Comparação de algoritmos de aprendizagem de máquinas para análise desagregada de viagens intermunicipais

• Ano de defesa: 2017
• Autor(a) principal: Roma, Andreza Dornelas de Souza
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Algoritmos Genéticos; Análise Desagregada; Aprendizagem de Máquinas; Árvores de Decisão; CART; Decision Trees; Disaggregated Analysis; Distribuição de viagens; Genetics Algorithms; Gravitational Model; Machine Learning; Modelo Gravitacional; Trip Distribution
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/18/18144/tde-22122022-165525/

Usualmente, os modelos de distribuição de viagens tradicionais ignoram que as escolhas de destinos são realizadas individualmente e consideram geralmente apenas variáveis agregadas, tais como o emprego e o custo médio de viagem. Este estudo considera as características agregadas das cidades de origem e destino, uma medida de impedância de viagem, além das variáveis desagregadas individuais/ domiciliares. O objetivo desta pesquisa é avaliar o desempenho de algoritmos de Aprendizagem de Máquinas (AM), CART (Classification and Regression Tree) e Algoritmo Genético (AG), em uma análise desagregada de escolhas de destinos para viagens intermunicipais. A análise baseia-se em um banco de dados de uma Pesquisa Origem-Destino realizada em onze cidades na Bahia, Brasil, em 2012, no qual foram calibrados modelos para escolhas de destinos intermunicipais por meio dos algoritmos mencionados. O desempenho de cada algoritmo é comparado à abordagem tradicional por meio de modelos gravitacionais estimados pelos métodos stepwise e procedimento duplamente restringido, respectivamente. A comparação dos modelos com os modelos gravitacionais foi realizada considerando os seguintes critérios: distribuição das distâncias de viagens, medidas de ajuste e perspectiva qualitativa. Os resultados evidenciam que os algoritmos CART e Algoritmo Genético apresentam melhores previsões para a escolha de destinos, sendo que, o segundo, apresenta vantagens na obtenção dos parâmetros estimados relativos às variáveis (agregadas e desagregadas) utilizadas no modelo. A principal conclusão é que tais algoritmos podem ser aplicados na modelagem de distribuição de viagens, incorporando o efeito das variáveis desagregadas, sem suposições ou restrições matemáticas rigorosas como independência das alternativas, por exemplo.