Comparação entre modelos preditivos para otimização da estimativa de tempo em serviços de georreferenciamento de imóveis rurais

Abstract

Resumo: A determinação de preços para Serviços de Georreferenciamento de Imóveis Rurais (GIR) no Brasil é marcada por desafios, principalmente devido à falta de critérios objetivos e à alta incerteza na estimativa do tempo de execução em campo, que é a principal variável deste estudo, subjetividade esta, que gera dificuldades às partes envolvidas no processo. Em resposta a essa problemática, esta dissertação propõe, desenvolve e valida uma solução quantitativa baseada em modelagem preditiva. Utilizando um conjunto de dados de observações, obtidas durante os levantamentos topográficos georreferenciados nos imóveis rurais visitados, no interior do Paraná. Foram conduzidas análises comparativas entre diferentes classes de algoritmos, incluindo regressões lineares, modelos espaciais (globais e locais) e algoritmos de Machine Learning. A avaliação desses modelos foi realizada através de um protocolo de otimização de hiperparâmetros com validação cruzada (K-Fold), garantindo a seleção da melhor versão de cada algoritmo. Conclui-se que, embora a análise espacial tenha confirmado a presença de autocorrelação nos dados, a capacidade dos algoritmos de conjunto de capturar as interações complexas e não lineares entre as variáveis de campo se mostrou mais decisiva para a precisão preditiva. Portanto, a adoção de modelos de Machine Learning representa uma ferramenta metodologicamente defensável e superior para mitigar a subjetividade nos orçamentos, permitindo uma otimização eficaz do planejamento e da precificação dos serviços de georreferenciamento rural (GIR). A hipótese a de que se for possível medir o tempo de deslocamento entre vértices, identificar e associar a as variáveis que o impactam, bem como determinar o melhor modelo ou algoritmo, então a capacidade dessas variáveis em influenciar o tempo, poderá ser testada e quantificada

Abstract: The pricing of Rural Property Georeferencing (GIR) services in Brazil is marked by challenges, primarily due to the lack of objective criteria and the high uncertainty in estimating fieldwork execution time, the main variable of this study. This subjectivity creates difficulties for the parties involved in the process. In response to this issue, this dissertation proposes, develops, and validates a quantitative solution based on predictive modeling, using a dataset of observations obtained during georeferenced topographic surveys on visited rural properties in the interior of Paraná. Comparative analyses were conducted across different classes of algorithms, including linear regressions, spatial models (global and local), and Machine Learning algorithms. The evaluation of these models was performed through a protocol of hyperparameter optimization with K-Fold cross-validation, ensuring the selection of the best version of each algorithm. It is concluded that, although spatial analysis confirmed the presence of spatial autocorrelation in the data, the ability of ensemble algorithms to capture the complex and non-linear interactions between the field variables proved to be more decisive for predictive accuracy. Therefore, the adoption of Machine Learning algorithms represents a methodologically defensible and superior tool for mitigating subjectivity in budgeting, allowing for an effective optimization of the planning and pricing of rural georeferencing (GIR) services. The hypothesis is that if it is possible to measure the travel time between vertices, identify and associate the variables that impact it, as well as determine the best model or algorithm, then the capacity of these variables to influence the time can be tested and quantified