Previsão da demanda por viagens domiciliares através de método sequencial baseado em população sintética e redes neurais artificiais

Marcela Navarro Pianucci, Cira Souza Pitombo, André Luiz Cunha, Paulo César Lima Segantine

Resumo


A estimativa de viagens por domicílio é fundamental para a tomada de decisões relativas ao planejamento de transportes. Porém, para obter essa estimativa são necessários dados desagregados dos domicílios, que geralmente são obtidos pela Pesquisa Domiciliar de Origem e Destino. No entanto, a maioria das cidades enfrenta problemas para a aquisição desses dados, uma vez que este tipo de pesquisa é de alto custo de preparação e execução. Desta forma, surge a necessidade de ferramentas que forneçam dados confiáveis e com baixo custo. Assim, o objetivo deste artigo é apresentar um método sequencial, para estimativa de viagens domiciliares, a partir de população sintética e Redes Neurais Artificiais (RNAs).  A população sintética foi baseada em dados agregados do censo e simulação Monte Carlo. Os resultados obtidos com as RNAs foram comparados aos resultados de um modelo linear tradicional, mostrando-se melhores e corroborando o potencial do uso de RNAs para modelagem da demanda por transportes. As viagens sintéticas por domicílio foram validadas a partir dos dados desagregados da Pesquisa Origem-Destino (2007) e testes de hipótese para comparação de valores típicos e distribuições populacionais.  Em 71% dos setores censitários, as viagens sintéticas foram consideradas similares aos dados reais, confirmando a eficiência do método proposto. Assim, a principal lacuna desta pesquisa, é a apresentação do método sequencial, capaz de tanto minimizar problemas de aquisição de dados quanto atenuar as restrições e suposições matemáticas, inerentes aos modelos tradicionais de demanda por transportes.


Palavras-chave


Monte Carlo, Viagens sintéticas, Geração de viagens.

Texto completo:

PDF

Referências


Adeli, H. (2001) Neural Network in Civil Engineering: 1989 – 2000. Computer-Aided Civil and Infrastructure Engineering, v. 16 (2), p. 126-146. DOI: 10.1111/0885-9507.00219.

Adiga, A., Agashe, A.; Arifuzzaman, S.; Barrett, C.L.; Beckman, R.J.; Bisset, K.R.; Chen, J.; Chungbaek, Y.; Eubank, S.G.; Gupta, S.; Khan, M., Kuhlman; C.J., Lofgren, E.; Lewis, B.L.; Marathe, A.; Marathe, M.V.; Mortveit, H.S.; Nordberg, E.; Rivers, C.; Stretz, P.; Swarup, S.; Wilson, A. e Xie, D. (2015) Generating a synthetic population of the United States. Tech. Rep. NDSSL 15-009, Network Dynamics and Simulation Science Laboratory. Disponível em: (Acesso em: 07/08/2019).

Aguiar Júnior, S. R. (2004) Modelo RAPIDE: uma aplicação de mineração de dados e redes neurais artificiais para a estimativa da demanda por transporte rodoviário interestadual de passageiros no Brasil. Brasília. Dissertação (Mestrado em Gestão do conhecimento e da Tecnologia da informação), Universidade Católica de Brasília.

Al-Deek, H.M. (2001) Which method is Better for Developing Freight Planning Models at Seaports – neural Networks or Multiple Regression, Transportation Research Record, 1763, pp. 90-97, 2001. DOI: 10.3141/1763-14.

Atherton, T.J. and Ben-Akiva, M.E. (1976) Transferability and updating of disaggregate travel demand models. Transportation Research Record, 610, 12–18.

Disponível em: . (Acesso em: 07/08/2019).

Ashley, D. J. (1978) The Regional Highway Traffic Model: the home based trip end model. Proceedings 6th PTRC. Summer Annual Meeting, University of Warwick, July 1978, England.

Banks, J.; Carson, J.S.; Nelson, B.L. e Nicol, D.M. (2005) Discrete-Event System Simulation (4ª ed.). Prentice Hall, Upper Saddle River, NJ.

Bates, J.J., Gunn, H.F. and Roberts, M. (1978) A model of household car ownership. Traffic Engineering and Control 19, 486–491, 562–566.

Batista; B. C. F. (2012) Soluções de Equações Diferenciais usando Redes Neurais de Múltiplas camadas com os métodos da Descida mais íngreme e Levenberg-Marquardt. Belém. 88p. Dissertação (Mestrado em Matemática), Universidade Federal do Pará.

