Análise e predição de logística: comparação de dois algoritmos de machine learning para prever demanda de linhas rodoviárias

Abstract

Este artigo realiza uma análise comparativa que inclui dois algoritmos de Aprendizado de Máquina: Árvore de Decisão e XGBoost. Assim sendo, aplicados à predição da demanda de linhas e viagens rodoviárias. O objetivo principal é identificar qual desses modelos apresenta melhor desempenho preditivo, utilizando como métricas de avaliação o Erro Absoluto Médio (MAE), Erro Quadrático Médio (MSE) e a Raiz do Erro Quadrático Médio (RMSE). A metodologia adotada envolveu a coleta, tratamento e análise de dados históricos do setor de transporte rodoviário, com a remoção de atributos irrelevantes e a correção de inconsistências. As implementações foram desenvolvidas em Python, utilizando bibliotecas especializadas como Pandas, Seaborn, Matplotlib, Sklearn e XGBoost. Os resultados obtidos oferecem insights relevantes sobre a aplicação de técnicas de Aprendizado de Máquina na área logística, contribuindo para decisões mais assertivas no planejamento e na gestão da demanda por transporte rodoviário.

This paper performs a comparative analysis that includes two Machine Learning algorithms: Decision Tree and XGBoost. Thus, they are applied to the prediction of demand for road lines and trips. The main objective is to identify which of these models presents the best predictive performance, using as evaluation metrics the Mean Absolute Error (MAE), Mean Squared Error (MSE) and Root Mean Squared Error (RMSE). The adopted methodology involved the collection, processing and analysis of historical data from the road transportation sector, with the removal of irrelevant attributes and the correction of inconsistencies. The implementations were developed in Python, using specialized libraries such as Pandas, Seaborn, Matplotlib, Sklearn and XGBoost. The results obtained offer relevant insights on the application of Machine Learning techniques in the logistics area, contributing to more assertive decisions in the planning and management of demand for road transportation.