: dc.date.available2024-07-11T17:55:18Z-
Data de envio: dc.date.issued2024-03-01-
Data de envio: dc.date.issued2024-03-01-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/32516-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/760127-
Descrição: dc.descriptionExiste uma necessidade crescente de melhorar a produtividade e o planejamento dos serviços de transportes públicos. Neste contexto, o uso de Inteligencia Artificial (IA) e Aprendizado de Máquina (AM) para a construção de algoritmos de Previsão do Tempo de Viagem (PTV) de ônibus ganham força. No entanto a construção desses algoritmos enfrentam desafios consideráveis devido imprevisibilidade das condições da via, congestionamentos, obras em curso, eventos locais e fatores climáticos, criam um ambiente complexo para a PTV. Este trabalho tem como objetivo, através de diversos cenários experimentais, explorar e aplicar diferentes técnicas de AM (seleção de atributos, data partioning, tuning) para avaliar a qualidade das decisões tomadas pelos cientistas de dados e construir regressores mais precisos. Nos cenários experimentais conduzidos neste trabalho, aplicamos algumas técnicas de AM para construir regressores mais precisos usando a base de dados coletada da frota de ônibus de Floriánópolis. Por fim, as melhorias alcançadas nos regressores com a aplicação dessas técnicas são analisadas.-
Descrição: dc.descriptionThere is a growing need to improve the productivity and planning of public transportation services. In this context, the use of Artificial Intelligence and Machine Learning for building bus travel time prediction algorithms is gaining momentum. However, the construction of these algorithms faces considerable challenges due to the unpredictability of road conditions, traffic congestion, ongoing construction, local events, and weather factors, creating a complex environment for bus travel time prediction. This work aims to explore and apply different Machine Learning techniques (attribute selection, data partitioning, tuning) to evaluate the quality of decisions made by data scientists and build more accurate regressors through various experimental scenarios. In the experimental scenarios conducted in this work, we applied some Machine Learning techniques to build more accurate regressors using the dataset collected from the bus fleet of Florianópolis. Finally, the improvements achieved in the regressors with the application of these techniques are analyzed.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectPrevisão do tempo de viagem-
Palavras-chave: dc.subjectCiência de dados-
Palavras-chave: dc.subjectÔnibus-
Palavras-chave: dc.subjectTransporte público urbano-
Palavras-chave: dc.subjectFlorianópolis (SC)-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectTravel time prediction-
Palavras-chave: dc.subjectData science-
Título: dc.titleUm estudo exploratório de previsão do tempo de viagem de ônibus de transporte público de Florianópolis-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.