Detalhes bibliográficos
| Ano de defesa: |
2023 |
| Autor(a) principal: |
Andretto, Rael Fonseca
 |
| Orientador(a): |
Aguiar, Eduardo Pestana de
|
| Banca de defesa: |
Vellasco, Marley Maria Bernardes Rebuzzi
,
Fonseca, Leonardo Goliatt da |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal de Juiz de Fora (UFJF)
|
| Programa de Pós-Graduação: |
Programa de Pós-graduação em Modelagem Computacional
|
| Departamento: |
ICE – Instituto de Ciências Exatas
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
https://repositorio.ufjf.br/jspui/handle/ufjf/15466
|
Resumo: |
Para se tornarem cada vez mais competitivas no mercado, as empresas ferroviárias buscam otimizar recursos para reduzir custos. Uma grande parcela das despesas ferroviárias está no pagamento da mão de obra, que, em adição ao salário, recebe por horas de prontidão, em transporte, além de pagamento de alimentação e hotéis. Apesar de existirem profissionais especializados, cuja função é realizar a alocação de equipe de forma mais econômica, muitas incertezas existem no momento da decisão, levando a muitos maquinistas a realizarem ciclos ociosos. Técnicas de aprendizado de máquina são ideais para realizar generalizações de novos cenários a partir de uma base de dados de treinamento e podem ser aplicadas para reduzir incertezas em diversos problemas. A literatura científica demonstra que apesar de haver muitos estudos envolvendo otimização de recursos humanos em sistemas de transportes, esta ainda está em desenvolvimento quando é necessária a utilização de técnicas de inteligência computacional, principalmente no meio ferroviário. Neste trabalho, aplicado na MRS Logística S.A., em uma primera etapa, técnicas de análise exploratória de dados são usadas em conjunto com as regras geradas por uma árvore de decisão, para criar diretrizes a serem aplicadas no dia a dia da alocação de equipagem, a fim de evitar ciclos ociosos. Na segunda etapa, cinco algoritmos de aprendizado de máquina são utilizados para aprender a real necessidade de um maquinista no resto de seu ciclo, ou seja, se haverá ciclo útil ou ocioso, com o objetivo de reduzir a dúvida no momento de sua alocação, podendo até gerar sua dispensa do serviço. Dos algoritmos treinados, além dos mais clássicos como rede neural, máquina de vetor de suporte, árvore de decisão e floresta aleatória, foi utilizado o ALMMo, um modelo neuro-fuzzy, evolutivo e não paramétrico, que se atualiza a cada dado novo inserido. Os resultados da primeira etapa mostraram uma redução superior a 50% na ocorrência de ciclos ociosos na empresa. Na segunda etapa do estudo, os algoritmos mostraram uma acurácia acima de 86%, em média, o que atende a todos os níveis de serviço estabelecidos pela empresa. Por fim, tanto a árvore de decisão, a floresta aleatória e o ALMMo mostraram ser soluções adequadas para aplicações na empresa, devido aos seus desempenhos e características. |
