Escola Politécnica da USP

usp.br

  • Aumentar tamanho da fonte
  • Tamanho da fonte padrão
  • Diminuir tamanho da fonte
Início Comunicação Notícias Arquivo de notícias Estudante da Poli usa IA em sistema que melhora previsão de chegada de ônibus coletivo em São Paulo

Estudante da Poli usa IA em sistema que melhora previsão de chegada de ônibus coletivo em São Paulo

Em projeto de iniciação científica, Filipe Mourão conseguiu calcular o tempo que um ônibus leva de um ponto a outro com quase 50% mais precisão do que os métodos usados em aplicativos já existentes.

Participar do Simpósio Internacional de Iniciação Científica e Tecnológica da USP (SIICUSP) é uma possibilidade para quem realiza a graduação estar mais próximo da carreira acadêmica, além de ter o contato com pessoas e professores especializados na área e até concorrer a vagas em simpósios internacionais para expor seu projeto. A oportunidade foi aproveitada por Filipe Assis Mourão, aluno da Escola Politécnica da Universidade de São Paulo (Poli-USP) que optou por complementar sua formação no curso de Engenharia Mecatrônica com a atividade de pesquisa e da participação na exposição.

Orientado pelo docente Jun Okamoto Jr., do Departamento de Engenharia Mecatrônica (PME) da Poli, Mourão utilizou técnicas de inteligência artificial e desenvolveu um sistema para estimar a chegada dos ônibus de uma linha da cidade de São Paulo com um tempo de erro 50% menor do que os métodos existentes e usados em aplicativos comerciais.

Para Okamoto, a relevância do projeto está intimamente ligada com os resultados obtidos, que mostram uma vantagem em relação ao cálculo feito atualmente pelos sistemas já utilizados. “Tradicionalmente, são usados métodos estatísticos comuns, enquanto Filipe leva em consideração outros fatores que também podem influenciar o tempo de chegada do veículo”, explica o docente: “Além disso, o trabalho está dentro do conceito de cidades inteligentes, porque visa melhorar a cidade para quem a habita”, completa.

Os métodos para a previsão de chegada dos ônibus da cidade em um ponto já são utilizados por diversos aplicativos disponíveis no mercado e se baseiam em cálculos de dados estatísticos como a velocidade média do veículo e o tempo médio que ele costuma percorrer para realizar o mesmo trajeto. Contudo, o docente lembra que isso não abrange diversos outros fatores muito importantes. “Sabemos que, por exemplo, o tempo de percurso pode ser influenciado pelo trânsito ou até mesmo pelo dia da semana”, acrescenta.

Para resolver o problema, Mourão resolveu utilizar um conceito da inteligência artificial denominado aprendizado de máquina. Ele pode ser entendido como um campo de estudo que fornece ao computador a capacidade de aprender sobre um determinado problema sem ter sido, necessariamente, programado para isso. Por meio de um grande conjunto de dados, o sistema pode extrair regras e padrões dos mesmos e então criar uma lógica para eles, fazendo estimativas e até previsões de seus comportamentos.

Segundo o professor, o aprendizado de máquina é um campo promissor para áreas como o mercado financeiro, que pode se beneficiar com a estimativa de queda ou subida de ações, ou até mesmo para o diagnóstico de exames médicos.

O estudante e realizador da pesquisa explica que optou por treinar seu computador para o aprendizado de máquina supervisionado, um dos possíveis tipos de treinamento de máquinas da inteligência artificial. Neste método, são fornecidos para o algoritmo dados de entrada – parâmetros do que se quer descobrir – e dados de saída – os resultados.

Mourão fez exatamente isso durante o projeto: ele realizou diversos treinamentos com seu computador, disponibilizando para o algoritmo os fatores que acreditava serem os influenciadores do tempo de chegada dos ônibus (quilometragem de trânsito na cidade, se está chovendo ou com sol, dia da semana etc.) e também os resultados, ou seja, o tempo real de chegada dos ônibus de um ponto a outro. A máquina, então, ficou responsável por traçar uma relação entre esses dados e estabelecer uma lógica sobre como os parâmetros definem o período do percurso.