Beckman, R. J.; Baggerly, K. A. e Mckay, M. D. (1996) Creating synthetic baseline populations. Transportation Research Part A: Policy and Practice. Elsevier, v.30, n.6, p.415–429. DOI: 10.1016/0965-8564(96)00004-3.

Birkin, M.; Clarke, M. (1988) Synthesis—a synthetic spatial information system for urban and regional analysis: methods and examples. Environment and planning A. SAGE Publications, v.20, n.12, p.1645–1671. DOI: 10.1068/a201645.

Bowman, J. L. (2004) A comparison of population synthesizers used in microsimulation models of activity and travel demand. Working paper. Disponível em: . Acesso em: 17.3.2019.

Bowman, John L. (2009) Population Synthesizers, Traffic Engineering and Control, Vol. 49. No. 9: 342.

Bruton, M. J. (1979) Introdução ao planejamento dos transportes. Rio de Janeiro: Interciência.

Chwif, L.; Medina, A. (2014) Modelagem e Simulação de Eventos Discretos: Teoria e Aplicações (4ª ed.). Elsevier, São Paulo, Bra-sil.

Clifton, K. J., K. M. Currans, A. C. Cutter, and R. Schneider (2012) Household travel surveys in a context-based approach for adjusting ITE trip generation rates in urban contexts. Transportation Research Record 2307: p.108–119. DOI: 10.3141/2307-12.

Deming, W. E.; Stephan, F. F. (1940) On a least squares adjustment of a sampled frequency table when the expected mar-ginal totals are known. The Annals of Mathematical Statistics, JSTOR, v.11, n.4, p.427–444. DOI: 10.1214/aoms/1177731829.

Dougherty, M. (1995) A review of neural networks applied to transport. Transportation Research, Part C, v.3, n.4. p.247-260. DOI: 10.1016/0968-090X(95)00009-8.

Ewing, R., M. DeAnna, and Li, S. C. (1996). Land use impacts on trip generation rates. Transportation Research Record 1518: 1–6. DOI: 10.1177/0361198196151800101.

Escudero, L. F. (1973) La simulatición en la empresa. Ed. Duesto, Bilbao.

Freedman, D. A. (2009) Statistical Models: Theory and Practice. Cambridge University Press.

Gonçalves D. N. S.; Lopes, L. A. S. Da Silva, M. A. V. (2014) Aplicação de Redes Neurais Artificiais para estimar matriz origem-destino de carga. Anais do 28º Congresso Brasileiro de Transporte e Trânsito – ANPET, Curitiba. Disponível em: . (Acesso em: 07/08/2019).

Goncalves, D. N. S.; Silva, M. A.V.; D'Agosto, M. A. Procedimento para uso de Redes Neurais Artificiais no planejamento estraté-gico de fluxo de carga no Brasil. J. Transp. Lit., Manaus, v. 9, n. 1, p. 45-49, Jan. 2015. DOI: 10.1590/2238-1031.jtl.v9n1a9.

Hair, J. F.; Black, W.C.; Babin, B.J.; Anderson, R.E.; Tatham, R.L. (2009) Análise multivariada de dados (6ª ed.). Ed. Bookman, Porto Alegre.

Hammersley, J.; Handscomb, D. (1964) Monte Carlo Methods, Methuen’s Monographs on Applied Probability.: Wiley, New York.

Haykin, S. (1999) Neural networks - a comprehensive foundation. Prentice Hall, Ontario, Canada.

Huang, Z.; Williamson, P. A. (2002) Comparison of synthetic reconstruction and combinatorial optimization approaches to the creation of small-area microdata. Working paper. Department of Geography, University of Liverpool. Disponível em: file:///C:/Users/manav/Desktop/ARTIGOS_Transportes/huang.pdf (Acesso em: 07/08/2019).

Huisken, G.; Coffa, A. (2000) Neural Networks and Fuzzy Logic to improve Trip Generation Modelling, Proceedings of the 9th International Association for Travel Behaviour Research Conference, Institute of Transport Studies, IATBR, Gold Coast, Queensland, Austália, 2000. Disponível em: https://research.utwente.nl/en/publications/neural-networks-and-fuzzy-logic-to-improve-trip-generation-modell (Acesso em: 07/08/2019).

IBGE (2010) - Instituto Brasileiro de Geografia e Estatística. Disponível em: . (Acesso em: 15.3.2017).

