Previsão da Frota Municipal de Veículos Elétricos no Brasil usando Machine Learning

• Mariana Ciervo Borges UFSM
• Paula Donaduzzi Rigo UFSM
• Julio Cezar Mairesse Siluk UFSM
• Anderson dos Santos Cezário UFSM
• Gabriel Machado Lunardi UFSM

DOI: https://doi.org/10.5753/eradrs.2026.20506

Resumo

Este trabalho apresenta uma abordagem prática para predizer a frota municipal de veículos elétricos (VEs) no Brasil. O objetivo é avaliar algoritmos de aprendizado de máquina na predição por município, relacionando precisão estatística (RMSE e R²) e custo computacional (CPU). Assim, busca-se apoiar o planejamento energético e a seleção de algoritmos de Machine Learning.

Referências

ANEEL, Agência Nacional de Energia Elétrica (2026a). Geração distribuída. [link]. Acesso em: 20 jan. 2026.

ANEEL, Agência Nacional de Energia Elétrica (2026b). Ranking das tarifas de eletricidade. [link]. Acesso em: 20 jan. 2026.

Chhetri, J. et al. (2025). Predicting electric vehicle diffusion and its impact on the productive chain. Forthcoming / Technical Report.

IBGE, Instituto Brasileiro de Geografia e Estatística (2026). Sidra, sistema ibge de recuperação automática. [link]. Acesso em: 21 jan. 2026.

PNUD, United Nations Development Programme (2023). Atlas do desenvolvimento humano no brasil. [link]. Acesso em: 21 out. 2023.

PyCaret (2026). An open source, low-code machine learning library in python. [link].

SENATRAN, Secretaria Nacional de Trânsito (2025). Frota de veículos 2025. [link]. Acesso em: 21 jan. 2026.

Smith, A. et al. (2023). Inclusive innovation in just transitions: the case of smart local energy systems in the uk. Environmental Innovation and Societal Transitions, 47:100719.

Tiba, C. (2000). Atlas Solarimétrico do Brasil: Banco de Dados Terrestres, volume 1. Atlas Solarimétrico Do Brasil.