Aplicação de Algoritmos de Inteligência Artificial para Previsão de Cadeias de Atividade e Escolha Modal em Modelos de Planejamento de Transporte

Eng. Daniele Firme Miranda

Prof. Pastor Willy Gonzales Taco (Orientador)

 

A abordagem multiagente baseada em atividades (Activity Based Modeling - ABM) para modelagem desagregada de transportes tem apresentado diversas vantagens em comparação com o modelo clássico, agregado, de quatro etapas. Atividades e viagens de cada indivíduo em ABM são descritas por características detalhadas, como localização, duração, modo de transporte, horários de início e fim. Entretanto, pesquisas que incluam dados tão detalhados (diários de atividades) são caras e difíceis de ser conduzidas, portanto, não costumam ser realizadas com frequência, principalmente em países subdesenvolvidos. Para resolver esse problema, pesquisadores costumam criar uma população sintética desagregando dados de matrizes Origem-Destino. Esse procedimento depende fortemente da análise heurística de especialistas, incorporando assim algum grau de subjetividade, que aparece, por exemplo, na definição da ordem com que as decisões de um indivíduo são tomadas, ou assumindo como hipótese a necessidade de se incluir algum tipo de atividade nas agendas de determinado grupo de indivíduos.

 

Com base nesse cenário, Drchal et al. (2019) propuseram um modelo orientado a dados para gerar agendas completas e detalhadas de atividades para agentes, baseado em suas características socioeconômicas, chamado Data-Driven Acitivity Scheduler (DDAS). Esse modelo conta com algoritmos de inteligência artificial para prever diários de atividades e sua maior contribuição é a dependência completa de dados e independência de subjetividade externa. O DDAS é treinado utilizando um diário de atividades e, se validado, pode ser aplicado para gerar diários sintéticos partindo de dados socioeconômicos de uma população. Em geral dados socieconômicos costumam ser coletados com mais frequência do que as informações de viagem, tais como as pesquisas domiciliares Origem-Destino.

 

O objetivo principal dessa pesquisa é replicar dois dos quatro módulos do DDAS: o de previsão de cadeias de atividades e o de previsão de escolha modal. Além disso, pretende-se propor mudanças no algoritmo e analisar impactos na precisão dessas previsões, em comparação com os dados reais. Uma das mudanças proposta é a aplicação de deep learning no lugar do algoritmo de árvores de decisão que compõe o modelo original. A principal fonte de dados desse estudo são os diários de atividades coletados na Pesquisa de Mobilidade Urbana do DF em 2016, realizada pelo Metrô.

 

A relevância científica dessa pesquisa se dá pela proposição de melhoria a um método que já é estado da arte. Os algoritmos de aprendizado de máquina são tecnologias em constante evolução, e abordagens mais precisas são desenvolvidas a cada dia. Além disso, após a validação, o modelo pode se tornar uma ferramenta essencial para o planejamento de transportes em Brasília. Mudanças constantes nos cenários econômico, social e espacial urbano requerem métodos mais rápidos e atuais, e o modelo proposto é uma resposta a essa demanda. Por fim, este estudo é uma contribuição inovadora à ciência brasileira, uma vez que o deep learning ainda não é difundido na pesquisa de transportes do país.

 

Referência:

Drchal, J., Certicky, M., & Jakob, M. (2019). Data-driven activity scheduler for agent-based mobility models. Transportation Research Part C, pp. 370-390.