Ichikawa, S.M.; Pitombo, C.S.; Kawamoto, E. (2002) Aplicação de Minerador de dados na obtenção de relações entre padrões de viagens encadeadas e caracterı́sticas socioeconômicas. Anais do XVI do Congresso de Pesquisa e Ensino em Transportes, Anpet, Natal (RN), v. 2, p. 175-186.

Jain, S.; Ronald, N.; Winter, S. (2015) Creating a Synthetic Population: A Comparison of Tools. In Proceedings of the 3rd Confer-ence Transportation Reserch Group, Kolkata, India, 17–20 December 2015. Disponível em: https://www.researchgate.net/publication/291608775_Creating_a_Synthetic_Population_A_Comparison_of_Tools. (Acesso em:07/08/2019).

Kawamoto, E. (1994) Análise de sistemas de transporte. 2ª ed. (Apostila). Departamento de Transportes. Escola de Engenharia de São Carlos, Universidade de São Paulo. São Carlos, Brasil.

Lin, H.; Taylor, M.A.P.; Zito R. (2005) A Review of Travel-Time prediction in Transport and Logistics. Proceedings of the Eastern Asia Society for Transportation Studies, v. 5, p. 1433 – 1448. Disponível em: https://trove.nla.gov.au/work/179520839?q&versionId=223381176+224842764+245312661+253844472. (Aces-so em: 07/08/2019).

Lindner, A. (2019) Métodos heurísticos de desagregação de dados de demanda por transportes através de simulação geoes-tatística. São Carlos. 118p. Tese (Doutorado) – Programa de Pós-graduação em Engenharia de Transportes e Área de Concentração em Planejamento e Operação de Sistemas de Transportes – Escola de Engenharia de São Carlos da Univer-sidade de São Paulo.

Lindner, A. e Pitombo, C.S; (2019) Sequential Gaussian Simulation as a promising tool in travel demand modeling. Journal of Geovisualization and Spatial Analysis (disponível online). DOI: 10.1007/s41651-019-0038-x.

Ma, L. (2011) Generating disaggregate population characteristics for input to travel-demand models. Florida. 124p. Tese (Dou-torado) — University of Florida.

Ma, L. e Srinivasan, S. (2015) Synthetic population generation with multilevel controls: A fitness-based synthesis approach and validations. Computer-Aided Civil and Infrastructure Engineering. Wiley Online Library, v.30, n.2, p.135–150. DOI: 10.1111/mice.12085.

Mackay, D. J. C. (1996) Introduction to Monte Carlo Methods. Cambridge (Cambridgeshire).

Moeckel, R.; Spiekermann, K.; Wegener, M.. (2003) Creating a Synthetic Population”. In: Proceedings of the 8th International Conference on Computers in Urban Planning and Urban Management (CUPUM), Sendai, Japan: [s.n.], p. 1-18.

Mozolin, M.; Thill, J.C.; Linn, U.E. (2015) Trip distribution forecasting with multilayer perceptron neural networks: A critical evaluation. Transportation Research Part B: Methodological, v. 34, p. 53-73. DOI: 10.1016/S0191-2615(99)00014-4. Dis-ponível em: https://ideas.repec.org/a/eee/transb/v34y2000i1p53-73.html. (Acesso em: 07/08/2019).

Müller, K. e Axhausen, K. W. (2011) Hierarchical IPF: Generating a synthetic population for Switzerland. In: 51 st Congress of the European Regional Science Association. Barcelona. Disponível em: file:///C:/Users/manav/Desktop/ARTIGOS_Transportes/Muller%202011.pdf. (Acesso em: 08/08/2019).

Münnich, R.; Schürle, J.; Bihler, W.; Boonstra, H. J.; Eckmair, D. e Haslinger, A. (2003) Monte Carlo simulation Study of Europe-an Surveys. DACSEIS Deliverables D, v.3.

Namazi-rad, M. R.; Mokhtarian, P. e Perez, P. (2014) Generating a dynamic synthetic population–using an age-structured two-sex model for house hold dynamics. PloS one. Public Library of Science, v.9, n.4, p. e94761. DOI: 10.1371/journal.pone.0094761.

Novaes, A. G. (1986) Sistemas de Transportes. Volume 1: Análise da Demanda. São Paulo: Edgard Blucher.

Openshaw, S.; Openshaw, C. (1997) Artificial intelligence in Geography, John Wiley and Sons, Chichester, 1997.

