PRODUÇÃO ACADÊMICA Repositório Acadêmico da Graduação (RAG) TCC Ciência da Computação
Use este identificador para citar ou linkar para este item: https://repositorio.pucgoias.edu.br/jspui/handle/123456789/360
Registro completo de metadados
Campo DCValorIdioma
dc.creatorSilva, Rafael Gomes da-
dc.date.accessioned2020-12-10T14:04:36Z-
dc.date.available2020-12-10T14:04:36Z-
dc.date.issued2020-11-30-
dc.identifier.urihttps://repositorio.pucgoias.edu.br/jspui/handle/123456789/360-
dc.languageporpt_BR
dc.publisherPontifícia Universidade Católica de Goiáspt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectAnálise preditivapt_BR
dc.subjectDeep learningpt_BR
dc.subjectFluxo de tráfego urbanopt_BR
dc.subjectCNNpt_BR
dc.subjectLSTMpt_BR
dc.titleAnálise comparativa entre os modelos CNN e LSTM para predição de fluxo do tráfego urbano na cidade de recifept_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Jukemura, Anibal Santos-
dc.contributor.advisor1IDhttps://orcid.org/0000-0001-9922-460Xpt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/3837493709938496pt_BR
dc.contributor.referee1Vieira, Sibelius Lellis-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/0345972428103987pt_BR
dc.contributor.referee2Vinhal, Gustavo Siqueira-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/5227400971565575pt_BR
dc.description.resumoDiante 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.countryBrasilpt_BR
dc.publisher.departmentEscola de Ciências Exatas e da Computaçãopt_BR
dc.publisher.initialsPUC Goiáspt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO::COMPUTABILIDADE E MODELOS DE COMPUTACAOpt_BR
dc.relation.referencesBROWNLEE, 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.graduationCiência da Computaçãopt_BR
dc.degree.levelGraduaçãopt_BR
Aparece nas coleções:TCC Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
tcc-v5.pdfAnálise Comparativa entre os Modelos CNN e LSTM para Predição de Fluxo do Tráfego Urbano na Cidade de Recife3,55 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.

Ferramentas do administrador