Use este identificador para citar ou linkar para este item: https://repositorio.ifg.edu.br/handle/prefix/2892
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisor1Canêdo, Daniel Rosa-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1405718290259067pt_BR
dc.contributor.referee1Canedo, Daniel Rosa-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/1405718290259067pt_BR
dc.contributor.referee2Canuto, Sérgio Daniel Carvalho-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/1405718290259067pt_BR
dc.contributor.referee3Oliveira, Renan Rodrigues de-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/7710582751476178pt_BR
dc.creatorBrugnaro, Marcos Rodrigues-
dc.creator.Latteshttps://lattes.cnpq.br/1266980441827699pt_BR
dc.date.accessioned2026-10-27T14:23:27Z-
dc.date.available2026-10-27T14:23:27Z-
dc.date.issued2025-02-14-
dc.identifier.citationBRUGNARO, Marcos Rodrigues. Viagens urbanas inteligentes: predição de tempo de viagens urbanas utilizando modelos de Machine Learning e redes neurais artificiais. 2025. 78 f. Trabalho de Conclusão de Curso (Especialização em Inteligência Artificial Aplicada) – Instituto Federal de Educação, Ciência e Tecnologia de Goiás, Câmpus Anápolis, Anápolis, 2025.pt_BR
dc.identifier.urihttps://repositorio.ifg.edu.br/handle/prefix/2892-
dc.description.resumoEstamos imersos em uma era orientada por dados, especialmente nos grandes centros urbanos, tecnologias embarcadas em veículos monitoram e coletam dados diários, tornando o transporte público urbano uma fonte valiosa para extração e análise de dados (GRUS, 2016) 1 . Nesse contexto, o transporte público enfrenta o desafio da imprevisibilidade na duração das viagens urbanas, o que afeta diretamente os passageiros, que dependem de estimativas precisas para planejar melhor seus deslocamentos. Para abordar essa questão, este trabalho propõe a exploração de bases de dados abertas do transporte público de Curitiba-PR e a realização de experimentos com modelos preditivos, visando estimar com maior precisão a duração das viagens de ônibus urbanos. Foram realizados experimentos utilizando diferentes técnicas de aprendizado de máquina com o objetivo de avaliar a precisão na previsão da duração do tempo de viagem dos ônibus urbanos. Os resultados mostraram que, ao utilizar a abordagem tradicional Regressão Polinomial combinada com Validação Cruzada, o modelo proposto conseguiu prever os tempos de viagem com maior precisão do que os métodos baseados e Redes Neurais Artificiais. O menor erro registrado foi de 29,9729 segundos, indicando uma melhoria significativa na confiabilidade das estimativas.pt_BR
dc.description.provenanceSubmitted by Lucimar Alves de Oliveira (lucimar.oliveira@ifg.edu.br) on 2026-10-02T18:49:43Z No. of bitstreams: 1 Manografia de Marcos Rodrigues.pdf: 2358788 bytes, checksum: 67220719116af29d4f9b3ac037c26431 (MD5)en
dc.description.provenanceApproved for entry into archive by Matheus Rocha Piacenti (matheus.piacenti@ifg.edu.br) on 2026-10-27T14:23:27Z (GMT) No. of bitstreams: 1 Manografia de Marcos Rodrigues.pdf: 2358788 bytes, checksum: 67220719116af29d4f9b3ac037c26431 (MD5)en
dc.description.provenanceMade available in DSpace on 2026-10-27T14:23:27Z (GMT). No. of bitstreams: 1 Manografia de Marcos Rodrigues.pdf: 2358788 bytes, checksum: 67220719116af29d4f9b3ac037c26431 (MD5) Previous issue date: 2025-02-14en
dc.languageporpt_BR
dc.publisherInsitituto Federal de Educação, Ciência e Tecnologia de Goiáspt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentCâmpus Anápolispt_BR
dc.publisher.initialsIFGpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectTransporte Público Urbanopt_BR
dc.subjectUrban Public Transportpt_BR
dc.subjectRegressão Polinomialpt_BR
dc.subjectPolynomial Regressionpt_BR
dc.subjectModelos Preditivospt_BR
dc.subjectPredictive Modelspt_BR
dc.subject.cnpqCiência da Computação (Área) / Metodologia e Técnicas da Computação (Subárea) / Sistemas de Informação (Subárea)pt_BR
dc.titleViagens urbanas inteligentes: predição de tempo de viagens urbanas utilizando modelos de Machine Learning e redes neurais artificiaispt_BR
dc.title.alternativeSmart urban trips: predicting urban trip times using Machine Learning models and artificial neural networkspt_BR
dc.typeMonografia-Especializaçãopt_BR
Aparece nas coleções:Especialização em Inteligência Artificial Aplicada

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Manografia de Marcos Rodrigues.pdfMonografia: Marcos Rodrigues Brugnaro2,3 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Recomendar este item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.