Return to search

Análise desagregada de dados de demanda por transportes através de modelagem geoestatística e tradicional / Disaggregated data analysis on transportation demand through traditional and geostatistical modeling

O conhecimento do padrão de deslocamento populacional bem como a estimativa de demanda por transportes são de fundamental importância para a tomada de decisões relativas ao planejamento urbano e de transportes. Em geral, a obtenção destas informações é realizada por modelos tradicionais como o modelo quatro etapas. Entretanto, modelos clássicos não levam em conta a dependência espacial das variáveis . A Geoestatística, valendo-se da utilização de variáveis regionalizadas, apresenta-se como uma ferramenta auxiliar capaz de modelar informações espaciais. Este trabalho tem por objetivo estimar dados desagregados de demanda por transportes através de modelagem geoestatística e tradicional. Neste estudo, a modelagem tradicional e a geoestatística puderam ser comparadas por meio de um banco de dados referente à pesquisa Origem/Destino da Região Metropolitana de São Paulo, realizada em 2007. A abordagem tradicional se baseou em um modelo de regressão enquanto que a abordagem geoestatística consistiu na estimação espacial de variáveis com base na modelagem de semivariogramas e Krigagem. Ao final do trabalho, foi possível realizar a comparação dos resultados da abordagem tradicional e geoestatística em coordenadas de valores conhecidos. Os resultados indicaram que a modelagem tradicional apontou uma taxa de acertos de 96 % pelo modelo de Regressão Logística Múltipla adotada para a variável dicotômica de preferência por modo motorizado (variável objeto de estudo). A abordagem tradicional baseou-se na calibração de um modelo por meio de outras oito variáveis. Entretanto, a modelagem geoestatística, utilizando -se apenas das coordenadas geográficas domiciliares, resultou em 67% de taxa de acertos de previsão da 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. / 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 mo del 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 the values of the variable are known. Results indicated that classic modeling had a 96% hit rate by Multiple Logistic Regression adopted for the dummy variable preference for motorized travel mode (object of study variable). Classic modeling was based on a training model using other eight predictor variables. Meanwhile, Geostatistics, using only residential geographical coordinate, resulted in a 67% hit rate for predicting the variable object of study. This demonstrates that, even though Geostatiscs had lower hit rate compared to Multiple Logistic Regression, it had satisfactory outcome and proves tobe a promising approach in transport planning, given that it considered less informati on to predict the variable, especially considering its ability of estimating in other geographical coordinates in addition to those sampled.

Identiferoai:union.ndltd.org:usp.br/oai:teses.usp.br:tde-09042015-090539
Date23 February 2015
CreatorsLindner, Anabele
ContributorsPitombo, Cira Souza
PublisherBiblioteca Digitais de Teses e Dissertações da USP
Source SetsUniversidade de São Paulo
LanguagePortuguese
Detected LanguagePortuguese
TypeDissertação de Mestrado
Formatapplication/pdf
RightsLiberar o conteúdo para acesso público.

Page generated in 0.0024 seconds