RECONSTRUÇÃO DOS LOCAIS DE EMBARQUE A PARTIR DA BASE DE DADOS DE TRANSPORTE PÚBLICO UTILIZANDO INTELIGÊNCIA ARTIFICIAL

Kaio Gefferson de Almeida Mesquita

Resumo


O objetivo desse artigo foi apresentar um método de modelagem utilizando técnicas de aprendizado supervisionado e não supervisionado para identificar os locais onde os usuários embarcam no Sistema Integrado de Transporte Público de Fortaleza. A metodologia inclui etapas de extração, transformação e carregamento de informações provenientes dos dados de bilhetagem eletrônica, GPS, GTFS e cadastro de usuários, análises exploratórias e modelagem através de aprendizado de máquina. Além disso, foi definido atributos relacionados aos padrões de uso como frequência das validações e intervalos temporais e utilizados na modelagem supervisionada da distância de validação (variável alvo). De acordo com os resultados, verificou-se que a previsão do local de embarque teve alto desempenho nos modelos supervisionados, sendo a Floresta Aleatória o algoritmo que obteve os melhores indicadores de precisão com uma acurácia de 92%. Posteriormente, a partir da análise de agrupamentos, foram identificados dois tipos diferentes de usuários: os frequentes e os esporádicos. Apresentou-se divergências nos padrões de validação entre eles. O uso de big data e aprendizado de máquina é essencial para melhorar a gestão e operação dos sistemas de transporte público, como apresentado pela importância dos atributos temporais e espaciais na inferência precisa dos locais de embarque.


Palavras-chave


Bilhetagem Eletrônica; Big Data; Padrão de deslocamento; Aprendizado de máquina.

Texto completo:

PDF

Referências


Arbex, R. O. e C. B. Cunha (2020) Estimating the influence of crowding and travel time variability on accessibility to jobs in a large public transport network using smart card big data, Journal of Transport Geography, v. 85, ISSN 0966-6923, https://doi.org/10.1016/j.jtrangeo.2020.102671.

Cats, O. e F. Ferranti (2022) Unravelling individual mobility temporal patterns using longitudinal smart card data, Research in Transportation Business & Management, v. 43, ISSN 2210-5395, DOI: https://doi.org/10.1016/j.rtbm.2022.100816.

Géron, A. (2019) Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media. v 1. 856 p.

Hussain, E.; A. Bhaskar e E. Chung (2021) Transit OD Matrix Estimation Using Smartcard Data: Recent Developments and Future Research Challenges. Transportat Research, v. 125. DOI: 10.1016/j.trc.2021.103044.

Kurauchi, F. e J. D. Schomocker (2017) Public transport planning with smartcard data (1ª ed.). Boca Raton: CRC Press.

Morency, C.; M. Trépanier e B. Agard (2007) Measuring transit performance using smart card data. Presented at World Conference on Transport Research, San Francisco, USA.

Shalit, N.; M. Fire e E. Ben-Elia (2022) A supervised machine learning model for imputing missing boarding stops in smart card data. Public Transport, v. 15, p. 287–319. DOI: https://doi.org/10.1007/s12469-022-00309- 0.

Tang, T.; R. Liu; C. Choudhury; A. Fonzone e Y. Wang (2023) Predicting hourly boarding demand of bus passengers using imbalanced records from smart-cards: a deep learning approach. IEEE Transactions on Intelligent Transportation Systems, v. 24, n. 5, p. 5105 - 5119. DOI: 10.1109/TITS.2023.3237134.

Zhao, X.; M. Cui e D. Levinson (2023) Exploring temporal variability in travel patterns on public transit using big smart card data. Environment and Planning B: Urban Analytics and City Science, v. 50, n. 1, p. 198–

DOI: https://doi.org/10.1177/23998083221089662.


Apontamentos

  • Não há apontamentos.


Direitos autorais 2025 Kaio Gefferson de Almeida Mesquita

Centro Universitário Fametro – UNIFAMETRO

ISSN 2448-1270