Demand Forecasting model based on artificial neural networks for Passenger Transportation Projects
Palavras-chave:
Project Management. Early Project Planning. Demand Forecasting. Artificial Neural Networks.Resumo
Whereas passenger demand is one of the main risks in passenger transport infrastructure projects on track, this paper aims to propose a demand forecasting model based on artificial neural networks (ANN) in order to contribute to the project management still in its early planning stages. For this, the design of ex post facto type was used in a descriptive research with quantitative approach, where the research group was composed by subway and train stations in the metropolitan region of São Paulo-Brazil. In total, 12 ANN were proposed architectures with 15 different configurations, totalling 180 training processes, testing and validation. For each architecture has been identified the lowest mean square error percentage obtained; and the best architecture, with a hidden layer, was performed relevance analysis by Garson method, the model 4 input variables: the population; the school enrolment; the number of jobs; and per capita income. With the proposed model, one expects to contribute to the theory by adding to demand forecasting models using a robust methodology and, for managers, serve as a tool in studies of economic and financial viability of these projects, still in its planning phase anticipated as an investment decision-making tool.
Downloads
Referências
Albalate, D.; Bel, G. (2010). What shapes local public transportation in Europe? Economics, mobility, institutions, and geography. Transportation Research Part E: Logistics and Transportation Review, (46)5, 775-790.
Alekseev, K. P. G.; Seixas, J. M. (2009). A multivariate neural forecasting modeling for air transport – preprocessed by decomposition: a Brazilian application, Journal of Air Transport Management, 15(5), 212–216.
Alvim, B. G., Bilt, K. V. de, & Darido, G. B. (2010). Evolução e Tendências na Implantação e Financiamento dos Sistemas de Transporte Público Sobre Trilhos (p. 51). São Paulo: Associação dos Engenheiros e Arquitetos de Metrô - AEAMESP.
ANTP, Associação Nacional de Transporte Público, & World Bank (Orgs.). (2012). Sistemas Inteligentes de Transportes.
Barua, L., Zou, B., & Zhou, Y. (2020). Machine learning for international freight transportation management: a comprehensive review. Research in Transportation Business & Management,100453.
Bonomi, C. A., & Malvessi, O. (2008). Project Finance no Brasil: Fundamentos e estudo de casos. Atlas.
Braga, A. de P., Carvalho, A., & Ludermir, T. B. (2000). Redes neurais artificiais: teoria e aplicações. Rio de Janeiro: Livros Técnicos e Científicos.
Brandão, L. E. T., & Saraiva, E. C. G. (2007). Risco privado em infra-estrutura pública: uma análise quantitativa de risco como ferramenta de modelagem de contratos. RAP–Revista de Administração Pública. Rio de Janeiro, 41(6), 1035–67.
Campos, V. B. G. (2013). Planejamento de Transportes: Conceitos e Modelos. Rio de Janeiro: Interciência.
Carvalho, C. H. R., & Pereira, R. H. M. (2011). Efeitos da variação da tarifa e da renda da população sobre a demanda de transporte público coletivo urbano no Brasil. Brasília: IPEA.
Cooper, R. G. (2008). Perspective: The Stage-Gate® Idea-to-Launch Process—Update, What’s New, and NexGen Systems*. Journal of Product Innovation Management, 25(3), 213–232.
Dreyer, K. Kiil, I. Dukovska-Popovska, & R. Kaipia. (2018). Proposals for enhancing tactical planning in grocery retailing with S&OP. International Journal of Physical Distribution & Logistics Management, 48(2), 114-138.
Fedorenko, R. (2019). Modern issues of development of the customs and logistics infrastructure of the international North-South transport corridor. Contributions to Economics, 1, 63-77.
Flyvbjerg, B. (2013). Quality control and due diligence in project management: Getting decisions right by taking the outside view. International Journal of Project Management, 31(5), 760–774.
Flyvbjerg, B., Bruzelius, N., & Rothengatter, W. (2003). Megaprojects and Risk: An Anatomy of Ambition. Cambridge, UK: Cambridge University Press.
Fouto, N. M. M. D., de Angelo, C. F., Zwicker, R., & Luppe, M. R. (2011). Séries temporais e redes neurais: uma análise comparativa de técnicas na previsão de vendas do varejo brasileiro. BBR-Brazilian Business Review, 8(2), 1–21.
Freiman, J. P. (2004). Utilização de Redes Neurais Artificiais na Previsão de Indicadores Financeiros para Avaliação Econômica de Negócios em Situação de Risco (Dissertação (Mestrado) em Ciências em Engenharia de Produção). Universidade Federal de Itajubá, Itajubá.
Garson, G. D. (1991). Interpreting neural network connection weights. AI Expert, April, 47-51.
Geurs, K.T., & Van Wee, B. (2004). Accessibility Evaluation of Land-use and Transport Strategies: Review and Research Directions. Journal of Transport Geography 12(2), 127-140.
Ghisolfi, V., Ribeiro, G.M., Chaves, G., Orrico Filho, R.D., Hoffmann, I., Perim, L.R. (2019). Evaluating impacts of overweight in road freight transportation: a case study in Brazil with system dynamics. Sustainability, 11(11), 3128
Graham, J., & Harvey, C. (2002). How do CFOs make capital budgeting and capital structure decisions? Journal of Applied Corporate Finance, 15(1), 8–23.
Gralla, E., & Goentzel, J. (2018). Humanitarian transportation planning: Evaluation of practice-based heuristics and recommendations for improvement. European Journal of Operational Research, 269(2), 436-450.
