Aplicação de aprendizado de máquina em mobilidade urbana

Abstract

Resumo : O estudo utiliza algoritmos de aprendizado de máquina para analisar dados de mobilidade urbana. O objetivo geral deste estudo é propor uma metodologia que otimize o fluxo de tráfego nas grandes cidades, utilizando bases de dados artificiais que simulam cenários urbanos complexos. Para atingir esse objetivo, foi realizada a prospecção de estudos relacionados ao tema de pesquisa, identificando os algoritmos mais adequados ao problema. Em seguida, foi concebida uma base de dados artificial, representando diferentes dimensões da mobilidade urbana, como fluxo de tráfego, uso de transporte público e condições climáticas. Por fim, foram aplicados algoritmos de aprendizado de máquina, incluindo Random Forest, KNN e RNA, para modelar padrões e prever congestionamentos. A coleta de dados foi realizada em bases disponíveis em repositórios, como Kaggle e UCI Repository. Após o pré-processamento, os dados foram categorizados em variáveis temporais, fatores de mobilidade e métricas de desempenho, garantindo a qualidade e a representatividade dos cenários analisados. Os resultados obtidos mostraram que os algoritmos apresentaram acurácia entre 64% e 66%, dependendo da complexidade do modelo. O Random Forest se destacou como o mais robusto, enquanto o KNN apresentou maior sensibilidade a padrões locais. Os desafios incluíram a necessidade de balanceamento de classes e ajustes de hiperparâmetros para melhorar a performance geral. Como proposta de trabalhos futuros, sugere-se a aplicação dessa metodologia em bases de dados reais e a ampliação do estudo para incluir outros fatores de mobilidade urbana, como impactos ambientais e acessibilidade. A replicação da metodologia em cidades com diferentes características também pode fornecer insights valiosos para gestores urbanos

Abstract : This study uses machine learning algorithms to analyze urban mobility data. The overall aim of this study is to propose a methodology that optimizes traffic flow in large cities, using artificial databases that simulate complex urban scenarios. In order to achieve this objective, a survey of studies related to the research topic was carried out, identifying the algorithms best suited to the problem. Next, an artificial database was designed, representing different dimensions of urban mobility, such as traffic flow, use of public transport and climatic conditions. Finally, machine learning algorithms were applied, including Random Forest, KNN and RNA, to model patterns and predict congestion. Data was collected from databases available in repositories such as Kaggle and UCI Repository. After pre-processing, the data was categorized into time variables, mobility factors and performance metrics, ensuring the quality and representativeness of the scenarios analyzed. The results showed that the algorithms were between 64% and 66% accurate, depending on the complexity of the model. Random Forest stood out as the most robust, while KNN showed greater sensitivity to local patterns. Challenges included the need for class balancing and hyperparameter adjustments to improve overall performance. As a proposal for future work, we suggest applying this methodology to real databases and extending the study to include other urban mobility factors, such as environmental impacts and accessibility. Replicating the methodology in cities with different characteristics could also provide valuable insights for urban managers