O objetivo deste trabalho foi desenvolver um modelo para reconhecer e reproduzir padrões de viagens encadeadas a pé. O processo de modelagem foi conduzido através da aplicação das técnicas das Redes Neurais Artificiais (RNAs), utilizando-se de uma rede estática MLP e de rede dinâmica Elman. A análise do desempenho do modelo foi baseada nos dados de uma pesquisa de Origem-Destino realizada, em 1987, pelo METRÔ-SP na Região Metropolitana de São Paulo. Na modelagem foi fixado o modo de viagem a pé, e, na abordagem seqüencial, padrões de viagens individuais foram representados em termos de dois componentes: duração da viagem e tipo de atividades. A análise foi realizada partindo da classificação geral e específica para cada segmento do encadeamento de viagens, o que permitiu a comparação dos resultados entre padrões de viagens observados e os reproduzidos pelas redes. Na classificação geral, cinco dos padrões previstos com maior freqüência pelas RNAs representaram em média 58,9% dos indivíduos no conjunto de dados usado para testar o desempenho do modelo. Para o vetor de duas e quatro viagens, as redes neurais reproduziram 50% das durações de viagem e 90% das atividades, tais como Trabalho e Escola. Embora esses resultados não pareçam muito robustos, não significa que eles estejam errados. As porcentagens acima representam a probabilidade de uma pessoa realizar viagens com aquelas durações ou tipo de atividades.

The main objective of this work was to develop a model for recognizing and reproduzing trip-chaining patterns by walk. The process of modeling was conducted applying the techniques of Artificial Neural Networks (ANNs), by using one of the static networks MLP and the Elman dynamic network. The analysis of the performance of the model was based on the origin-destination home-interview survey carried out by METRÔ-SP in São Paulo Metropolitan Area in 1987. The mode of trip by walk was fixed in the model, and, in the sequential approach, individual travel patterns were represented in terms of two components: trip duration and activity type. The analysis was accomplished starting from the general and specific classifications for each segment of the chained trips, which allowed the comparison of the results between the observed travel patterns and reproduced ones through ANNs. In general classification, 5 of the patterns most frequently predicted by the ANNs represented 58.9% of the individuals in the dataset used for testing the model performance. For the vectors of two and four trips, the neural networks reproduced 50% of trip durations and 90% of the activities, such as work and school. Although those results seem not so robust, it does not mean that they are wrong. The percentages above represent the probability of a person making trips with those durations or type of activities.