Mourão conta que cerca de 300 mil dados foram coletados para a realização do treinamento. Destes, 82 mil foram efetivamente utilizados, sendo 12 mil guardados para a etapa de prova final, para garantir que o sistema estivesse funcionando. Ele acrescenta que utilizou 22 variáveis, divididas em quatro grandes categorias: Congestionamento, Clima, Ônibus e Parâmetros do Dia. Alguns exemplos de variáveis são: dia da semana, se era feriado ou não, quilometragem de congestionamento da cidade, precipitação, temperatura média do dia, umidade do ar, velocidade do ônibus, distância até o ponto de parada, e tempo de chegada anterior, entre outros.

Todas as informações foram retiradas de fontes confiáveis, ele garante. Elas vieram do Maplink, que usa os APIs do Google Maps, do Instituto Nacional de Meteorologia e da SPTrans. Durante o período de um ano de pesquisa, nove meses ficaram reservados para a definição dos parâmetros, manipulação dos dados, treinamento e avaliação da máquina.

Para as simulações, o estudante escolheu a linha 8700-10, que liga Taboão da Serra ao centro de São Paulo. A escolha dessa linha foi muito bem pensada. “Ela não possui corredores de ônibus em todo o seu trajeto, o que faz com que sofra mais diretamente a influência de fatores como o trânsito e torne o cálculo de sua chegada mais difícil”, explica Mourão. Como resultado, o aluno criou um sistema que prevê a chegada com 36 segundos de atraso – contra os 67 segundos que são a margem de erro dos aplicativos disponíveis atualmente.

O professor Okamoto se diz contente com o resultado alcançado. “É necessário um esforço muito grande e investimentos para disponibilizar um sistema desses para uma cidade com tantas linhas como São Paulo. Contudo, mostramos que temos o conhecimento do método, e confirmamos que ele é mais eficiente do que o tradicional”.

Mourão garante que a experiência de realizar a IC foi muito importante para a sua formação. “Foi uma das melhores experiências do curso. Eu já tinha uma paixão pela área, e a vontade de trabalhar em algo mais prático. Aprendi muito sobre pesquisa e rotina acadêmica”.

O professor concorda com o aluno a respeito da importância da IC. “Se o aluno tiver vontade de aprender alguma coisa que ele não consiga ver durante o curso normal, a Iniciação Científica é uma ótima oportunidade. Assim, ele melhora a sua formação, complementando-a com um assunto que vai além da graduação”.

O que a IA é capaz – Jun Okamoto possui uma linha de pesquisa na Poli que trabalha especificamente com o aprendizado de máquina supervisionado. Ele explica que atualmente orienta dois projetos na área, um de mestrado e outro de doutorado.

O primeiro deles, chamado “Classificação Estética de Fotos”, busca entender quais fatores influenciam na escolha de uma fotografia como vencedora de prêmios ou até mesmo digna de uma grande quantidade de curtidas nas redes sociais. “O objetivo é escolher fotos que tenham sido premiadas e treinar a máquina de acordo com os resultados que elas tiveram nas competições. Assim é possível mostrar uma nova foto para a máquina e ela dizer se a foto tem chances ou não de ser premiada”, comenta. Já a tese de doutorado trabalha com séries temporais do mercado financeiro, e tenta concluir se certas ações irão cair ou subir na bolsa de valores.

O tema de estudo do professor já rendeu uma parceria com a Receita Federal em 2008. A cooperação permitiu o desenvolvimento de um sistema que diz quais os códigos CNAE que correspondem às atividades de uma empresa por meio de descrições por texto livre. O projeto do professor tenta automatizar a função de um especialista, utilizando o método supervisionado. Dessa forma, a máquina faz a classificação automática das atividades das empresas indicando quais os códigos CNAE mais se ajustam às atividades declaradas.

Apesar do conceito de Inteligência Artificial não ser tão recente, Okamoto diz que agora há mais possibilidades de sua aplicação prática do que antigamente. “Hoje em dia, é mais fácil aplicar a IA porque os computadores são muito mais rápidos. Ela demanda uma grande quantidade de dados, e as máquinas atuais conseguem realizar o treinamento num tempo muito menor do que antes”.

Para mais informações sobre o laboratório coordenado pelo docente, clique aqui.