O conceito de cidades inteligentes é uma tendência nas grandes cidades. Sistemas Inteligentes de Transporte desempenham um papel essencial no fornecimento de informações que possibilitam a previsão de tempos de viagem de ônibus. Informações precisas sobre tempos de viagem ajuda no planejamento dos passageiros e da agência responsável pelo transporte público. O objetivo deste trabalho é propor uma nova metodologia de previsão de tempos de viagem dos ônibus com base em dados abertos coletados em tempo real. A metodologia apresenta um processo para realizar predições precisas de tempos de viagem de ônibus, combinando um método de previsão estatística, um método de aprendizagem de máquina, e em conjunto com dados coletados em tempo real. Será apresentado todas as etapas do processo, incluindo a coleta de vários tipos de dados, armazenamento, análise do banco de dados, desenvolvimento e implementação das técnicas de aprendizado de máquina. Um banco de dados (dataset) foi construído a partir da coleta dos dados de geolocalização da frota de ônibus da cidade de São Paulo, dados de tráfego em tempo real, previsão de tráfego do Google Maps, dados meteorológicos e outros dados históricos. A seguir, treinamos uma Rede Neural Artificial (RNA). No processo de treinamento da RNA, alternamos o conjunto de dados e seus hiperparâmetros para descobrir a combinação que forneceu o menor erro de previsão. O erro médio percentual absoluto obtido foi de 9,10%, refletindo em uma raiz do erro quadrático médio de 297 segundos em uma linha que possui um tempo médio de viagem de 35 minutos. Esta pesquisa demonstrou que o método proposto forneceu uma previsão mais precisa do tempo de viagem de ônibus do que os métodos anteriores, a partir de dados da coletados em tempo real pela web.

The concept of smart cities is a trend in big cities. Intelligent Transport Systems plays an essential role in providing information that enables bus travel times prediction. Accurate travel times information improves the planning of the passengers and the agency responsible for public transport. The objective of this work is to propose a new methodology for buses travel times prediction based on open data collected in real time. The methodology presents a process for predicting accurate bus travel times, combining a statistical forecasting method, a machine learning method, along with real time data collected. All steps of the process will be presented, including the collect process for many different types of data, storage, database analysis, development and implementation of machine learning techniques. A dataset was built by collecting the geolocation of the bus fleet in the city of São Paulo, real-time traffic data, traffic forecast from Google Maps, meteorological data and other historical data. Finally, we train an Artificial Neural Network (ANN). In the ANN training process, we alternate the dataset and its hyperparameters to find the combination that provided the most accurate prediction. The mean absolute percentage error obtained was 9.10%, reflecting a root mean square error of 297 seconds on a bus line that has an average travel time of 35 minutes. This research demonstrated that the proposed method provided a prediction of bus travel time more accurate than previous methods, based on data collected in real time over the web.