Previsão de horários dos ônibus do sistema de transporte público coletivo de Campina Grande.

• Main Author: MACIEL, Matheus de Araújo.
• Other Authors: ANDRADE, Nazareno Ferreira de.
• Language: Portuguese
• Published: Universidade Federal de Campina Grande 2016
• Subjects: Ciências; Ciência da Computação; Inteligência Artificial; Aprendizado de Máquina; Horários dos Ônibus - Previsão; Sistemas de Transportes Inteligentes; Ciência da Computação - Dissertação
• Online Access: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/797

Submitted by Maria Medeiros ([e-mail]) on 2018-05-24T12:09:46Z No. of bitstreams: 1 MATHEUS DE ARAÚJO MACIEL - DISSERTAÇÃO (PPGCC) 2016.pdf: 1452809 bytes, checksum: 4919281053ceb7031a223f7bff5b2678 (MD5) === Made available in DSpace on 2018-05-24T12:09:46Z (GMT). No. of bitstreams: 1 MATHEUS DE ARAÚJO MACIEL - DISSERTAÇÃO (PPGCC) 2016.pdf: 1452809 bytes, checksum: 4919281053ceb7031a223f7bff5b2678 (MD5) Previous issue date: 2016 === A previsibilidade dos serviços de transporte público é um aspecto central para a melhoria da experiência de seus usuários. Contudo, por funcionar dentro de um ambiente estocástico, essa previsibilidade é tipicamente prejudicada. Neste trabalho investigamos a possibilidade de tornar um sistema de transporte público mais previsível através do uso das informações históricas em um contexto onde não há disponível tecnologia de localização tempo real dos veículos ou informação atualizada sobre a operação do serviço. Embora GPS e outras tecnologias de Automatic vehicle location (AVL) em tempo real existam, muitos municípios brasileiros não as têm disponíveis. Considerando essa situação, utilizamos dados históricos de operação do sistema de ônibus da cidade de Campina Grande para avaliar o desempenho de quatro algoritmos de regressão na tarefa de prever no início do dia como os horários programados para os ônibus serão cumpridos. Os resultados apontam que embora a falta de informação em tempo real prejudique a capacidade preditiva dos algoritmos em determinadas situações, utilizá-los torna possível a previsão dos horários de saída reais dos ônibus com erro mediano de 28 segundos, e a previsão dos horários de fim de viagem com erro de mediano de -167 segundos. === Predictability of public transport services is essential to improving its user experience. However,by working within a stochastic environment, predictability is typically impaired. In this work, we investigate the possibility of making a more predictable public transport system through the use of historical information, in a context where there is no available real-time vehicle location technology or updated information on the operation of the system. While GPS and other real- time Automatic Vehicle Location technologies (AVL) exists, many Brazilian cities do not have them available. Aware of this situation, we used data from the Campina Grande city bus system to evaluate the performance of four regression algorithms on the task of predicting, early in the day, how buses scheduled times will be fulfilled. Results show, although the lack of real time information may harm algorithms predictive ability in certain situations, using them makes it possible to forecast actual buses departure times with a median error of 28 seconds and buses arrival time with a median error of -167 seconds.