Gerenciamento Dinâmico de Transporte Público Sob Demanda para Última Milha: Proposta de Modelos Transferíveis para Algoritmos de Aprendizado por Reforço Profundo

• Processo: 24/18526-3
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de abril de 2025
• Situação: Interrompido
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Fabio Kon
• Beneficiário: Gustavo Henrique Santos Rodrigues
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 23/00811-0 - EcoSustain - Ciência de Dados e Computação para o Meio Ambiente, AP.TEM
• Bolsa(s) vinculada(s): 25/12288-6 - Otimização de Frotas de Veículos Elétricos Autônomos para Mobilidade Urbana Eficiente Baseada em Aprendizado por Reforço Profundo, BE.EP.MS
• Assunto(s): Aprendizado computacional Aprendizagem profunda Ciência de dados Mobilidade urbana Computação urbana
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado profundo | Ciência de dados | mobilidade urbana | Transporte sob Demanda | Computação Urbana

Resumo

Os avanços tecnológicos permitiram o aparecimento de sistemas de mobilidade sob demanda (MoD, Mobility on Demand), que são majoritariamente utilizados em plataformas de transporte de passageiros. Há um interesse crescente em aplicar este conceito aos transportes públicos, especialmente no contexto de sustentabilidade incuíndo, por exemplo, a redução da pegada de carbono. Uma abordagem inovadora é a implementação do trânsito sob demanda (ODTs, On-demand transit). Pesquisas recentes exploram a utilização de veículos de média dimensão, como pequenos ônibus ou vans, para melhorar a conetividade da primeira e da última milha aos centros de transporte público. No entanto, o gerenciamento dinâmico destes sistemas apresenta desafios significativos devido à variação dos padrões de demanda, à incerteza das condições de tráfego e à necessidade de atribuição eficaz de veículos, encaminhamento e reequilíbrio da frota. Uma abordagem possível é a utilização de algoritmos de aprendizado de reforço profundo e de algoritmos de trajetória baseados em Transformer para selecionar rotas-alvo para os ODTs. A principal desvantagem é que os algoritmos são treinados especificamente para uma região alvo, o que limita a sua aplicabilidade, especialmente dada a elevada demanda por dados de treino. Neste projeto, iremos propor e avaliar representações de modelos transferíveis para a integração de centros de trânsito com ODTs de última milha. Utilizaremos as representações para treinar modelos de trajectórias baseados em Transformer para gerar ações a partir de uma sequência de estados e recompensas passados e os avaliaremos utilizando como métrica a precisão das ações selecionadas, melhorias na precisão quando o treino utiliza dados de várias regiões e a transferibilidade dos modelos aprendidos. Finalmente, utilizaremos o modelo Transformer de trajectórias como agente para controlar uma frota de ODTs em cenários sintéticos e reais e avaliaremos o desempenho com e sem fine-tuning online, comparando-o com os algoritmos de atribuição e reposicionamento existentes.