 

Daniele Firme Miranda
(danielefirme@unb.br / danielefirme@gmail.com)
Aluna de Mestrado em Transportes
Universidade de Brasília - Brasil
CVLattes: http://lattes.cnpq.br/0847743374371743
ORCID: https://orcid.org/0000-0002-0186-9467

Pastor Willy Gonzales Taco
pwgtaco@gmail.com
Master's Advisor | Doctorate Advisor
University of Brasília - Brazil
CVLattes: http://lattes.cnpq.br/9878324695903634
ORCID: https://orcid.org/0000-0002-2055-9114

Eng. Daniele Firme Miranda

Prof. Pastor Willy Gonzales Taco (Orientador)

 

A abordagem multiagente baseada em atividades (Activity Based Modeling - ABM) para modelagem desagregada de transportes tem apresentado diversas vantagens em comparação com o modelo clássico, agregado, de quatro etapas. Atividades e viagens de cada indivíduo em ABM são descritas por características detalhadas, como localização, duração, modo de transporte, horários de início e fim. Entretanto, pesquisas que incluam dados tão detalhados (diários de atividades) são caras e difíceis de ser conduzidas, portanto, não costumam ser realizadas com frequência, principalmente em países subdesenvolvidos. Para resolver esse problema, pesquisadores costumam criar uma população sintética desagregando dados de matrizes Origem-Destino. Esse procedimento depende fortemente da análise heurística de especialistas, incorporando assim algum grau de subjetividade, que aparece, por exemplo, na definição da ordem com que as decisões de um indivíduo são tomadas, ou assumindo como hipótese a necessidade de se incluir algum tipo de atividade nas agendas de determinado grupo de indivíduos.

 

Com base nesse cenário, Drchal et al. (2019) propuseram um modelo orientado a dados para gerar agendas completas e detalhadas de atividades para agentes, baseado em suas características socioeconômicas, chamado Data-Driven Acitivity Scheduler (DDAS). Esse modelo conta com algoritmos de inteligência artificial para prever diários de atividades e sua maior contribuição é a dependência completa de dados e independência de subjetividade externa. O DDAS é treinado utilizando um diário de atividades e, se validado, pode ser aplicado para gerar diários sintéticos partindo de dados socioeconômicos de uma população. Em geral dados socieconômicos costumam ser coletados com mais frequência do que as informações de viagem, tais como as pesquisas domiciliares Origem-Destino.

 

O objetivo principal dessa pesquisa é replicar dois dos quatro módulos do DDAS: o de previsão de cadeias de atividades e o de previsão de escolha modal. Além disso, pretende-se propor mudanças no algoritmo e analisar impactos na precisão dessas previsões, em comparação com os dados reais. Uma das mudanças proposta é a aplicação de deep learning no lugar do algoritmo de árvores de decisão que compõe o modelo original. A principal fonte de dados desse estudo são os diários de atividades coletados na Pesquisa de Mobilidade Urbana do DF em 2016, realizada pelo Metrô.

 

A relevância científica dessa pesquisa se dá pela proposição de melhoria a um método que já é estado da arte. Os algoritmos de aprendizado de máquina são tecnologias em constante evolução, e abordagens mais precisas são desenvolvidas a cada dia. Além disso, após a validação, o modelo pode se tornar uma ferramenta essencial para o planejamento de transportes em Brasília. Mudanças constantes nos cenários econômico, social e espacial urbano requerem métodos mais rápidos e atuais, e o modelo proposto é uma resposta a essa demanda. Por fim, este estudo é uma contribuição inovadora à ciência brasileira, uma vez que o deep learning ainda não é difundido na pesquisa de transportes do país.

 

Referência:

Drchal, J., Certicky, M., & Jakob, M. (2019). Data-driven activity scheduler for agent-based mobility models. Transportation Research Part C, pp. 370-390.

 

Daniele Firme Miranda
(Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo. / Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo.)
Aluna de Mestrado em Transportes
Universidade de Brasília - Brasil
CVLattes: http://lattes.cnpq.br/0847743374371743
ORCID: https://orcid.org/0000-0002-0186-9467

Pastor Willy Gonzales Taco
Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo.
Master's Advisor | Doctorate Advisor
University of Brasília - Brazil
CVLattes: http://lattes.cnpq.br/9878324695903634
ORCID: https://orcid.org/0000-0002-2055-9114