Publicação
Modelo de previsão de ausências de tripulantes de transportes ferroviários
| Resumo: | As ausências não planeadas podem causar situações extremamente indesejáveis para as empresas em geral e para os operadores ferroviários em especial. De forma a responder às ausências, o operador estabelece um contingente de tripulantes de reserva consoante as previsões que possam existir para a quantidade de ausências. Para minimizar os custos, o operador tenta limitar o número de reservas. Porém, se não existirem tripulantes de reserva suficientes para preencher as necessidades, é possível negociar com um trabalhador que não estava planeado trabalhar nesse dia, com um custo adicional. No caso de não existir nenhum trabalhador disponível, a empresa pode ver-se obrigada a atrasar ou até mesmo a cancelar comboios, criando assim um problema não só para o operador como para os passageiros. Aescassez de recursos humanos que se tem verificado no sector ferroviário e a incerteza sobre o número de tripulantes de reserva necessários para cada hora do dia, acentua o problema mencionado anteriormente. Esta dissertação tem como objetivo a criação de um modelo preditivo que seja eficaz na previsão do número de maquinistas e revisores, de um operador ferroviário, que possam estar ausentes numa determinada data por fatores relacionados com a sua própria saúde ou com a saúde da sua família. Assim, o modelo criado irá auxiliar o operador no processo de planeamento dos tripulantes de reserva e consequentemente amenizar os custos associados às ausências dos mesmos. Foram criados vários modelos recorrendo às redes neuronais, como redes Feedforward, Transformers e recorrentes, nomeadamente Long Short-Term Memory, obtendo os melhor resultados nas redes Long Short-Term Memory. Neste projeto são utilizados dados históricos, nomeadamente entre os anos 2009 e 2021, fornecidos por um operador ferroviário no Norte da Europa. Estes dados incluem dados biográficos e registos da atividade de 4000 tripulantes geograficamente distribuídos por 24 bases operacionais. |
|---|---|
| Autores principais: | Salvado, Miguel Fernandes |
| Assunto: | Rede neuronal artificial Série temporal Previsão de ausências Aprendizagem automática |
| Ano: | 2023 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade Nova de Lisboa |
| Idioma: | português |
| Origem: | Repositório Institucional da UNL |
| Resumo: | As ausências não planeadas podem causar situações extremamente indesejáveis para as empresas em geral e para os operadores ferroviários em especial. De forma a responder às ausências, o operador estabelece um contingente de tripulantes de reserva consoante as previsões que possam existir para a quantidade de ausências. Para minimizar os custos, o operador tenta limitar o número de reservas. Porém, se não existirem tripulantes de reserva suficientes para preencher as necessidades, é possível negociar com um trabalhador que não estava planeado trabalhar nesse dia, com um custo adicional. No caso de não existir nenhum trabalhador disponível, a empresa pode ver-se obrigada a atrasar ou até mesmo a cancelar comboios, criando assim um problema não só para o operador como para os passageiros. Aescassez de recursos humanos que se tem verificado no sector ferroviário e a incerteza sobre o número de tripulantes de reserva necessários para cada hora do dia, acentua o problema mencionado anteriormente. Esta dissertação tem como objetivo a criação de um modelo preditivo que seja eficaz na previsão do número de maquinistas e revisores, de um operador ferroviário, que possam estar ausentes numa determinada data por fatores relacionados com a sua própria saúde ou com a saúde da sua família. Assim, o modelo criado irá auxiliar o operador no processo de planeamento dos tripulantes de reserva e consequentemente amenizar os custos associados às ausências dos mesmos. Foram criados vários modelos recorrendo às redes neuronais, como redes Feedforward, Transformers e recorrentes, nomeadamente Long Short-Term Memory, obtendo os melhor resultados nas redes Long Short-Term Memory. Neste projeto são utilizados dados históricos, nomeadamente entre os anos 2009 e 2021, fornecidos por um operador ferroviário no Norte da Europa. Estes dados incluem dados biográficos e registos da atividade de 4000 tripulantes geograficamente distribuídos por 24 bases operacionais. |
|---|