Aplicação de técnicas de mineração de dados no desempenho operacional de concessionárias de ferrovias: Um estudo de caso do SIADE
Description
A presente pesquisa objetiva a aplicação de técnicas de mineração de dados, a partir da metologia CRISP-DM, no desempenho operacional de concessionárias, empregando-se dados históricos que contemplam, desde 2013 a 2023, a movimentação mensal de cargas nas ferrovias federais concedidas, oriundos do subsistema integrado do Sistema de Acompanhamento e Fiscalização do Transporte Ferroviário (SAFF), o Sistema de Acompanhamento do Desempenho Operacional das Concessionárias (SIADE). Sendo assim, propõe-se a utilização de mineração de dados para análise exploratória descritiva preliminar em linguagem de programação Python, apresentando-se, por meio de gráficos de colunas, a movimentação ferroviária brasileira em toneladas úteis e posterior modelagem preditiva em série temporais, com o emprego do método ARIMA (Autorregressivo Integrado de Médias Móveis), visando a identificação de eventuais tendências, sazonalidade e previsão de desempenho operacional das concessionárias ferroviárias contempladas nesse estudo. Verifica-se que, durante o período analisado, o minério de ferro manteve-se como o produto de maior movimentação em unidade de toneladas úteis (aproximadamente 381 milhões de TU, em 2023) e dentre as concessionárias, a MRS e a Vale apresentaram maior produção em TU em 2023. Ademais, obteve-se predições que possibilitaram mensurar a expectativa de movimentação de carga ferroviária para cada concessionária no ano de 2024.
Versão publicada na Revista Processando o Saber:
https://www.fatecpg.edu.br/revista/index.php/ps/article/view/364
Abstract (English)
The current research aims to apply data mining techniques, based on the CRISP-DM methodology to the operational performance of concessionaires, using historical data that includes, from 2013 to 2023, the monthly movement of cargo on concession federal railways, originated from the integrated subsystem of the Rail Transport Monitoring and Inspection System (SAFF), the Concessionaires Operational Performance Monitoring System (SIADE). Therefore, it is proposed to use data mining for preliminary descriptive exploratory analysis in Python programming language, presenting, through column graphs, Brazilian railway movement in useful tons and subsequent predictive modeling in time series, with the use of the ARIMA (Autoregressive Integrated Moving Average) method, aiming to identify possible trends, seasonality and forecast the operational performance of the railway concessionaires included in this study. It can be seen that, during the period analyzed, iron ore remained the product with the largest movement in units of useful tons (approximately 381 million TU, in 2022) and among the concessionaires, MRS and Vale presented the highest production in TU in 2023. Furthermore, predictions were obtained, making it possible to measure the expected movement of railway cargo for each concessionaire for year 2024.
Files
16.pdf
Additional details
Additional titles
- Translated title (English)
- Application of data mining techniques in the operational performance of railway concessionaires: A SIADE case study
Related works
- Is published in
- Journal article: https://www.fatecpg.edu.br/revista/index.php/ps/article/view/364 (URL)
Dates
- Issued
-
2024-06-04
References
- ALMEIDA, J. O. Maturidade dos processos de business intelligence na área de tecnologia da informação: um estudo de caso do Instituto Municipal de Administração Pública. 2017. 112f. Dissertação (Mestrado em Administração) - UNIFACS, Salvador, 2017. Disponível em: https://tede.unifacs.br/handle/tede/696. Acesso em: 23 mar. 2024.
- ALVES, E. G. C.; RAMOS, R. B. S.; SILVA, C. R. Transporte ferroviário no Brasil: Desafios e oportunidades. Revista Conecta, São Paulo, Brasil, v. 3, p. 15–27, 2020. Disponível em: https://www.fatecrl.edu.br/revistaconecta/index.php/rc/article/view/18. Acesso em: 06 set. 2023.
- BARBIERI, C. BI2 – Business Intelligence: modelagem e qualidade. 1. ed. Rio de Janeiro: Elsevier, 2011.
- BRASIL. Ações e Programas. Ministério dos Transportes, 2023. Disponível em: https://www.gov.br/transportes/pt-br/acesso-a-informacao/acoes-e-programas. Acesso em: 06 set. 2023.
- BRASIL. Agência Nacional de Transportes Terrestres. Portal de Dados Abertos: Sistema de Acompanhamento do Desempenho Operacional das Concessionárias - SIADE. Brasília, 31 ago. 2023a. Disponível em: https://dados.antt.gov.br/dataset/sistema-de-acompanhamento-do-desempenho-operacional-das-concessionarias-siade. Acesso em: 31 ago. 2023.
- BUSSAB, W. O. MORETTIN, P. A. Estatística básica. 9. ed. São Paulo: Saraiva, 2017.
