Uso de Aprendizado de Máquina em Sistemas de Mobilidade-sob-Demanda Integrados ao Transporte Público

• Processo: 23/17501-4
• Modalidade de apoio: Bolsas no Exterior - Pesquisa
• Data de Início da vigência: 30 de março de 2025
• Data de Término da vigência: 29 de março de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Raphael Yokoingawa de Camargo
• Beneficiário: Raphael Yokoingawa de Camargo
• Pesquisador Anfitrião: Amer Shalaby
• Instituição Sede: Centro de Matemática, Computação e Cognição (CMCC). Universidade Federal do ABC (UFABC). Ministério da Educação (Brasil). Santo André , SP, Brasil
• Instituição Anfitriã: University of Toronto (U of T), Canadá
• Vinculado ao auxílio: 21/11959-3 - CIDADES: Centro de Inovação em Políticas Públicas Urbanas, AP.CCD
• Assunto(s): Aprendizado computacional Cidades inteligentes
• Palavra(s)-Chave do Pesquisador: machine learning | Mobility-on-Demand | Public Transportation | reinforcement learning | Smart Cities | Urban Mobility | Aprendizado de Máquina

Resumo

O cenário em evolução da mobilidade urbana testemunhou o surgimento de sistemas de Mobilidade sob Demanda (MoD), incluindo serviços de transporte por aplicativo. Há um interesse crescente na aplicação desse conceito ao transporte público, por exemplo, para a conectividade de primeira e última milha aos hubs de transporte público por meio de soluções de como vans sob demanda. No entanto, gerenciar esses sistemas dinamicamente apresenta desafios significativos devido à variação nos padrões de demanda, condições incertas de tráfego e a necessidade de uma efetiva atribuição de veículos, roteamento e reequilíbrio de frotas.Neste projeto, proporemos e avaliaremos algoritmos de Deep RL para seleção de rotas-alvo para vans em cenários de primeira e última milha com conexões a centros de transporte público. As rotas-alvo selecionadas realizarão implicitamente as etapas de atribuição de veículos e reequilíbrio. Há vários estudos sobre o uso de Deep RL para serviços de chamada de veículos, mas eles se concentram principalmente no problema de reposicionamento apenas e focam no cenário de serviço porta a porta. Além disso, os algoritmos são treinados em uma única região, e para funcionarem em diferentes regiões, precisam ser retreinados.Este projeto gerará três contribuições para a literatura existente: 1) um modelo de Deep RL para o contexto de transporte de primeira e última milha para e a partir de hubs de transporte utilizando vans; 2) uma representação de estado transferível para Deep RL, facilitando o treinamento de modelos usando dados de múltiplas regiões; e 3) um modelo de Deep RL com representação de estado hierárquica para regiões maiores contendo múltiplos hubs de transporte. Avaliaremos os algoritmos usando métricas centradas no passageiro e operacionais, comparando-os com algoritmos existentes de atribuição de veículos, roteamento e reequilíbrio de frotas.