TWO-STEP METHOD BASED ON DIMENSIONALITY REDUCTION AND SPATIAL INTERPOLATION TO PREDICT MISSING RIDERSHIP DATA

A demanda por transporte público por ponto de parada é uma importante informação para o planejamento da rede de ônibus. Entretanto, devido aos seus altos custos de coleta, muitos municípios não possuem esse dado. Quando disponível, os bancos de dados associados usualmente apresentam multicolinearidade e dependência espacial. Dessa forma, propomos uma abordagem conjunta entre Análise em Componentes Principais Geograficamente Ponderada (ACPGP) e Krigagem Universal (KU) para estimar dados de desembarque considerando cinco cenários com porcentagem crescente de dados faltantes. Na ACPGP utilizaram-se todos os pontos de parada de São Paulo (Brasil) e uma linha de ônibus foi selecionada para a KU, na qual incluiu-se a componente principal mais correlacionada com desembarques como variável explicativa. Resultados mostraram que a combinação entre ACPGP e KU é uma ferramenta promissora para estimar dados faltantes de demanda. Além disso, a ACPGP é capaz de prover interessantes descobertas sobre as características dos pontos de parada.