• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Doctoral Thesis
DOI
Document
Author
Full name
Samille Santos Rocha
Institute/School/College
Knowledge Area
Date of Defense
Published
São Carlos, 2019
Supervisor
Committee
Pitombo, Cira Souza (President)
Costa, Luis Henrique Magalhães
Quintanilha, Jose Alberto
Silva, Antonio Nelson Rodrigues da
Sousa, António Jorge Gonçalves de
Title in Portuguese
Uso de Algoritmos Genéticos para otimização de modelagem geoestatística aplicada à demanda por transportes
Keywords in Portuguese
Algoritmos Genéticos
Análise Espacial
Demanda por Transportes
Otimização
Semivariogramas
Abstract in Portuguese
Geralmente, dados relacionados à demanda por transportes não são independentes no espaço. Por esta razão, o uso de técnicas de estatística espacial torna-se relevante para aprimoramento de estimativas. A geoestatística está entre as técnicas que incorporam a dependência espacial em suas análises e o semivariograma é uma ferramenta indispensável para descrever e ilustrar a estrutura espacial de uma Variável Regionalizada. Muitas vezes, o cálculo e ajuste do semivariograma experimental são realizados visualmente, de acordo a familiaridade com os dados ou experiência do pesquisador, o que exige, sobretudo, tempo de dedicação às análises. A partir destas considerações, técnicas de otimização podem ser uma alternativa viável para cálculo e ajuste de semivariograma experimental. Diante disso, este trabalho objetiva avaliar a adequabilidade do uso de Algoritmos Genéticos (AG) para otimização da modelagem geoestatística aplicada à demanda por transportes. Outro ponto importante é a forma de representação de dados de transportes: quando disponíveis, dados desagregados, por domicílios, comprometem a qualidade dos modelos variográficos, devido à sua alta aleatoriedade espacial. Diante disso, outra importante contribuição deste estudo foi a implementação de um código em software livre para definir a dimensão de uma grade para agregação de dados pontuais. A implementação do AG permitiu a obtenção de inúmeros modelos variográficos de duas variáveis relacionadas à demanda por transportes, para dois diferentes suportes geográficos. Além disso, foi possível obter os intervalos mais frequentes dos parâmetros dos semivariograma com melhor fitness. Finalmente, uma proposta primária de análise da semivariância foi apresentada, a fim de validar os resultados obtidos pelo AG. A análise de mapas de semivariância permitiu verificar o comportamento estrutural das variáveis estudadas. Apesar da abordagem tradicional (mapas de semivariância e ajuste manual) apresentar algumas dissimilaridades quando comparada aos melhores semivariogramas provenientes do AG, as medidas de desempenho, obtidas através da validação cruzada, foram bem similares. Conclui-se que a otimização da modelagem geoestatística, através de AG, pode trazer contribuições importantes, relativas a maior facilidade de cálculo e ajuste, além de distribuição de parâmetros variográficos associados a soluções quase ótimas. Vale ressaltar que o código desenvolvido ao longo desta tese, disponível ao público, pode ser utilizado em qualquer área do conhecimento onde se verifique a existência de dependência espacial entre as observações.
Title in English
Genetic Algorithms for optimization of geostatistical modeling applied to transport demand
Keywords in English
Genetic Algorithms
Optimization
Semivariograms
Spatial Analysis
Travel Demand
Abstract in English
Data related to travel demand are generally not independent in space. Due to this, using spatial statistics techniques is important for improving estimates. Geostatistics is among the techniques that incorporate spatial dependence in its analyses and the semivariogram is an indispensable tool to describe and illustrate the spatial structure of a Regionalized Variable. The calculation and fitting of the experimental semivariogram are often performed visually, according to the familiarity with the data or the researcher's experience, which requires, above all, time for the analyses. Based on these considerations, optimization techniques can be a viable alternative to calculate and fitting the experimental semivariogram. Therefore, this study aims to evaluate the adequacy of using Genetic Algorithms (GAs) to optimize geostatistical modeling applied to travel demand. Another important point is the way of representing travel data: when it is available, disaggregated data by households affect the quality of variographic models, due to their high spatial randomness. Therefore, another important contribution of this study was the implementation of a free software code to define the size of a grid for aggregation of point data. Implementing the GA enabled us to obtain numerous variographic models of two variables related to travel demand for two different geographical supports. In addition, the most frequent intervals of the semivariogram parameters could be obtained with better fitness. Finally, a primary proposal for semivariance analysis was presented in order to validate the results obtained by the GA. The semivariance analysis maps verified the structural behavior of the studied variables. In spite of traditional approach (semivariance maps and manual fit) to present some dissimilarities when compared to the best semivariograms from GA, the performance measures obtained through cross validation were very similar. It can be concluded that the geostatistical modeling optimization, through GA, can bring important contributions, related to making calculations and fits easier, as well as distribution of variographic parameters associated with almost optimal solutions. It is worth mentioning that the code developed throughout this thesis, available to the public, can be used in any area of knowledge where there is a spatial dependence between observations.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
TeseSAMILLE_2019.pdf (7.23 Mbytes)
Publishing Date
2019-06-11
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2020. All rights reserved.