Gonçalves, RicardoCosta, RúbenBrígida, Sérgio Gonçalo Fernandes2019-01-312019-01-312018-112018http://hdl.handle.net/10362/59132Ao longo dos anos, o número de viaturas a circular nas estradas tem vindo a aumentar significativamente, principalmente nos grandes centros urbanos, onde se concentra um elevado número de pessoas, empresas e atividades. Esse aumento anormal conduziu a inúmeras e nefastas consequências, como altos níveis de congestionamento de tráfego, emissões excessivas de CO2, aumento do tempo despendido em deslocações e diminuição da qualidade de vida das pessoas. Devido à saturação e complexidade das redes de transporte, torna-se essencial encontrar várias soluções que permitam compreender o tráfego rodoviário e prever eventuais ocorrências que possam surgir com o objetivo de minimizar os impactos negativos provocados pelo mesmo. O objetivo desta dissertação passa por desenvolver uma metodologia de processamento de dados capaz de caracterizar e prever o fluxo rodoviário numa determinada autoestrada, através da aplicação de técnicas de machine learning. Para esse efeito, são analisados e usados dados históricos, recolhidos por pórticos eletrónicos instalados ao longo da autoestrada A25, em Portugal. Esta dissertação é desenvolvida no âmbito do projeto OPTIMUM - Research and Innovation Action - financiado no âmbito do Horizonte 2020 - Programa - Quadro Comunitário de Investigação e Inovação da União Europeia cujo objetivo principal é explorar soluções inovadoras para colmatar o congestionamento das redes de transportes, designadamente a transferência de fluxos para vias menos congestionadas e reduzir assim os problemas de mobilidade que os cidadãos enfrentam no dia a dia.porSistemas Inteligentes de Transporte (SIT)Modelos de Previsão de TráfegoProspeção de DadosAnálise de Séries TemporaisTécnicas de Machine Learningmaster thesis