Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/15466
Files in This Item:
File Description SizeFormat 
raelfonsecaandretto.pdf1.19 MBAdobe PDFThumbnail
View/Open
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Aguiar, Eduardo Pestana de-
dc.contributor.advisor1Latteshttp://buscatextual.cnpq.br/buscatextual/busca.dopt_BR
dc.contributor.referee1Vellasco, Marley Maria Bernardes Rebuzzi-
dc.contributor.referee1Latteshttp://buscatextual.cnpq.br/buscatextual/busca.dopt_BR
dc.contributor.referee2Fonseca, Leonardo Goliatt da-
dc.contributor.referee2Latteshttp://buscatextual.cnpq.br/buscatextual/busca.dopt_BR
dc.creatorAndretto, Rael Fonseca-
dc.creator.Latteshttp://buscatextual.cnpq.br/buscatextual/busca.dopt_BR
dc.date.accessioned2023-06-02T14:59:26Z-
dc.date.available2023-06-01-
dc.date.available2023-06-02T14:59:26Z-
dc.date.issued2023-03-16-
dc.identifier.urihttps://repositorio.ufjf.br/jspui/handle/ufjf/15466-
dc.description.abstractRailway 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.pt_BR
dc.description.resumoPara 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.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Juiz de Fora (UFJF)pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentICE – Instituto de Ciências Exataspt_BR
dc.publisher.programPrograma de Pós-graduação em Modelagem Computacionalpt_BR
dc.publisher.initialsUFJFpt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectFerroviapt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectRailwaypt_BR
dc.subjectMachine learningpt_BR
dc.subjectArtificial intelligencept_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRApt_BR
dc.titleAprendizado de máquina para alocação de equipagem ferroviáriapt_BR
dc.typeDissertaçãopt_BR
Appears in Collections:Mestrado em Modelagem Computacional (Dissertações)



This item is licensed under a Creative Commons License Creative Commons