Aprendizagem de máquina aplicada ao transporte rodoviário de produtos do Polo Automotivo do Vale do Paraíba

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Santos, Carlos Alberto Alves dos
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Machine learning
Previsão do tempo de viagem
Transporte rodoviário
Aprendizado de máquina
Transporte de cargas
Travel time prediction
Road transport
Link de acesso: https://app.uff.br/riuff/handle/1/40576
Resumo: O transporte rodoviário de cargas é fundamental para o escoamento da produção de indústrias de todo o Brasil. No entanto, fatores como o tráfego e as condições climáticas podem gerar incertezas e aumentar os custos operacionais. Neste trabalho, é proposto o uso de técnicas de machine learning em conjunto com dados de tráfego do Google Maps e dados meteorológicos extraídos do Instituto Nacional de Meteorologia (INMET) para otimizar o transporte rodoviário de bens produzidos no Polo Automotivo do Vale do Paraíba. Seguindo a estrutura CRISP-DM, o objetivo principal foi desenvolver modelos de previsão de tempo de viagem que considere as variáveis de tráfego e condições meteorológicas, para minimizar cenários de incertezas no escoamento da produção e reduzir os custos operacionais. Para alcançar esse objetivo, foram coletados dados sobre o histórico de tráfego no percurso de uma Planta Industrial em Resende-RJ até o Porto do Rio de Janeiro, bem como o histórico de informações sobre as condições climáticas na rota estudada. Esses dados foram utilizados para treinar modelos de machine learning capazes de prever o tempo de viagem e a condição climática para o período, indicando cenários e insights para o tomador de decisão. Os resultados da pesquisa revelaram que o modelo Light Gradient Boosting Machines (LightGBM), ao utilizar variáveis de início da rota em conjunto com as medições de Umidade Relativa do Ar, apresentou os melhores resultados em termos de variabilidade do Tempo Médio de Viagem, além de ter o melhor desempenho em relação aos indicadores de performance quando comparado a outros modelos de machine learning desenvolvidos.
id UFF-2_6b071be4be3ba81a082919421fda3a53
oai_identifier_str oai:app.uff.br:1/40576
network_acronym_str UFF-2
network_name_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository_id_str
spelling Aprendizagem de máquina aplicada ao transporte rodoviário de produtos do Polo Automotivo do Vale do ParaíbaMachine learningPrevisão do tempo de viagemTransporte rodoviárioTransporte rodoviárioAprendizado de máquinaTransporte de cargasMachine learningTravel time predictionRoad transportO transporte rodoviário de cargas é fundamental para o escoamento da produção de indústrias de todo o Brasil. No entanto, fatores como o tráfego e as condições climáticas podem gerar incertezas e aumentar os custos operacionais. Neste trabalho, é proposto o uso de técnicas de machine learning em conjunto com dados de tráfego do Google Maps e dados meteorológicos extraídos do Instituto Nacional de Meteorologia (INMET) para otimizar o transporte rodoviário de bens produzidos no Polo Automotivo do Vale do Paraíba. Seguindo a estrutura CRISP-DM, o objetivo principal foi desenvolver modelos de previsão de tempo de viagem que considere as variáveis de tráfego e condições meteorológicas, para minimizar cenários de incertezas no escoamento da produção e reduzir os custos operacionais. Para alcançar esse objetivo, foram coletados dados sobre o histórico de tráfego no percurso de uma Planta Industrial em Resende-RJ até o Porto do Rio de Janeiro, bem como o histórico de informações sobre as condições climáticas na rota estudada. Esses dados foram utilizados para treinar modelos de machine learning capazes de prever o tempo de viagem e a condição climática para o período, indicando cenários e insights para o tomador de decisão. Os resultados da pesquisa revelaram que o modelo Light Gradient Boosting Machines (LightGBM), ao utilizar variáveis de início da rota em conjunto com as medições de Umidade Relativa do Ar, apresentou os melhores resultados em termos de variabilidade do Tempo Médio de Viagem, além de ter o melhor desempenho em relação aos indicadores de performance quando comparado a outros modelos de machine learning desenvolvidos.The road transportation of goods is essential for the flow of production from industries throughout Brazil. However, factors such as traffic and weather conditions can generate uncertainties and increase operational costs. In this work, the use of machine learning techniques together with traffic data from Google Maps and meteorological data extracted from the National Institute of Meteorology (INMET) is proposed to optimize the road transportation of goods produced in the Automotive Polo of Vale do Paraíba. Following the CRISP-DM framework, the main objective was to develop travel time prediction models that consider traffic variables and meteorological conditions, in order to minimize scenarios of uncertainties in the production flow and reduce operational costs. To achieve this goal, data were collected on the traffic history along the route from an Industrial Plant in Resende-RJ to the Port of Rio de Janeiro, as well as the historical information on weather conditions on the studied route. These data were used to train machine learning models capable of predicting travel time and weather conditions for the period, providing scenarios and insights for the decision-maker. The research results revealed that the Light Gradient Boosting Machines (LightGBM) model, using variables from the beginning of the route together with measurements of Relative Humidity, brought the best results in terms of variability of Average Travel Time, as well as the best performance compared to other developed machine learning models.200 f.Araujo, João Felipe MitreLima, Gilson Brito AlvesFerreira, Geraldo de SouzaOliveira, Cintia Machado deSantos, Carlos Alberto Alves dos2025-10-20T21:34:53Z2025-10-20T21:34:53Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfSANTOS, Carlos Alberto Alves dos. Aprendizagem de máquina aplicada ao transporte rodoviário de produtos do Polo Automotivo do Vale do Paraíba. 2024. 200 f. Dissertação (Mestrado Profissional em Montagem Industrial) - Programa de Pós-Graduação em Montagem Industrial, Escola de Engenharia, Universidade Federal Fluminense, Niterói, 2024.https://app.uff.br/riuff/handle/1/40576CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2025-10-20T21:34:53Zoai:app.uff.br:1/40576Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202025-10-20T21:34:53Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false
dc.title.none.fl_str_mv Aprendizagem de máquina aplicada ao transporte rodoviário de produtos do Polo Automotivo do Vale do Paraíba
title Aprendizagem de máquina aplicada ao transporte rodoviário de produtos do Polo Automotivo do Vale do Paraíba
spellingShingle Aprendizagem de máquina aplicada ao transporte rodoviário de produtos do Polo Automotivo do Vale do Paraíba
Santos, Carlos Alberto Alves dos
Machine learning
Previsão do tempo de viagem
Transporte rodoviário
Transporte rodoviário
Aprendizado de máquina
Transporte de cargas
Machine learning
Travel time prediction
Road transport
title_short Aprendizagem de máquina aplicada ao transporte rodoviário de produtos do Polo Automotivo do Vale do Paraíba
title_full Aprendizagem de máquina aplicada ao transporte rodoviário de produtos do Polo Automotivo do Vale do Paraíba
title_fullStr Aprendizagem de máquina aplicada ao transporte rodoviário de produtos do Polo Automotivo do Vale do Paraíba
title_full_unstemmed Aprendizagem de máquina aplicada ao transporte rodoviário de produtos do Polo Automotivo do Vale do Paraíba
title_sort Aprendizagem de máquina aplicada ao transporte rodoviário de produtos do Polo Automotivo do Vale do Paraíba
author Santos, Carlos Alberto Alves dos
author_facet Santos, Carlos Alberto Alves dos
author_role author
dc.contributor.none.fl_str_mv Araujo, João Felipe Mitre
Lima, Gilson Brito Alves
Ferreira, Geraldo de Souza
Oliveira, Cintia Machado de
dc.contributor.author.fl_str_mv Santos, Carlos Alberto Alves dos
dc.subject.por.fl_str_mv Machine learning
Previsão do tempo de viagem
Transporte rodoviário
Transporte rodoviário
Aprendizado de máquina
Transporte de cargas
Machine learning
Travel time prediction
Road transport
topic Machine learning
Previsão do tempo de viagem
Transporte rodoviário
Transporte rodoviário
Aprendizado de máquina
Transporte de cargas
Machine learning
Travel time prediction
Road transport
description O transporte rodoviário de cargas é fundamental para o escoamento da produção de indústrias de todo o Brasil. No entanto, fatores como o tráfego e as condições climáticas podem gerar incertezas e aumentar os custos operacionais. Neste trabalho, é proposto o uso de técnicas de machine learning em conjunto com dados de tráfego do Google Maps e dados meteorológicos extraídos do Instituto Nacional de Meteorologia (INMET) para otimizar o transporte rodoviário de bens produzidos no Polo Automotivo do Vale do Paraíba. Seguindo a estrutura CRISP-DM, o objetivo principal foi desenvolver modelos de previsão de tempo de viagem que considere as variáveis de tráfego e condições meteorológicas, para minimizar cenários de incertezas no escoamento da produção e reduzir os custos operacionais. Para alcançar esse objetivo, foram coletados dados sobre o histórico de tráfego no percurso de uma Planta Industrial em Resende-RJ até o Porto do Rio de Janeiro, bem como o histórico de informações sobre as condições climáticas na rota estudada. Esses dados foram utilizados para treinar modelos de machine learning capazes de prever o tempo de viagem e a condição climática para o período, indicando cenários e insights para o tomador de decisão. Os resultados da pesquisa revelaram que o modelo Light Gradient Boosting Machines (LightGBM), ao utilizar variáveis de início da rota em conjunto com as medições de Umidade Relativa do Ar, apresentou os melhores resultados em termos de variabilidade do Tempo Médio de Viagem, além de ter o melhor desempenho em relação aos indicadores de performance quando comparado a outros modelos de machine learning desenvolvidos.
publishDate 2025
dc.date.none.fl_str_mv 2025-10-20T21:34:53Z
2025-10-20T21:34:53Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv SANTOS, Carlos Alberto Alves dos. Aprendizagem de máquina aplicada ao transporte rodoviário de produtos do Polo Automotivo do Vale do Paraíba. 2024. 200 f. Dissertação (Mestrado Profissional em Montagem Industrial) - Programa de Pós-Graduação em Montagem Industrial, Escola de Engenharia, Universidade Federal Fluminense, Niterói, 2024.
https://app.uff.br/riuff/handle/1/40576
identifier_str_mv SANTOS, Carlos Alberto Alves dos. Aprendizagem de máquina aplicada ao transporte rodoviário de produtos do Polo Automotivo do Vale do Paraíba. 2024. 200 f. Dissertação (Mestrado Profissional em Montagem Industrial) - Programa de Pós-Graduação em Montagem Industrial, Escola de Engenharia, Universidade Federal Fluminense, Niterói, 2024.
url https://app.uff.br/riuff/handle/1/40576
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv CC-BY-SA
info:eu-repo/semantics/openAccess
rights_invalid_str_mv CC-BY-SA
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)
instname:Universidade Federal Fluminense (UFF)
instacron:UFF
instname_str Universidade Federal Fluminense (UFF)
instacron_str UFF
institution UFF
reponame_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
collection Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository.name.fl_str_mv Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)
repository.mail.fl_str_mv riuff@id.uff.br
_version_ 1848091144443920384

Registros relacionados