Ortúzar, J.D.; Willumsen, L.G. (2011). Modelling Transport. Wiley, 4th Edition.

Papacostas C. S.; Provedouros, P. D. (1993) Transportation Engineering and Planning. 2.ed. New Jersey: Prentice Hall.

Pitombo, C. S.; De Souza, A.D.; Lindner, A. (2017) Comparing decision tree algorithms to estimate intercity trip distribution. Transportation Research Part C , v. 77, p. 16-32. DOI: 10.1016/j.trc.2017.01.009.

PNUD (2016) - Atlas do Desenvolvimento Humano no Brasil. Disponível em: http://http://www.pnud.org.br/atlas. Acesso em: 15.3.2017.

Pritchard, D. R. (2008) Synthesizing Agents and Relationships for Land Use/ transportation Modelling. 2008. Canadian theses, University of Toronto, Toronto.

Raymond, C. J. (1982) Adapting for Heteroscedasticity in Linear Models. The Annals of Statistics. 10 (4): 1224–1233. DOI:10.1214/aos/1176345987. JSTOR 2240725.

Schmöcker, J. D.; Quddus, M. A.; Noland, R. B.; Bell, Michael G.H. (2005) Estimating trip generation of elderly and disabled people: analysis of London data, Transportation Research Record, 9–18. DOI: 10.3141/1924-02.

Silva, A. N. (2008) Rodrigues da. Pesquisa Origem e Destino da cidade de São Carlos. Relatório. Universidade de São Paulo, Esco-la de Engenharia de São Carlos.

Smith, M. (1996) Neural Networks for Statistical Modeling. International Thomson Computer Press, Londres, Inglaterra.

Tillema, F., van Zuilekom, K. M.; van Maarseveen, M. F. A. M. (2004) Trip generation: comparison of neural networks and regression models. In C. A. Brebbia, & L. C. Wadhwa (Eds.), Urban Transport X : Urban transport and the environment in the 21st century (pp. 121-130). Southampton, UK: WIT Press. Disponível em: https://research.utwente.nl/en/publications/trip-generation-comparison-of-neural-networks-and-regression-mode. (Acesso em: 07/08/2019).

Turchenko, V.; Grandinetti, L.; Bosilca, G.; Dongarra, J. (2010). Improvement of parallelization efficiency of batch pattern BP training algorithm using Open MPI. Procedia CS. 1. 525-533. DOI: 10.1016/j.procs.2010.04.056.

Vickerman, R. W.; Barmby, T. A. (1985) Household trip generation choice: alternative empirical approaches. Transportation Research B, 19(6), 471-479. DOI: 10.1016/0191-2615(85)90042-6.

Voas, D. e Williamson, P. (2001) Evaluating goodness-of-fit measures for synthetic microdata. Geographic a land Environmental Modelling. Taylor & Francis, v.5, n.2, p.177–200. DOI: 10.1080/13615930120086078.

Xie, C.; Lu, J.; Parkany, E. (2003) Work travel mode choice modeling with data mining: decision trees and neural networks. Transportation Research Record: Journal of the Transportation Research Board, n. 1854, p. 50-61. DOI: 10.3141/1854-06.

Ye, X., K. Konduri, R. M. Pendyala, B. Sana and P. Waddell (2009) A methodology to match distributions of both household and person attributes in the generation of synthetic populations, paper presented at the 88th Annual Meeting of the Transportation Research Board, Washington, D.C., January 2009.

Wasserman P.D. (1989) Advanced methods in neural computing. New York, Van Nostrand Reinhold.

Williamson, P.; Birkin, M.; Rees, P.H. (1998) The estimation of population microdata by using data from small area statistics and samples of anonymized records. Environment and Planning A, SAGE Publications, v.30, n.5, p.785–816. DOI: 10.1068/a300785.




DOI: https://doi.org/10.14295/transportes.v27i4.1409

Métricas do artigo

Carregando Métricas ...

Metrics powered by PLOS ALM


Direitos autorais 2019 Marcela Navarro Pianucci, Cira Souza Pitombo, André Luiz Cunha, Paulo César Lima Segantine

Licença Creative Commons
Esta obra está licenciada sob uma licença Creative Commons Atribuição 4.0 Internacional.

TRANSPORTES (ISSN: 2237-1346) é uma publicação da ANPET - Associação Nacional de Pesquisa e Ensino em Transportes (www.anpet.org.br)

 

Licença Creative Commons

Este obra está licenciado com uma Licença Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0 Internacional.