Otimização da mobilidade pública: Previsão dos tempos de transporte público utilizando modelos de Machine Learning

Abstract

Esta dissertação aborda a aplicação de Inteligência Artificial (IA) para a previsão de horários de chegada de autocarros na cidade de Lisboa, com o objetivo de melhorar a pontualidade e a satisfação dos utilizadores. Desenvolvido em parceria com a Tecmic, o estudo baseia-se em dados recolhidos desde 2019, incluindo informações sobre as paragens, horários e condições de trânsito. Aplicando a metodologia CRISP-DM, foram elaborados modelos preditivos usando técnicas avançadas de Machine Learning, especialmente Redes Neuronais Artificiais (ANN), escolhidas pela sua capacidade de lidar com a complexidade dos dados e as variáveis envolvidas. O processo incluiu a obtenção dos dados através do SQL Server e a preparação e limpeza dos dados e a modelação com Python, e a visualização dos resultados em dashboards interativos no Power BI, o que facilitou a análise do desempenho dos modelos. Os resultados sugerem que o sistema proposto não só aprimora a precisão das previsões, especialmente em condições de trânsito variáveis, como também demonstra uma escalabilidade que pode ser aplicada em outras cidades, destacando o potencial da IA na gestão de transportes públicos. Além disso, o trabalho contribui para o desenvolvimento de cidades inteligentes, promovendo um transporte público mais eficiente e confiável, beneficiando tanto os operadores quanto os utilizadores. Este projeto representa um avanço significativo na forma como os dados são utilizados para otimizar a operação de transportes urbanos, abrindo caminho para futuras pesquisas e implementações em diferentes contextos urbanos.

This thesis examines the potential of Artificial Intelligence (AI) to enhance the punctuality and user satisfaction of public transportation in the city of Lisbon. The study was developed in collaboration with Tecmic and was based on data collected since 2019, including information on stops, timetables and traffic conditions. The CRISP-DM methodology was employed to develop predictive models utilizing advanced machine learning techniques, particularly artificial neural networks. These were selected for their capacity to handle the intricacy of the data and the variables involved. The process entailed the acquisition of data through SQL Server, its subsequent preparation and cleansing, and its modelling with Python. The results were then visualized on interactive dashboards in Power BI, thereby facilitating the analysis of the models' performance. The results demonstrate that the proposed system not only enhances forecast precision but also offers a scalable solution that can be implemented in other cities, underscoring the potential of AI in public transport management. Furthermore, the work contributes to the development of smart cities, promoting more efficient and reliable public transport, which benefits both operators and users. This project represents a significant advance in the way data is used to optimize the operation of urban transport, paving the way for future research and implementation in different urban contexts.