Modelagem STARIMA e LSTM na previsão do tráfego urbano veicular: uma análise comparada

Página do item simplificado
dc.contributor.advisorAbrão, Taufik
dc.contributor.authorMartel Júnior, José de Jesus Braga
dc.contributor.bancaZarpelão, Bruno Bogaz
dc.contributor.bancaFrança, Maria Bernadete Morais de
dc.coverage.extent99 p.
dc.coverage.spatialLondrina
dc.date.accessioned2025-12-08T18:13:33Z
dc.date.available2025-12-08T18:13:33Z
dc.date.issued2025-07-25
dc.description.abstractO crescimento das cidades e da frota de veículos tem tornado o tráfego urbano um desafio complexo para a gestão e o planejamento, exigindo soluções inovadoras para otimizar o fluxo veicular e promover a sustentabilidade. A modelagem preditiva emerge como uma ferramenta importante, utilizando dados históricos (como velocidade, fluxo e densidade) e variáveis contextuais (como eventos, condições climáticas e obras em andamento) para prever o comportamento futuro do tráfego. Essa abordagem facilita ajustes em tempo real, otimiza os tempos de semáforos e rotas de transporte público, e possibilita alertar motoristas sobre possíveis atrasos, permitindo o uso de rotas alternativas. No planejamento de longo prazo, auxilia na previsão da demanda por diferentes modais de transporte e na identificação de áreas que necessitam de melhorias na infraestrutura, promovendo soluções como a ampliação do transporte público e a criação de ciclovias. A relevância dessa proatividade é evidente, especialmente para o desenvolvimento sustentável, adaptando-se ao crescimento populacional e às mudanças nos padrões de mobilidade. A análise preditiva transforma dados em informações acionáveis, tornando os espaços urbanos mais produtivos e otimizados, beneficiando tanto a gestão reativa quanto o planejamento estratégico. Diante deste tema, esta dissertação propõe explorar e implementar técnicas de modelagem preditiva, com foco em dois modelos centrais: o modelo espaço-tempo autorregressivo integrado à média móvel STARIMA (Space-Time Autoregressive Integrated Moving Average) e o modelo baseado em redes neurais recorrentes LSTM (Long Short-Term Memory). O STARIMA se destaca por sua capacidade de capturar dependências espaço-temporais presentes no tráfego, sendo particularmente eficaz em previsões de curto prazo, considerando variações de velocidade e topologia da rede viária. Por sua vez, o modelo LSTM oferece uma abordagem não linear, com maior capacidade de generalização e aprendizado de padrões complexos e de longo prazo, especialmente útil em contextos com maior variabilidade e dinâmica temporal. Ambos os modelos são avaliados sob a perspectiva do monitoramento, predição e controle de tráfego urbano (TMPC – traffic monitoring, prediction and control) em ambientes de cidades inteligentes. Nesta dissertação será realizada uma comparação dos modelos STARIMA e LSTM para a predição do tráfego urbano veicular para curto e longo prazo usando conjuntos de dados reais do trânsito de São Paulo e Distrito Federal
dc.description.abstractother1The growth of cities and vehicle fleets has made urban traffic a complex challenge for management and planning, requiring innovative solutions to optimize vehicular flow and promote sustainability. Predictive modeling emerges as an important tool, utilizing historical data (such as speed, flow, and density) and contextual variables (such as events, weather conditions, and ongoing construction) to forecast future traffic behavior. This approach facilitates real-time adjustments, optimizes traffic light timing and public transportation routes, and enables drivers to be alerted about potential delays, allowing the use of alternative routes. In long-term planning, it aids in forecasting demand for different transportation modes and identifying areas that need infrastructure improvements, promoting solutions such as expanding public transportation and creating bike lanes. The relevance of this proactive approach is evident, especially for sustainable development, adapting to population growth and changes in mobility patterns. Predictive analysis transforms data into actionable information, making urban spaces more productive and optimized, benefiting both reactive management and strategic planning. Given this theme, this dissertation proposes to explore and implement predictive modeling techniques, focusing on two central models: the Space-Time Autoregressive Integrated Moving Average model STARIMA (Space-Time Autoregressive Integrated Moving Average) and the model based on recurrent neural networks LSTM (Long Short-Term Memory). STARIMA stands out for its ability to capture spatio-temporal dependencies present in traffic, being particularly effective in short-term forecasts, considering variations in speed and road network topology. In turn, the LSTM model offers a non-linear approach, with greater generalization capacity and learning of complex and long-term patterns, especially useful in contexts with greater variability and temporal dynamics. Both models are evaluated from the perspective of traffic monitoring, prediction, and control in urban traffic (TMPC – traffic monitoring, prediction and control) in smart city environments. In this dissertation, a comparison of the STARIMA and LSTM models will be conducted for the prediction of urban vehicular traffic in the short and long term using real traffic datasets from São Paulo and the Federal District
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/19045
dc.language.isopor
dc.relation.departamentCTU - Departamento de Engenharia Elétrica
dc.relation.institutionnameUniversidade Estadual de Londrina - UEL
dc.relation.ppgnamePrograma de Pós-Graduação em Engenharia Elétrica
dc.subjectCidades inteligentes
dc.subjectModelos de tráfego urbano veicular
dc.subjectControle de tráfego e congestionamento
dc.subjectSustentabilidade
dc.subjectSTARIMA
dc.subjectLSTM
dc.subjectModelagem preditiva
dc.subjectTráfego urbano
dc.subjectMobilidade urbana
dc.subjectRedes neurais recorrentes
dc.subject.capesEngenharias - Engenharia Elétrica
dc.subject.cnpqEngenharias - Engenharia Elétrica
dc.subject.keywordsSmart cities
dc.subject.keywordsUrban vehicular traffic models
dc.subject.keywordsTraffic control and congestion
dc.subject.keywordsSustainability
dc.subject.keywordsSTARIMA
dc.subject.keywordsLSTM
dc.subject.keywordsPredictive modelling
dc.subject.keywordsCity traffic
dc.subject.keywordsUrban mobility
dc.subject.keywordsRecurrent neural networks
dc.titleModelagem STARIMA e LSTM na previsão do tráfego urbano veicular: uma análise comparada
dc.title.alternativeSTARIMA and LSTM modeling in urban vehicle traffic prediction: a comparative analysis
dc.typeDissertação
dcterms.educationLevelMestrado Acadêmico
dcterms.provenanceCentro de Tecnologia e Urbanismo

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Imagem de Miniatura
Nome:
EN_EEL_Me_2025_Martel Júnior_José_JB.pdf
Tamanho:
4.45 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo: ID. 194248
Baixar
Nenhuma Miniatura disponível
Nome:
EN_EEL_Me_2025_Martel Júnior_José_JB_TERMO.pdf
Tamanho:
108.92 KB
Formato:
Adobe Portable Document Format
Descrição:
Termo de autorização
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
555 B
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

02 - Mestrado - Engenharia Elétrica