Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/37205
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2023_IgorOliveiraBarrosFaluhelyi_tcc.pdf1,64 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorFiorucci, José Augusto-
dc.contributor.authorFaluhelyi, Igor de Oliveira Barros-
dc.identifier.citationFALUHELYI, Igor de Oliveira Barros. Um estudo sobre modelos preditivos para o número de acidentes em rodovias federais. 2023. 53 f., il. Trabalho de Conclusão de Curso (Bacharelado em Estatística) — Universidade de Brasília, Brasília, 2023.pt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2023.pt_BR
dc.description.abstractA partir dos dados abertos da Polícia Rodoviária Federal, em que são documentados, entre outros, acidentes em rodovias Federais, este trabalho tem por objetivo avançar na modelagem em séries temporais, afim de trazer previsões para a série diária do número de acidentes em diferentes níveis de agregação dentro de uma estrutura hierárquica e agrupada dos dados. Como metodologia, são colocados os modelos sNAIVE, ARIMA ou ARIMA sazonal, a Regressão Dinâmica e sua variação, conhecida como Regressão Dinâmica Harmônica e o modelo TBATS, além de métodos para desagregar previsões e fazer validação cruzada, afim de fazer seleção de modelos. Os resultados apontam para melhores previsões pelos modelos que captam as múltiplas sazonalidades da série diária do número de acidentes, isto é, a Regressão dinâmica Harmônica e o TBATS. Foram adicionadas variáveis explanatórias indicadoras ao modelo ARIMA e isso melhorou a capacidade preditiva do modelo nessa situação. Como conclusão, pode-se citar o êxito to trabalho em cumprir com seus objetivos. Foram entregues previsões para a série do número de acidentes em rodovias Federais para cada rodovia abordada no banco (208 séries), para cada Estado brasileiro (27 séries), e, ainda, para cada região no Brasil (5 séries) - contabilizando 240 séries temporais. Com isso, pode-se elencar rodovias, ou Estados, destaques quanto ao número previsto de acidentes, tornando possível uma abordagem de forma preventiva (não somente remediativa) no âmbito de políticas públicas afim de diminuir os acidentes no Brasil.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordAnálise de séries temporaispt_BR
dc.subject.keywordSéries temporaispt_BR
dc.subject.keywordAcidentes de trânsitopt_BR
dc.subject.keywordRodoviaspt_BR
dc.titleUm estudo sobre modelos preditivos para o número de acidentes em rodovias federaispt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2023-12-22T18:35:51Z-
dc.date.available2023-12-22T18:35:51Z-
dc.date.submitted2023-07-19-
dc.identifier.urihttps://bdm.unb.br/handle/10483/37205-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1This undergraduate final project focuses on analyzing open data provided by the PRF from Brazil, specifically regarding accidents on Federal highways. The primary aim of this study is to apply and compare existing time series models to improve the prediction accuracy of daily accident rates. The models are applied to different levels of data aggregation within a hierarchical and grouped structure. The methodologies employed in this project encompass various well-established models, including sNAIVE, ARIMA, seasonal ARIMA, Dynamic Regression, Harmonic Dynamic Regression, and the TBATS model. By comparing their performance, the study identifies the most effective models for accurately predicting the daily number of accidents. The results indicate that models capable of capturing the multiple seasonal patterns inherent in the daily accident rates, such as Harmonic Dynamic Regression and TBATS, outperform the other models. Moreover, the inclusion of explanatory variables in the ARIMA model significantly improves its predictive capabilities in this specific context. This research contributes to the understanding of accident patterns on Federal highways and provides valuable insights for enhancing accident rate predictions. The findings have practical implications for traffic management and public safety, enabling authorities to allocate resources more efficiently and reduce the occurrence of accidents.pt_BR
Aparece na Coleção:Estatística



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.