Comparação de métodos de Aprendizado de Máquina para previsão de demanda no transporte público urbano

Abstract

Uma das informações mais importantes para o planejamento operacional de um sistema de transporte público urbano é a previsão de demanda de passageiros. Um instrumento muito conhecido para execução do planejamento de médio a longo prazo é o Modelo de Quatro Etapas, que inclui outras ferramentas para o cálculo da demanda futura. Porém, para empresas que fornecem serviço de transporte público é necessário o planejamento a curtíssimo prazo, para que haja ajustes na oferta do serviço, evitando a saturação ou ociosidade. Uma alternativa para realizar esta previsão é a utilização de métodos de Aprendizado de Máquina (AM). Além da escolha do método e de seus respectivos parâmetros, o conjunto de atributos utilizado para descrever o problema possui grande influência nos resultados finais da previsão. O objetivo deste trabalho é avaliar e comparar quantitativamente diferentes métodos de AM para a previsão de demanda de passageiros utilizando dados de uma linha do sistema de transporte público urbano da cidade de Joinville. O trabalho também investigou o efeito da quantidade de dados utilizados durante o processo de treinamento dos modelos, a fim de determinar qual o tamanho apropriado do conjunto de treinamento. As avaliações realizadas mostraram que o menor conjunto de dados de treinamento gerou melhores resultados, especialmente no caso de Árvores de Regressão. De maneira geral, o método que obteve melhores previsões foi a Árvore de Regressão, enquanto a Regressão Linear gerou maiores erros.