Este trabalho investiga o comportamento individual, relativo a viagens encadeadas, para uma amostra de trabalhadores através de participação em atividades e de características socioeconômicas. Além disso, este trabalho propõe a inclusão de características modais agregadas, obtidas através do algoritmo Classification And Regression Tree (CART) e da Pesquisa Origem-Destino (Preferência Revelada - PR) de 2007 associada ao município de São Paulo. Especificamente, se propõe a: (1) classificar os indivíduos em grupos que apresentem similares padrões de viagens encadeadas; (2) realizar uma caracterização das alternativas modais a partir de dados de PR; (3) propor um critério para formulação do modelo Logit Multinomial a partir da redução de parâmetros a serem estimados; e (4) mensurar o aprimoramento das estimativas através da inclusão de características das alternativas (tempos médios de viagens). Assim, este estudo está associado às seguintes lacunas: (1) a ausência de dados relativos às alternativas em Pesquisa de PR; (2) a falta de um critério para composição das funções utilidade para o caso de grande conjunto de alternativas e (3) modelagem com base na abordagem de demanda por viagens baseadas em atividades. Levando-se em conta os resultados obtidos, verificou-se a viabilidade do procedimento metodológico proposto considerando as restrições da ferramenta utilizada. Adicionalmente, a modelagem paramétrica apresentou melhoria no modelo a partir da inclusão da variável que caracteriza a alternativa, além de corroborar relações embasadas pela literatura.
Aos meus pais, pelo amor, apoio e investimento aplicado para o desenvolvimento de uma formação com excelência.À minha orientadora e amiga, Cira Souza Pitombo, pela confiança depositada e pelo suporte e aprendizado fornecidos durante toda a minha jornada acadêmica.À minha irmã e melhor amiga, Mariana Urano, pelo companheirismo, lealdade e apoio fornecidos desde minha mudança para São Carlos.À minha Belinha, pela lealdade, amor e companheirismo.Aos fiéis amigos da minha cidade natal (Fortaleza/CE),
Discrete choice models have been used over the years in disaggregated approaches to forecast destination choices. However, there are important constraints in some of these models that pose obstacles to using them, such as the Independence of Irrelevant Alternatives (IIA) property in the Multinomial Logit model, the need to assume specific structures and high calibration times, depending on the complexity of the case being evaluated. However, some of these mentioned constraints could be mitigated using Mixed Models or Nested Logit. Therefore, this paper proposes a comparative analysis between the Artificial Neural Network (ANNs), the Multinomial and Nested Logit models for disaggregated forecasting of urban trip distribution. A case study was conducted in a medium-sized Brazilian city, Santa Maria (RS), Brazil. The data used come from a household survey, prepared for the Urban Mobility Master Plan. For the sake of comparison, hit rates and frequency of trip distribution distances were analyzed, showing that ANNs can be as efficient as the Discrete Choice models for disaggregated forecasting of urban trip destination without, however, assuming some constraints. Finally, based on the results obtained, the efficiency of ANNs is observed for predicting alternatives with a low number of observations. They are important tools for obtaining Origin-Destination matrices from incomplete sample matrices or with a low number of observations. However, it is important to mention that discrete choice models can provide important information for the analyst, such as statistical significance of parameters, elasticities, subjective value of attributes, etc.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.