Use este identificador para citar ou linkar para este item:
https://repositorio.pucgoias.edu.br/jspui/handle/123456789/360
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.creator | Silva, Rafael Gomes da | - |
dc.date.accessioned | 2020-12-10T14:04:36Z | - |
dc.date.available | 2020-12-10T14:04:36Z | - |
dc.date.issued | 2020-11-30 | - |
dc.identifier.uri | https://repositorio.pucgoias.edu.br/jspui/handle/123456789/360 | - |
dc.language | por | pt_BR |
dc.publisher | Pontifícia Universidade Católica de Goiás | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Análise preditiva | pt_BR |
dc.subject | Deep learning | pt_BR |
dc.subject | Fluxo de tráfego urbano | pt_BR |
dc.subject | CNN | pt_BR |
dc.subject | LSTM | pt_BR |
dc.title | Análise comparativa entre os modelos CNN e LSTM para predição de fluxo do tráfego urbano na cidade de recife | pt_BR |
dc.type | Trabalho de Conclusão de Curso | pt_BR |
dc.contributor.advisor1 | Jukemura, Anibal Santos | - |
dc.contributor.advisor1ID | https://orcid.org/0000-0001-9922-460X | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/3837493709938496 | pt_BR |
dc.contributor.referee1 | Vieira, Sibelius Lellis | - |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/0345972428103987 | pt_BR |
dc.contributor.referee2 | Vinhal, Gustavo Siqueira | - |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/5227400971565575 | pt_BR |
dc.description.resumo | Diante do aumento na quantidade de dados disponíveis para o tráfego urbano, e das consequências causadas por congestionamentos, como o aumento no tempo de espera dos motoristas e o aumento na emissão de CO2 na atmosfera, este trabalho se propôs a realizar uma análise comparativa entre os modelos de Deep Learning CNN e LSTM para demonstrar qual modelo melhor se adapta ao problema de predição de fluxo do tráfego urbano na cidade de Recife. Utilizando técnicas de pré-processamento dos dados para otimizar os resultados, e adotando estruturas para os modelos com base nos trabalhos relacionados, os dados foram divididos em subconjuntos para a análise de cenários diferentes. Apesar do modelo CNN ter apresentado um limite no valor máximo de predição, e do modelo LSTM não ter conseguido realizar predições para um dos subconjuntos, os resultados, em geral, indicaram que o modelo LSTM possui uma performance melhor do que o modelo CNN. | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | Escola de Ciências Exatas e da Computação | pt_BR |
dc.publisher.initials | PUC Goiás | pt_BR |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO::COMPUTABILIDADE E MODELOS DE COMPUTACAO | pt_BR |
dc.relation.references | BROWNLEE, J. Metrics to evaluate Machine Learning algorithms in Python. Machine Learning Mastery, maio 2016. Disponível em: <https://machinelearningmastery.com/ metricsevaluatemachinelearningalgorithmspython/>. Acesso em: 20 nov. 2020. BROWNLEE, J. How to use data scaling to improve Deep Learning model stability and performance. Machine Learning Mastery, fev. 2019. Disponível em: <https://machinelearningmastery.com/howtoimproveneuralnetworkstabilityandmodelingperformancewithdatascaling/>. Acesso em: 20 nov. 2020. COLABORATORY. Colaboratory. 2020. Disponível em: <https://colab.research. google.com/notebooks/intro.ipynb>. Acesso em: 20 nov. 2020. CTTU. Velocidade das vias quantitativo por velocidade média 2019. Portal de Dados Abertos da Cidade de Recife, abr. 2020. Disponível em: <http://dados.recife. pe.gov.br/dataset/velocidadedasviasquantitativoporvelocidademedia2019>. Acesso em: 6 abr. 2020. GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. [S.l.]: MIT Press, 2016. | pt_BR |
dc.degree.graduation | Ciência da Computação | pt_BR |
dc.degree.level | Graduação | pt_BR |
Aparece nas coleções: | TCC Ciência da Computação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
tcc-v5.pdf | Análise Comparativa entre os Modelos CNN e LSTM para Predição de Fluxo do Tráfego Urbano na Cidade de Recife | 3,55 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.
Ferramentas do administrador