- CAMILO, C. O.; SILVA, J. C. Mineração de dados: conceitos, tarefas, métodos e ferramentas. Technical Report - RT-INF 001-09 - Instituto de Informática - Universidade Federal de Goiás (UFC), 2009. Disponível em: https://ww2.inf.ufg.br/node/355. Acesso em: 23 mar. 2024.
- DIAS, M. A. Logística, transporte e infraestrutura: armazenagem, operador logístico, gestão via TI, multimodal. São Paulo: Atlas, 2012.
- GABRIEL, L. C. A importância do transporte ferroviário de cargas no Brasil. Revista do Clube Naval, Rio de Janeiro, v. 4 n. 396, p. 56–61, 2021. Disponível em: http://187.29.162.44/index.php/clubenaval/article/view/1872. Acesso em: 06 set. 2023.
- GAMA NETO, M. V. O processo CRISP-DM aplicado na construção de uma solução para Análise de Risco de Crédito. 2018. 42 f. Monografia (Graduação em Ciência da Computação) – Universidade Federal de Pernambuco, Recife, 2018.
- GOOGLE. Colaboratory. Google, 2023. Disponível em: https://research.google.com/colaboratory/intl/pt-BR/faq.html. Acesso em: 05 out. 2023.
- GUNAWAN, T. S. et al. Development of video-based emotion recognition using deep learning with Google Colab. TELKOMNIKA (Telecommunication Computing Electronics and Control), v. 18, n. 5, p. 2463-2471, 2020. Disponível em: http://doi.org/10.12928/telkomnika.v18i5.16717. Acesso em: 09 out. 2023.
- IBM. Visão geral da ajuda do CRISP-DM. IBM, 2023. Disponível em: https://www.ibm.com/docs/pt-br/spss-modeler/18.4.0?topic=dm-crisp-help-overview. Acesso em: 06 set. 2023.
- KOTU, V.; DESHPANDE, B. Time Series Forecasting. In: KOTU, V.; DESHPANDE, B. (org.). Data Science. 2 ed. Cambridge: Morgan Kaufmann, 2019. p. 395-445.
- LAGO, K.; LAENNDER, A. Dominando o Power BI. 1 ed. São Paulo: DATAB, 2018.
- LANZA, J.F.R. Ferrovias, mercado e políticas públicas: As shortlines como solução para o transporte ferroviário no Brasil. São Paulo: Labrador, 2020.
- MAPA FERROVIÁRIO. ANTF, 2023. Disponível em: https://www.antf.org.br/mapa-ferroviario/. Acesso em: 05 out. 2023.
- MARCONI, M. A.; LAKATOS, E. M. Fundamentos de metodologia científica. 5. ed. São Paulo: Atlas, 2003.
- MILLIET, S. Roteiro do café e outros ensaios: contribuição para o estudo da história econômica e social do Brasil. 3 ed. São Paulo: 1941. 211 p. (Coleção Departamento de Cultura, v. 25). Disponível em: https://bibliotecadigital.seade.gov.br/view/singlepage/index.php?pubcod=10011698&parte=1. Acesso em: 14 set. 2023.
- ROBERTO, C. Crisp-DM: as 6 etapas da metodologia do future. MBA USP/Esalq, 2023. Disponível em: https://blog.mbauspesalq.com/2022/04/12/crisp-dm-as-6-etapas-da-metodologia-do-futuro/. Acesso em: 17 out. 2023.
- SGROTT, P. R. Uma análise do cenário do transporte ferroviário de cargas. 2019. Monografia (Graduação em Engenharia Ferroviária e Metroviária) – Centro Tecnológico de Joinville da Universidade Federal de Santa Catarina, Joinville, 2019. Disponível em: https://repositorio.ufsc.br/handle/123456789/197312. Acesso em: 06 set. 2023.
- SGROTT, P. R.; ZAGHENI, E. S. S. Uma análise do cenário do transporte ferroviário de cargas / An analysis of the rail freight scenario. Brazilian Applied Science Review, [S. l.], v. 4, n. 6, p. 3931–3948, 2020. Disponível em: https://ojs.brazilianjournals.com.br/ojs/index.php/BASR/article/view/21684. Acesso em: 06 set. 2023.
- SMITH, T. G. Understand p, d, and q. Alkaline-ml, 2023. Disponível em: https://alkaline-ml.com/pmdarima/tips_and_tricks.html#understand-p-d-and-q. Acesso em: 23 mar. 2024.
- THE Pennsylvania State University. Seasonal Models. In: Pennsylvania State University. Applied Time Series Analysis. [Pennsylvania]: Penn State's Department of Statistics, 2023. Disponível em: https://online.stat.psu.edu/stat510/lesson/4. Acesso em: 02 nov. 2023.