Grimsey, D., & Lewis, M. K. (2002). Evaluating the risks of public private partnerships for infrastructure projects. International Journal of Project Management, 20(2), 107–118.
Hair JR, J. F., Black, W. R., Babin, B. J., & Anderson, R. E. (2010). Multivariate Data Analysis (7th ed.). Upper Saddle River, NJ, Prentice Hall.
Hassan, L. H., Mahmassani, H. S., & Chen, Y. (2020). Reinforcement learning framework for freight demand forecasting to support operational planning decisions. Transportation Research Part E: Logistics and Transportation Review, 137, 101926.
Hristev, R. M. (1998). The ANN book (Vol. 71).
IIBA. (2011). Um guia para o Corpo de Conhecimento de Análise de Negócios(TM) (Guia BABOK®). IIBA.
Kerzner, H. (2011). GERENCIAMENTO DE PROJETOS - Uma Abordagem Sistêmica para Planejamento, Programação e Controle. EDGARD BLUCHER.
Kovács, Z. L. (2002). Redes Neurais Artificiais. Editora Livraria da Física.
Krüger, N. A. (2012). Estimating traffic demand risk–A multiscale analysis. Transportation Research Part A: Policy and Practice, 46(10), 1741–1751.
Laiza, M. C. de M., Duarte, E. J., da Silva, C. V. G., Rubira, J. A. de C., & Bueno, J. de F. (2008). Os estudos de previsão de demanda no Metrô SP. Engenharia, 587, 122–125.
Leurent, F. (2011). Transport capacity constraints on the mass transit system: a systemic analysis. European Transport Research Review, 3(1), 11–21.
Lopes Filho, J. I. O. (2003) Pós-avaliação da previsão de demanda por transportes no município de Fortaleza. (Dissertação de Mestrado em Engenharia de Transportes), Universidade Federal do Ceará, Fortaleza.
Marar, J. R., Aragão, J. J. G., & Santos, E. M. (2004). Licitação para contratação de parcerias público-privadas em infra-estrutura de transportes no Brasil. In ANPET—CONGRESSO DE PESQUISA E ENSINO EM TRANSPORTES (Vol. 18, p. 1393–1404). Florianópolis.
Marques, S.F., & Bracarense, L.S.F.P. (2016). A influência da forma urbana na viabilidade financeira do transporte público por ônibus em cidades médias. In ANPET—CONGRESSO DE PESQUISA E ENSINO EM TRANSPORTES. Rio de Janeiro.
Merrow, E. W. (2011). Industrial megaprojects: concepts, strategies, and practices for success. New Jersey: John Wiley & Sons.
Millones, G. M. (2010). Breaking Down Factors of Public-Private Partnership in Urban Rail: Experience from Latin American Cases (Dissertação (mestrado)). Delft University of Technology, Delft - Netherlands.
Murça, M.C.R, & Müller, C. (2014). Transporte coletivo urbano: uma análise de demanda para a cidade de Salvador. Journal of Transport Literature, 8(1), 265-284.
PMI. (2013). A Guide to the Project Management Body of Knowledge: PMBOK Guide (5o ed). Pennsylvania: Project Management Institute, Incorporated.
Ramos, R. (2006). Gerenciamento de projetos: ênfase na indústria de petróleo. Rio de Janeiro: Interciência.
Ribeiro, R. L. O., do Valle, A. B., Soares, C. A. P., & Santos, J. A. N. dos. (2013). From idea to benefit: project portfolio management using front end loading, the standard for portfolio management and PRINCE2. International Journal of Management (IJM), p. 60–68.
Sales, O. P., & Junior, O. C. (2011). O Modelo Stage Gate dentro do Processo de Desenvolvimento de um Produto–Uma Análise comparativa com o desenvolvimento de um produto de uma empresa de telecomunicações.
Shenhar, A. J., & Dvir, D. (2010). Reinventando gerenciamento de projetos - A abordagem diamante ao crescimento e inovação bem-sucedidos. São Paulo: Harvard Business School Press - M. Books.
Silva, R.B. (2019). Os constrangimentos da mobilidade na metrópole de São Paulo. Revista Transporte Y Territorio, 1, 165-189.
Sismanidou A, Tarradellas J. (2018). Traffic demand forecasting and flexible planning in airport capacity expansions: lessons from the MadridBarajas new terminal area master plan. Case Studies on Transport Policy, 5(2), 188-199.
van Engelen, M., Cats, O., Post, H., & Aardal, K. (2018). Enhancing flexible transport services with demand-anticipatory insertion heuristics. Transportation Research Part E: Logistics and Transportation Review, 110, 110-121
Vasconcelos, V.S. (2015). Previsão de demanda na fase de planejamento antecipado de projetos de transporte de passageiros: uma abordagem por redes neurais artificiais. Dissertação (Mestrado em Administração) - Universidade Nove de Julho, São Paulo.
Vasconcelos, V.S., Silva, F.Q., Rovai, R.L., & Rached, C.D.A. (2019). Identification of the main risk factors in infrastructure projects of transporting people on rail by public-private partnerships. International Journal of Entrepreneurship, 23, 1-17.
Viglioni, G. M. C. (2008). Comparação entre redes neurais e técnicas clássicas para previsão de demanda de transporte ferroviário. Revista de Inteligência Computacional Aplicada (RICA), (1).
Xu, S., Chan, H .K., & Zhang, T. (2019). Forecasting the demand of the aviation industry using hybrid time series SARIMA-SVR approach. Transportation Research Part E: Logistics and Transportation Review, 122, 169-180.
