Previsão do Tempo de Viagem com Aprendizado de Máquina para o Transporte Público por Ônibus em Florianópolis

• Leonardo Villamarin de Souza UFF
• Thiago Rodrigues da Motta Fagundes UFF
• Tielle da Silva Alexandre UFF
• Flavia Bernardini UFF

DOI: https://doi.org/10.5753/lasdigov.2025.8894

Resumo

No contexto de cidades inteligentes, o planejamento dos serviços de transportes públicos é fundamental em cidades com elevada densidade demográfica. Para isso, ter acesso à Previsão de Tempo de Viagem (PTV) para linhas de ônibus é importante para a identificação de gargalos na cidade. PTV tem sido explorada na literatura ao longo das últimas 2 décadas, mas há uma lacuna importante de ferramental para apoiar os cientistas de dados a processar dados desse domínio e para a construção de modelos preditores com Aprendizado de Máquina (AM). O objetivo deste trabalho é apresentar um processo simplificado para a construção de um preditor de tempo de viagem, o qual modelamos, explorando possíveis estratégias que podem ser adotadas por prefeituras de pequeno porte. O processo é avaliado por meio de dados reais da cidade de Florianópolis.

Referências

Agafonov, A. and Yumaganov, A. (2019). Performance comparison of machine learning methods in the bus arrival time prediction problem. CEUR Workshop Proceedings.

Alexandre, T., Bernardini, F., Viterbo, J., and Pantoja, C. E. (2023). Machine learning applied to public transportation by bus: A systematic literature review. Transportation Research Record, 2677(7):639–660.

Aurélien, G. (2017). Hands-On Machine Learning with Scikit-Learn & TensorFlow. O’Reilly Media.

Bahuleyan, H. and Vanajakshi, L. (2016). Arterial path-level travel-time estimation using machine-learning techniques. Journal of Computing in Civil Engineering 31, 3.

Cielen, D. and Meysman, A. (2016). Introducing data science: big data, machine learning, and more, using Python tools. Manning Publications.

Demšar, J. (2006). Statistical comparisons of classifiers over multiple data sets. Journal of Machine Learning Research, 7(1):1–30.

Faceli, K., Lorena, A. C., Gama, J., de Almeida, T., and de Carva, A. (2021). Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina. LTC.

Hastie, T., Tibshirani, R., and Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2nd edition.

Samaras, P., Fachantidis, A., Tsoumakas, G., and Vlahavas, I. (2015). A prediction model of passenger demand using avl and apc data from a bus fleet. Proceedings of the 19th Panhellenic Conference on Informatics.

World Meteorological Organization (2021). Guide to instruments and methods of observation wmo-no. 8. Technical Report WMO-No. 8, World Meteorological Organization (WMO). Acessado em: 19/08/2023.

Yamaguchi, T., A.S., M., and Mine, T. (2018). Prediction of bus delay over intervals on various kinds of routes using bus probe data. 2018 IEEE/ACM 5th International Conference on Big Data Computing Applications and Technologies (BDCAT).

Zhou, Z.-H. (2012). Ensemble Methods: Foundations and Algorithms. CRC Press.