O rápido crescimento das cidades brasileiras, não acompanhado de um planejamento prévio de sua expansão (incluindo o uso e a ocupação do solo), vem acarretando transtornos à comunidade no que se refere aos deslocamentos, visto que estes se tornam cada vez maiores. Devido a isso, torna-se necessário um conhecimento das demarcações das áreas do município, dos tipos de serviços atualmente prestados à comunidade em cada área e dos usuários destes serviços, não só em termos quantitativos, mas principalmente no que diz respeito à sua distribuição no espaço. Mais ainda, o conhecimento da evolução da demanda no tempo e a sua localização espacial permitem a avaliação de inúmeros cenários de gestão da demanda e da oferta, possibilitando, por exemplo, prever em qual região haverá um crescimento maior da primeira. Outros aspectos que devem ser avaliados são a origem, o destino e o volume de deslocamentos que ocorrem em um determinado conjunto de zonas, o que pode ser estimado através de modelos de interação espacial. Neste sentido, foram realizados estudos com o objetivo de avaliar o desempenho de modelos de interação espacial construídos com Redes Neurais Artificiais (RNAs). Observou-se nestes estudos, uma carência de técnicas para seleção da rede neural a ser utilizada na modelagem, ou seja, a rede com melhor desempenho e poder de predição. Tal como a maioria dos trabalhos que utilizam Redes Neurais Artificiais para este tipo de modelagem, os parâmetros de rede são escolhidos aleatoriamente e, ainda que se consiga resultados satisfatórios variando-se tais parâmetros, nem sempre a rede utilizada representa a solução ótima. O objetivo desta pesquisa é avaliar o uso de diferentes alternativas, tais como a técnica de otimização de Algoritmos Genéticos (AGs) na seleção de Redes Neurais Artificiais e o método de estimação por bootstrap na divisão dos dados, para a construção de modelos de interação espacial, e avaliar a distribuição espacial dos resíduos (erros) das previsões. O estudo foi desenvolvido em um Sistema de Informações Geográficas (SIG) e os dados empregados para este fim refletem a evolução espacial da demanda por serviços municipais de educação numa cidade média brasileira (São Carlos, SP) ao longo de dois anos. Os resultados deste trabalho mostraram que, embora a utilização dos modelos neurais seja apropriada para a estimativa de fluxos, a partir do método gravitacional é possível mensurar de forma precisa e aceitável o crescimento e a distribuição espacial da demanda futura por serviços de educação, permitindo-se identificar quais devem ser as melhores ações a serem tomadas pelo poder público no presente com o intuito de reduzir as distâncias de deslocamento dos alunos no futuro. Isto é particularmente importante para ações de planejamento, em virtude da simplicidade do modelo e de sua fácil e direta implementação / The rapid growth of Brazilian cities, without a previous planning of their expansion (including land use and occupation), causes many inconveniences for the population related to their transportation, as they must cover longer distances. This asks for an understanding of the city areas limits, the services currently offered to the community in each area, and the users of these services, not only in quantitative terms, but also in terms of spatial distribution. Moreover, the knowledge of the demand evolution in time and its spatial location allows the evaluation of many planning scenarios for managing the demand and the supply, and it is possible, for example, to foresee the regions where the demand is going to be concentrated. Other aspects that must be evaluated are the origin, destination and number of trips that occur in a determined set of tracts, which can be predicted by the spatial interaction models. Therefore, some studies were made with the objective of evaluating the performance of Spatial Interaction Models based on Artificial Neural Networks (ANNs). It was observed in these studies, some difficulty in selecting the neural network configuration that best models the problem. As in the majority of research that uses Artificial Neural Networks for the construction of that kind of model, the network parameters are randomly chosen and, even if one can obtain satisfactory results by varying these parameters, the neural net used may not be producing the optimal solution. The objective of this work is to evaluate the use of different alternatives, such as the Genetic Algorithms (GAs) optimization technique and the bootstrapping estimation method, as supporting tools to select Artificial Neural Networks configurations applied to Spatial Interaction Models, and to evaluate the spatial distribution of the residual (errors) prediction results. The research was developed in a Geographic Information System (GIS) and the data used for this application reflects the changes in the spatial distribution of the demand for education services in a Brazilian medium-sized city (São Carlos, SP) throughout two years. The results obtained showed that although neural models are suitable for estimating transportation flows, gravity models are able to produce very good and precise estimates of the future spatial distribution of the demand for educational facilities. This is very important for the planning process aiming at the reduction of displacement costs of students in the future, given the simplicity of the gravity model structure and its straightforward implementation
Identifer | oai:union.ndltd.org:IBICT/oai:teses.usp.br:tde-21022006-160834 |
Date | 27 September 2005 |
Creators | Alexandra Akamine |
Contributors | Antonio Nelson Rodrigues da Silva, Rui António Rodrigues Ramos, José Alex Sant'Anna |
Publisher | Universidade de São Paulo, Engenharia de Transportes, USP, BR |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Source | reponame:Biblioteca Digital de Teses e Dissertações da USP, instname:Universidade de São Paulo, instacron:USP |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.1522 seconds