Using machine learning to predict activity chains and mode choice on transportation models

Abstract

Considerando as viagens como demanda derivada da necessidade das pessoas de executar suas atividades, fica claro que um melhor entendimento de como as pessoas organizam essas atividades durante o dia leva a uma modelagem de demanda por transportes mais sólida. Replicando decisões desagregadas (individuais) de transporte, os modelos baseados em atividades podem produzir melhores previsões de demanda por viagens comparados às gerações anteriores de abordagens de modelagem (a modelagem baseada em viagens, por exemplo). Um artigo publicado em 2019 se destaca entre as produções científicas recentes relacionadas à modelagem baseada em atividades por propor um modelo composto para geração de diários detalhados de atividades para agentes, com base em suas características socioeconômicas, o Agendador de Atividades Baseado em Dados (Data-Driven Activity Scheduler – DDAS). O objetivo deste trabalho foi desenvolver uma replicação comentada da abordagem metodológica de dois módulos do DDAS: o Modelo de Tipo de Atividade (Activity Type Model – ATM) e o Modelo de Escolha Modal (Mode Choice Model – MCM). Objetivos específicos incluíam a replicação destes módulos do DDAS usando dados da Pesquisa de Mobilidade Urbana do Distrito Federal, que é significativamente maior que a base de dados utilizada no artigo original. Além disso, pretendia-se investigar possíveis melhorias a serem feitas aos modelos do DDAS ou ao seu método de validação. Os resultados obtidos indicaram que uma modificação no método de treino dos modelos poderia compensar o desbalanço de frequência entre as classes. Assim, foi desenvolvida uma segunda implementação usando a técnica de SMOTE (Synthetic Minority Oversampling Technique – Técnica de Sobreamostragem Sintética de Minoria) para treinar os módulos ATM e MCM. Apesar de terem sido obtidas cadeias de atividades mais realistas a partir dessa segunda implementação, o score de validação para o módulo ATM foi baixo. Dessa forma, uma terceira implementação foi desenvolvida, com os modelos treinados como classificadores Random Forest no lugar de classificadores de árvore de decisão isoladas. Foi observada melhoria significativa nos resultados desse terceiro modelo, tanto no treinamento quanto na validação, para ambos os módulos ATM e MCM. Além disso, outra contribuição desse trabalho foi a disponibilização pública de todos os códigos desenvolvidos durante sua condução.