Análise desagregada de dados de demanda por transportes através de modelagem geoestatística e tradicional

Abstract

Análise desagregada de dados de demanda por transportes através de modelagem geoestatística e tradicional São Carlos 1. Geoestatística. 2. Regressão logística. 3. Demanda por transportes. I. Título. "Se projetas alguma coisa, ela te sairá bem e a luz brilhará em teus caminhos". Jó, 22:28 AGRADECIMENTOS Agradeço primeiramente a Deus, pelas oportunidades concebidas em minha vida e à força contemplada na jornada. Agradeço à minha família, especialmente aos meus pais, pelos princípios ensinados, os quais permitiram que eu me tornasse uma pessoa perseverante. Agradeço ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) pelo apoio à pesquisa. Agradeço à professora, Cira Souza Pitombo, que se prontificou a me orientar e sempre foi muito solícita e disponível. Agradeço às amizades que se edificaram nesta etapa. Tenho uma imensa gratidão pelos amigos Felipe Costa Bethonico, Lucas Assirati e Samille Santos Rocha, não apenas pelo companheirismo, mas também pela preocupação, solidariedade e apoio nos momentos difíceis deste Mestrado. Agradeço ao amicíssimo Diego Fernandes Neris, que me encorajou a fazer esta Pós Graduação e me inspira com o seu sucesso. Agradeço a Márcia Pereira de Andrade, professora fundame ntal na minha iniciação aos estudos da área de Engenharia de Transportes desde o período da Graduação.variável. Isso demonstrou que, apesar de possuir menor taxa de acertos, a modelagem geoestatística, por utilizar menor número de informações para previsão da variável, teve um resultado satisfatório e demonstra-se promissora na área de planejamento de transportes, sobretudo considerando sua habilidade de estimação em outras coordenadas geográficas além das amostradas. Palavras-chave: Geoestatística, regressão logística, demanda por transportes. ABSTRACT LINDNER, A. Disaggregated data analysis on transportation demand through traditional and geostatistical modeling. 2015. 106p. Thesis (Master of Science) -Engineering School of São Carlos, University of São Paulo. São Carlos, 2015. The comprehension of population displacement patterns and travel demand forecasting is crucial on making decisions related to urban transportation planning. In order to obtain this information, classic models like the sequential Four-step model are applied. However, classic models do not consider spatial location in their approach. Geostatistics is displayed as a suitable complementary instrument able to model spatial information. This work intends to forecast disaggregated data on transportation demand through traditional and geostatistical modeling. The present study compares the results from classic approach and Geostatistics through an Origin-Destination Survey dataset, carried out in São Paulo Metropolitan Area in 2007. The classic approach was based on regression models whereas Geostatistics consisted in variable spatial estimation by semivariograms modeling and Kriging. At the end of the study, a comparison between regression and geostatistical analysis was conducted through results of prediction in locations where th...

Estudo Comparativo Do Uso De Krigagem Para Estimação Da Escolha Do Modo Particular Motorizado

“…P a r a a o b t e n ç ã o d o v a r i o g r a m a experimental, Lindner (2015) ortogonal à direção adotada para elaboração do variograma 1) O processo inicia-se em um primeiro ponto n 1 da amostra. Para toda observação distante h ± Δh e com ângulo entre θ ± Δθ deste ponto, calcula-se a diferença entre os valores dos pares (Figura 1a);…”

Uso de Algoritmos Genéticos para otimização de modelagem geoestatística aplicada à demanda por transportes

“…Além disso, o ideal em análises de demanda por transportes é conhecer o comportamento individual. Por outro lado, dados desagregados relativos a indivíduos, quando disponibilizados, muitas vezes, apresentam alta variabilidade a curtas distâncias (LINDNER, 2015), o que dificulta a caracterização do comportamento espacial deste tipo de variável. Portanto, a escala de amostragem é um dos fatores que influenciam na qualidade dos modelos.…”

Métodos heurísticos de desagregação de dados de demanda por transportes através de simulação geoestatística

“…A abordagem geoestatística, aplicada a estudos relativos à demanda por transportes, é ainda recente e não foi suficientemente explorada na linha de pesquisa de planejamento de transportes (YOON et al, 2014;CHEN et al, 2015). Contudo, alguns estudos recentes mostraram o potencial da técnica ao realizar estimativas espaciais de variáveis de demanda por transportes através krigagens Ordinária, Universal, Indicativa e com Deriva Externa para estimar viagens urbanas e escolha modal (MIURA, 2010;DA COSTA et al, 2013;ROCHA, 2014;LINDNER, 2015;PITOMBO et al, 2015a;PITOMBO et al, 2015b;LINDNER et al, 2016;ROCHA et al, 2017). A aplicação da Geoestatística no campo de modelagem de demanda por transportes ainda requer muitos conhecimentos básicos, principalmente acerca das variáveis, que encontram obstáculos por envolverem questões de comportamento humano.…”

“…Partindo-se do contexto de que variáveis de demanda por transportes são espacialmente dependentes e de que tal característica deve ser considerada para modelagem e desagregação de dados, este trabalho propõe o uso da Geoestatística. A Geoestatística compreende uma das técnicas de estatística espacial já utilizada por alguns autores nos estudos de planejamento de transportes (YOON et al, 2014;CHEN et al, 2015;MIURA, 2010;DA COSTA et al, 2013;ROCHA, 2014;LINDNER, 2015;PITOMBO et al, 2015a;PITOMBO et al, 2015b;LINDNER et al, 2016;ROCHA et al, 2017;MARQUES e PITOMBO, 2018). Esta técnica possibilita análises exploratórias e confirmatórias através da previsão do comportamento de uma variável espacialmente correlacionada.…”

“…No entanto, é importante avaliar a limitação do nível de desagregação de dados através dos resultados do método para as diferentes malhas. Variáveis de escolha modal, associadas ao indivíduo, podem gerar semivariogramas com efeito pepita puro de 76%(LINDNER, 2015). Isto é, a variabilidade é tão alta entre observações próximas, que o valor da variância é muito similar aos valores das variâncias entre observações mais afastadas entre si.…”