Os modelos de escolha discreta baseados na abordagem de maximização da utilidade aleatória (Random Utility Maximization, RUM) são alternativos aos tradicionais modelos agregados de distribuição de viagens. Por outro lado, a abordagem de minimização do arrependimento aleatório (Random Regret Minimization, RRM) surgiu como opção ao RUM na análise de fenômenos comportamentais. Nesse sentido, o objetivo desta dissertação é comparar o desempenho de modelos de escolha discreta sob as abordagens RUM e RRM para estimativa da escolha de destinos em viagens por motivo trabalho. Para atingir este objetivo foram comparados os resultados da aplicação das abordagens RUM e RRM na modelagem da escolha de destinos em viagens urbanas a trabalho na cidade de São Paulo utilizando dados da pesquisa Origem-Destino de 2017 do tipo Preferência Revelada realizada pela Companhia do Metropolitano de São Paulo. Foram aplicados métodos de redução do conjunto de escolha de alternativas e de amostragem dos conjuntos de escolhas disponíveis aos indivíduos. Inicialmente, foi utilizado o método para definição do número ótimo de alternativas em modelos RRM, haja vista a complexidade computacional para estimativa de modelos envolvendo conjuntos com grande número de escolhas possíveis. Para a seleção do conjunto de alternativas disponíveis aos indivíduos foi aplicado o método de amostragem estratificada baseado no índice de Moran. Na especificação dos modelos foram testadas diferentes variáveis relacionadas a empregos de forma quantitativa (empregos totais e por tipo) e qualitativa (variáveis dummies espaciais de localização de empregos), e variável de impedância (distância). Os resultados dos modelos em termos de log-verossimilhança final, !, Akaike Information Criteria (AIC) e Bayesian Information Criteria (BIC) foram similares para ambas as abordagens no caso estudado. Entretanto, os modelos RRM exigiram tempo de processamento médio de 52 minutos para as estimativas, enquanto os modelos RUM foram estimados em 32 segundos em média. Ainda, os modelos com os atributos de quantidade total de empregos e quantidade total de empregos por tipo (indústria e serviços) apresentaram melhor desempenho nas duas abordagens, apesar de todos os atributos considerados terem apresentado significância estatística nos modelos testados.

Discrete choice models based on the Random Utility Maximization (RUM) approach are alternatives to the traditional aggregated trip distribution models. On the other hand, the Random Regret Minimization (RRM) approach has emerged as an option to RUM in the analysis of behavioral phenomena. The aim of this thesis is to compare the performance of discrete choice models under the RUM and RRM approaches to estimate destination choice in trips for work reasons in the city of São Paulo. To achieve this objective, this tesis compares the results of the RUM and RRM approaches applied to model the destination choice of urban business trips in the city of São Paulo using data from the Origin-Destination survey of 2017, Revealed Preference type carried out by Companhia do Metropolitano de São Paulo. Methods for reducing choice set of alternatives and sampling methods to define available alternatives to individuals were applied. Initially, the developed method to define the optimal number of alternatives in RRM models was used, given the computational complexity for estimating models involving sets with many possible choices. To select the choice set, the stratified sampling of alternatives method, based on the Moran index, was applied. In specifying the models, different variables related to jobs were tested quantitatively (total jobs and jobs by type) and qualitatively (spatial dummy variables of job location), and impedance variable (distance). The results of the models in terms of final log-likelihood, 2, Akaike Information Criteria (AIC) and Bayesian Information Criteria (BIC) were similar for both approaches in the case studied. However, the RRM models required an average processing time of 52 minutes, while the RUM models were estimated at 32 seconds on average. Furthermore, the models with the attributes of total number of jobs and total number of jobs by type (industry and services) showed better performance in both approaches, despite all considered attributes having presented statistical significance in tested models.