Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.ufjf.br/jspui/handle/ufjf/15466
Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
raelfonsecaandretto.pdf1.19 MBAdobe PDFVista previa
Visualizar/Abrir
Clase: Dissertação
Título : Aprendizado de máquina para alocação de equipagem ferroviária
Autor(es): Andretto, Rael Fonseca
Orientador: Aguiar, Eduardo Pestana de
Miembros Examinadores: Vellasco, Marley Maria Bernardes Rebuzzi
Miembros Examinadores: Fonseca, Leonardo Goliatt da
Resumo: Para se tornarem cada vez mais competitivas no mercado, as empresas ferroviárias buscam otimizar recursos para reduzir custos. Uma grande parcela das despesas ferroviárias está no pagamento da mão de obra, que, em adição ao salário, recebe por horas de prontidão, em transporte, além de pagamento de alimentação e hotéis. Apesar de existirem profissionais especializados, cuja função é realizar a alocação de equipe de forma mais econômica, muitas incertezas existem no momento da decisão, levando a muitos maquinistas a realizarem ciclos ociosos. Técnicas de aprendizado de máquina são ideais para realizar generalizações de novos cenários a partir de uma base de dados de treinamento e podem ser aplicadas para reduzir incertezas em diversos problemas. A literatura científica demonstra que apesar de haver muitos estudos envolvendo otimização de recursos humanos em sistemas de transportes, esta ainda está em desenvolvimento quando é necessária a utilização de técnicas de inteligência computacional, principalmente no meio ferroviário. Neste trabalho, aplicado na MRS Logística S.A., em uma primera etapa, técnicas de análise exploratória de dados são usadas em conjunto com as regras geradas por uma árvore de decisão, para criar diretrizes a serem aplicadas no dia a dia da alocação de equipagem, a fim de evitar ciclos ociosos. Na segunda etapa, cinco algoritmos de aprendizado de máquina são utilizados para aprender a real necessidade de um maquinista no resto de seu ciclo, ou seja, se haverá ciclo útil ou ocioso, com o objetivo de reduzir a dúvida no momento de sua alocação, podendo até gerar sua dispensa do serviço. Dos algoritmos treinados, além dos mais clássicos como rede neural, máquina de vetor de suporte, árvore de decisão e floresta aleatória, foi utilizado o ALMMo, um modelo neuro-fuzzy, evolutivo e não paramétrico, que se atualiza a cada dado novo inserido. Os resultados da primeira etapa mostraram uma redução superior a 50% na ocorrência de ciclos ociosos na empresa. Na segunda etapa do estudo, os algoritmos mostraram uma acurácia acima de 86%, em média, o que atende a todos os níveis de serviço estabelecidos pela empresa. Por fim, tanto a árvore de decisão, a floresta aleatória e o ALMMo mostraram ser soluções adequadas para aplicações na empresa, devido aos seus desempenhos e características.
Resumen : Railway companies seek to optimize resources and reduce costs, which leads to becoming increasingly competitive in the market. A large portion of railway expenses is in the workforce’s payment, which, in addition to the salary, receives for hours of readiness, transport, food, and hotel expenses. Although there are specialized professionals whose function is to allocate the drivers more economically, many uncertainties exist at the time of the decision, leading many train drivers to carry out idle cycles. Machine learning techniques are ideal for generalizing new scenarios from a training database and can be applied to reduce uncertainties in many problems. The scientific literature shows that although there are many studies about the optimization of human resources in transport systems, this is still under development when it is necessary to use computational intelligence techniques, mainly in the railway environment. In this work, applied at MRS Logística S.A., a Brazilian railway operator, in a first step, exploratory data analysis techniques are used together with the rules generated by a decision tree to create and apply guidelines in crew allocation in the corporation. In the second stage, five machine learning algorithms learn the real need of a train driver for the rest of his cycle to reduce doubts at the time of his allocation, and may even lead to his dismissal from the service. Of the trained algorithms, in addition to the more classic ones such as neural network, support vector machine, decision tree, and random forest, ALMMo was used, a neuro-fuzzy, evolutionary and non-parametric model, which updates itself with the addition of new data. The results of the first stage showed a reduction of more than 50% in the occurrence of idle cycles in the company. In the second stage of the study, the algorithms showed an accuracy above 86%, on average, which meets all service levels established by the company. Finally, the decision tree, the random forest, and the ALMMo were considered suitable solutions for application in the company due to their performances and characteristics.
Palabras clave : Ferrovia
Aprendizado de máquina
Inteligência artificial
Railway
Machine learning
Artificial intelligence
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
Idioma: por
País: Brasil
Editorial : Universidade Federal de Juiz de Fora (UFJF)
Sigla de la Instituición: UFJF
Departamento: ICE – Instituto de Ciências Exatas
Programa: Programa de Pós-graduação em Modelagem Computacional
Clase de Acesso: Acesso Aberto
Attribution-NonCommercial-NoDerivs 3.0 Brazil
Licenças Creative Commons: http://creativecommons.org/licenses/by-nc-nd/3.0/br/
URI : https://repositorio.ufjf.br/jspui/handle/ufjf/15466
Fecha de publicación : 16-mar-2023
Aparece en las colecciones: Mestrado em Modelagem Computacional (Dissertações)



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons