Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/35329
Registro completo de metadados
Campo DCValorIdioma
dc.creatorCervi, Thales Elero-
dc.date.accessioned2024-11-04T17:51:07Z-
dc.date.available2024-11-04T17:51:07Z-
dc.date.issued2024-05-29-
dc.identifier.citationCERVI, Thales Elero. A comparative analysis of graph neural networks for estimating free-flow travel times in urban road networks. 2024. Dissertação (Mestrado em Engenharia Elétrica e Informática Industrial) - Universidade Tecnológica Federal do Paraná, Curitiba, 2024.pt_BR
dc.identifier.urihttp://repositorio.utfpr.edu.br/jspui/handle/1/35329-
dc.description.abstractUrban transit planning in densely populated areas is an urban design challenge that constantly requires effective solutions. Urban road networks can be represented by graphs, helping decision-makers visualize and further incorporate information learned from the cities’ structure. Graph Neural Networks (GNNs) are artificial neural networks designed to learn from graphs’ information and structure. However, important implicit assumptions of general-purpose GNNs do not hold for urban road network graphs and learning with this type of graph may require specialized GNNs. This study investigates the performance of both general-purpose and specialized GNNs to estimate free-flow travel times in urban road networks of twelve cities worldwide. Emphasis is given to Relational Fusion Networks (RFNs), specialized GNNs with competitive results in the literature. Edge regression results of the selected GNNs are obtained for comparison. They show that RFNs perform better and highlight the role of different fusion functions on the regression performance. Additionally, this study explores RFNs’ capacity to extrapolate learned knowledge to different cities. The investigation also searches through cities’ structural characteristics, aiming to comprehend their influence on RFN’s learning mechanisms and its capacity to extrapolate knowledge.pt_BR
dc.description.sponsorshipConselho Nacional do Desenvolvimento Científico e Tecnológico (CNPq)pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)pt_BR
dc.description.sponsorshipFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Tecnológica Federal do Paranápt_BR
dc.rightsopenAccesspt_BR
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/pt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.subjectTeoria dos grafospt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectTrânsito urbanopt_BR
dc.subjectCidades inteligentespt_BR
dc.subjectNeural networks (Computer science)pt_BR
dc.subjectGraph theorypt_BR
dc.subjectMachine learningpt_BR
dc.subjectLocal transitpt_BR
dc.subjectSmart citiespt_BR
dc.titleA comparative analysis of graph neural networks for estimating free-flow travel times in urban road networkspt_BR
dc.title.alternativeAnálise comparativa de redes neurais de grafos na estimação de tempo de percurso livre em redes de ruas urbanaspt_BR
dc.typemasterThesispt_BR
dc.description.resumoO planeamento do trânsito urbano em áreas densamente povoadas é um desafio que constantemente requer soluções eficazes. Redes viárias urbanas podem ser representadas por grafos, ajudando agentes decisores a visualizar e incorporar informações extraídas da estrutura da cidade. Redes Neurais de Grafos (GNNs do inglês Graph Neural Networks) são redes neurais artificiais projetadas para aprender com as informações e estrutura dos Grafos.No entanto, suposições implícitas importantes que baseiam as GNNs de uso geral não se aplicam aos grafos de redes viárias e o aprendizado com esse tipo de grafo pode exigir GNNs especializadas. Este estudo investiga o desempenho de GNNs especializadas e de uso geral na estimativa de tempos de viagem de fluxo livre em redes viárias urbanas de doze cidades em todo o mundo. Há ênfase nas Redes Relacionais de Fusão (RFNs do inglês Relational Fusion Networks), que são GNNs especializadas e com resultados competitivos na literatura. Os resultados de desempenho das GNNs selecionadas para a tarefa de regressão em arestas são obtidos para comparação. Eles confirmam o melhor desempenho das RFNs e destacam o papel das diferentes funções de fusão no desempenho da regressão. Além disso, este estudo explora a capacidade das RFNs de extrapolar o conhecimento aprendido para diferentes cidades. A investigação analisa ainda as características estruturais das cidades, visando compreender influência destas nos mecanismos de aprendizagem da RFN e na sua capacidade de extrapolar conhecimento.pt_BR
dc.degree.localCuritibapt_BR
dc.publisher.localCuritibapt_BR
dc.creator.IDhttps://orcid.org/0000-0002-2030-025Xpt_BR
dc.creator.Latteshttp://lattes.cnpq.br/6387479326358009pt_BR
dc.contributor.advisor1Delgado, Myriam Regattieri de Biase da Silva-
dc.contributor.advisor1IDhttps://orcid.org/0000-0002-2791-174Xpt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/4166922845507601pt_BR
dc.contributor.advisor-co1Lüders, Ricardo-
dc.contributor.advisor-co1IDhttps://orcid.org/0000-0001-6483-4694pt_BR
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/5158617067991861pt_BR
dc.contributor.referee1Figueiredo, Flavio Vinicius Diniz de-
dc.contributor.referee1IDhttps://orcid.org/0000-0003-2839-9589pt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/9481210393304645pt_BR
dc.contributor.referee2Delgado, Myriam Regattieri de Biase da Silva-
dc.contributor.referee2IDhttps://orcid.org/0000-0002-2791-174Xpt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/4166922845507601pt_BR
dc.contributor.referee3Silva, Thiago Henrique-
dc.contributor.referee3IDhttps://orcid.org/0000-0001-6994-8076pt_BR
dc.contributor.referee3Latteshttp://lattes.cnpq.br/9568338246493587pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétrica e Informática Industrialpt_BR
dc.publisher.initialsUTFPRpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
dc.subject.capesEngenharia Elétricapt_BR
Aparece nas coleções:CT - Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
comparativeanalysisneuralnetworks.pdf35,43 MBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons