The relationship between different entities is a property that can be represented as a graph, structured sets formed by entities (i.e., vertices) and relationships (i.e., edges). Graphs have often been used to answer questions about the interaction between entities from the real world by analyzing their vertices and edges (i.e., the graphs topology). On the other hand, complex networks are known to be graphs of non-trivial topology, capable of representing human phenomena such as cities urbanization, peoples movement, and migration, besides epidemic processes. However, graph theory and network science, the research fields that oversee the study of graphs and complex networks, have also been traversed in the realm of artificial intelligence, in which the analysis of the interaction between different entities is transposed to the internal learning process of algorithms. In this sense, this thesis introduces complex networks and supervised learning (classification and regression) techniques to improve understanding of human phenomena inherent to street networks, pendular migration, and pandemics progression through computational analysis and modeling. Accordingly, we contribute with: (i) techniques for identifying inconsistencies in the urban plan while tracking the most influential vertices; (ii) a methodology for analyzing and predicting links in the scope of human mobility between cities through machine learning algorithms; and (iii) a new neural network architecture capable of modeling dynamic processes observed in spatial and temporal data with applications on different domains. These results reiterate the potential of graphs and complex networks in solving problems related to analyzing human phenomena and modeling their evolutive processes across space and time when used together with articial intelligence learning algorithms.

A relação entre diferentes entidades de um conjunto de dados é uma propriedade passível de ser representada por um grafo, os quais são conjuntos estruturados formados por entidades (i.e., vértices) e relacionamentos (i.e., arestas). Por muitas vezes grafos foram utilizados para responder questionamentos sobre a interação entre entidades do mundo real pela análise de seus vértices e arestas (i.e., topologia do grafo). As redes complexas, por outro lado, ficaram conhecidas por serem grafos de topologia não trivial. Entre suas aplicações, destaca-se a representação de fenômenos humanos como a urbanização de cidades, o movimento migratório de populações, e a propagação de pandemias. A teoria dos grafos e a ciência de redes, os campos de pesquisa que regem o estudo de grafos e redes complexas, tem sido explorados com sinergia no âmbito da inteligencia artificial, no qual transpõe-se a análise da interação entre diferentes entidades para o processo interno de aprendizado computacional dos algoritmos. Neste sentido, a presente tese introduz um ferramental de redes complexas juntamente com técnicas de aprendizado supervisionado de classificação e regressão de modo a contribuir com o entendimento de fenômenos humanos inerentes às malhas viárias, migrações pendulares, e progressões pandêmicas por meio de modelagem e análise computacional. Entre os resultados alcançados, estão: (i) técnicas de identificação de falhas de planejamento urbano ao mesmo tempo em que se auxilia na análise da topologia da rede complexa para diferenciar os vértices mais influentes; (ii) uma metodologia de análise e predição de links em redes complexas no âmbito de mobilidade humana entre cidades por meio de aprendizado de máquina; e, (iii) uma nova arquitetura de rede neural capaz de modelar processos dinâmicos observados em dados variantes no espaço e no tempo, com aplicações de alcance a diferentes domínios. Tais resultados reiteram o potencial dos grafos e das redes complexas na solução de problemas conectados à análise de diferentes fenômenos humanos, bem como a previsão de seus processos evolutivos no espaço e no tempo, quando utilizados conjuntamente com os algoritmos de aprendizado computacional provenientes da inteligência artificial.