Desenvolvimento de um módulo em alteryx com base em dados de modelo de macrosimulação emme para análise de alternativas em vias australianas

Abstract

Com uma previsão de crescimento de 22% para os próximos dez anos a Australia, a fim de evitar congestionamentos nas vias devido ao aumento do número de veículos e viagens nas estradas, precisa desenvolver infraestruturas e estratégias às tomadas de decisões urbanas. Como alternativa ao problema, o governo australiano criou um modelo integrado de uso de solo e transportes, ao qual este trabalho auxilia em específico no seu módulo de custo e tomada de decisão. Apresenta-se o desenvolvimento de um método para integrar os resultados de macrossimulação de tráfego no software Emme e a análise de dados no software Alteryx Designer. Com o intuito de fazer a escolha de infraestrutura de menor custo e que traga os melhores benefícios para o sistema como um todo, na tomada de decisão em investimentos futuros. Atingiu-se o objetivo com um fluxo de trabalho que treina o modelo de machine learning Random Forest e realiza a previsão dos custos totais de infraestrutura dos dados de saída da macrossimulação. Depois é realizado análises de custo benefício para definir os melhores cenários a serem implementados. Este trabalho analisou dois cenários de infraestrutura para os próximos 23 anos do sudeste do estado de Queensland, Australia, o cenário Referência e o Modificado. Apenas ocorrem diferenças na categoria de estradas e diferindo apenas nos anos de aplicação de algumas infraestruturas nas categorias restantes (vias de ônibus e trilhos). O modelo mostrou-se estável e com relativa precisão. Ambos os cenários tiveram as categorias de ônibus e trilhos muito similares o que indica a confiabilidade do modelo em relação a múltiplas aplicações com baixa variabilidade de predições. O desempenho geral do Coeficiente de Determinação (R²) esteve em uma faixa entre 0,71 e 0,95 para estradas, 0,69 e 0,75 para ônibus, e 0,83 e 0,91 para modos de trilhos. Esses valores de R² foram considerados satisfatórios perante os stakeholders. O cenário Modificado acabou sendo o preferido nesse estudo com uma diferença de custo economizado por tempo de viagem de A$0,00772 hora/usuário/km. O valor é baixo, mas deve-se lembrar que o custo é por usuário da rede e por quilômetro de viagem.

With a projected growth of 22% over the next ten years, Australia, in an effort to mitigate traffic congestion arising from the increased number of vehicles and road travels, needs to develop infrastructure and strategies for urban decision-making. As an alternative to this issue, the Australian government has established an integrated model for land use and transportation, to which this work specifically contributes in its cost and decision-making module. This involves the development of a method to integrate the results of traffic microsimulation using the Emme software and data analysis through the Alteryx Designer software. The goal is to select infrastructure with the lowest cost and the greatest benefits for the overall system, aiding in future investment decision-making. The objective is achieved through a workflow that trains the Random Forest machine learning model and predicts the total infrastructure costs from the output data of the microsimulation. Subsequently, cost-benefit analyses are conducted to define the best scenarios for implementation. This study examined two infrastructure scenarios for the next 23 years in the southeast of Queensland, Australia: The Reference scenario and the Modified scenario. Differences are observed solely in the road category, with variations in the years of application for some infrastructures in the remaining categories (bus lanes and rails). The model demonstrated stability and relative accuracy. Both scenarios exhibited very similar bus and rail categories, indicating the model's reliability across multiple applications with low prediction variability. The overall performance of the Coefficient of Determination (R²) ranged between 0.71 and 0.95 for roads, 0.69 and 0.75 for buses, and 0.83 and 0.91 for rail modes. These R² values were deemed satisfactory by stakeholders. The Modified scenario emerged as the preferred option in this study, with a cost difference saved per travel time of A$0.00772 hour/user/km. While the value may seem low, it is essential to note that the cost is per network user and per kilometer traveled.