Os modelos de escolha discreta, em especial o Logit Multinomial, surgem como alternativa aos modelos agregados tradicionais quando se deseja suprir a necessidade de considerar características individuais dos viajantes, além de variáveis agregadas sociodemográficas e de viagens, para previsão dos destinos dos deslocamentos. Apesar disso, há importantes restrições operacionais referentes às técnicas tradicionais de calibração desses modelos que impõem obstáculos ao seu uso em situações com muitas alternativas e parâmetros a serem estimados, como no caso da escolha de destinos urbanos. Diante do uso cada vez mais frequente e das contribuições registradas na literatura frente às ferramentas tradicionalmente usadas, os algoritmos de Aprendizagem de Máquinas surgem como artifício possível para viabilizar a calibração de modelos complexos. Assim, este trabalho tem como objetivo a aplicação de algoritmos de Aprendizagem de Máquinas na calibração de modelo Logit Multinomial para estimativa de escolha de destinos urbanos. Para isso, duas aplicações foram analisadas: (1) a proposição de uma estratégia, utilizando algoritmo CART (Classification And Regression Tree), para redução da quantidade de parâmetros em casos com grandes conjuntos de alternativas; e (2) o uso de Algoritmos Genéticos como ferramenta de calibração do modelo Logit Multinomial. Para ambos os casos, utilizou-se os resultados da calibração tradicional para validação e comparação. O município escolhido para este estudo foi Santa Maria (RS) e os dados utilizados são oriundos de pesquisa domiciliar e do Censo 2010. Os resultados evidenciam que a aplicação da estratégia proposta com algoritmo CART mostra-se viável, uma vez que não causou prejuízo à qualidade geral do modelo. Além disso, a aplicação de Algoritmos Genéticos para calibração do modelo Logit Multinomial em casos com muitas alternativas e/ou parâmetros relacionados ao indivíduo mostrou resultados superiores à calibração tradicional, com a ressalva da necessidade de um número alto de simulações, haja vista a grande quantidade de parâmetros a serem estimados.

Discrete choice models, especially Logit Multinomial, have emerged as an alternative to traditional aggregate models considering the importance of including individual characteristics of commuters, as well as aggregated sociodemographic and travel variables, to predict trip destinations. Despite this, there are important operational restrictions regarding traditional calibration techniques of these models that pose obstacles in terms of using them in situations with many alternatives and parameters to be estimated, as in the case of choosing urban destinations. Considering the ever-increasing use and contributions found in the literature compared to traditionally used tools, Machine Learning algorithms have emerged as a possible solution to enable the calibration of complex models. Thus, this study aims to apply Machine Learning algorithms to the calibration of the Logit Multinomial model to estimate urban destinations choices. To do this, two applications were analyzed: (1) proposing a strategy, using the CART (Classification and Regression Tree) algorithm, to reduce the number of parameters in cases with large choice sets; and (2) using Genetic Algorithms as a calibration tool for the Logit Multinomial model. For both cases, the results of the traditional calibration were used for validation and comparison. The municipality chosen for this study was Santa Maria (RS) and the data used are from OD household survey and the 2010 Census. The results show that the application of the proposed strategy using the CART algorithm proves to be viable as it did not affect the overall quality of the model. In addition, the application of Genetic Algorithms to calibrate the Logit Multinomial model in cases with many alternatives and/or parameters related to the individual showed better results than the traditional calibration. However, a high number of simulations was needed considering the large number of parameters to be estimated.