• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Dissertação de Mestrado
DOI
https://doi.org/10.11606/D.18.2017.tde-22122022-165525
Documento
Autor
Nome completo
Andreza Dornelas de Souza Roma
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Carlos, 2017
Orientador
Banca examinadora
Pitombo, Cira Souza (Presidente)
Isler, Cassiano Augusto
Sanches, Suely da Penha
Título em português
Comparação de algoritmos de aprendizagem de máquinas para análise desagregada de viagens intermunicipais
Palavras-chave em português
Algoritmos Genéticos
Análise Desagregada
Aprendizagem de Máquinas
Árvores de Decisão
CART
Distribuição de viagens
Modelo Gravitacional
Resumo em português
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.
Título em inglês
Comparison of Machine Learning algorithms for disaggregated analysis of intercity trips
Palavras-chave em inglês
CART
Decision Trees
Disaggregated Analysis
Genetics Algorithms
Gravitational Model
Machine Learning
Trip Distribution
Resumo em inglês
Usually, traditional trip distribution models ignore that destination choices are made individually and generally only consider aggregate variables such as employment and average travel cost. This study considers the aggregate characteristics of origin and destination cities, a measure of trip impedance, in addition to individual / household disaggregated variables. The objective of this research is to evaluate the performance of Machine Learning (ML) algorithms, CART (Classification and Regression Tree) and Genetic Algorithm (GA), in a disaggregated analysis of destination choices for intercity trips. The analysis is based on a database of an Origin-Destination Survey carried out in eleven cities in Bahia, Brazil, in 2012, in which models were calibrated for choices of intermunicipal destinations through the mentioned algorithms. The performance of each algorithm is compared to the traditional approach using gravitational models estimated by the stepwise and double constrained procedure, respectively. The comparison of the models with the gravitational models was performed considering the following criteria: distribution of travel distances, adjustment measures and qualitative perspective. The results show that the ML algorithms CART and GA present better predictions for the destinations choices, and the second one presented advantages in obtaining the estimated parameters related to the variables (aggregated and disaggregated) used in the model. The main conclusion is that such algorithms can be applied in trip distribution modeling, incorporating the effect of the disaggregated variables, without rigorous assumptions such as independence of the alternatives, for example.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2022-12-22
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2024. Todos os direitos reservados.