Busca avançada
Ano de início
Entree

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.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)