ResumoO trabalho teve o objeto o desenvolvimento de um modelo de previsão de chegada de ônibus que fazem o transporte de empregados sob o regime de fretamento. Para tanto, utilizou-se um modelo matemático baseado em Redes Neurais Artificiais. As experiências anteriores de aplicação de RNA's para modelagem desse tipo de problema consideraram como dados de entrada, informações "estáticas" do percurso, como por exemplo, a posição dos pontos de paradas pré-estabelecidos, a distância entre os mesmos, a velocidade média de percurso previamente analisada. A contribuição do presente trabalho foi desenvolver um modelo de aprendizado considerando como dados de entrada, qualquer localização do veículo (longitude e latitude) ao longo do percurso bem como a hora em que o mesmo passou pela mesma coordenada, tornando o modelo mais dinâmico e simplificado para ser reproduzido e incorporado às ferramentas de rastreamento veicular que utilizam posicionamento global (GPS). Outra contribuição metodológica foi a estruturação de uma "árvore de testes" que considerou variações na tipologia, nos valores para Taxa de Aprendizagem e "Momentum". O resultado alcançado chegou a um modelo de previsão com erro relativo médio de menos de 1%.

AbstractThe research's objective was to develop a model of bus arrival prediction to employees' transportation with charter regime. For this, was used a mathematical model based on Artificial Neural Networks. Previous experiments using RNA application to modeling this kind of problem considered as data's input "static" information of the route, such as the position of points of predetermined stops, the distance between them and the average speed route previously analyzed. The research's contribution was to develop a learning model considering as input data, any vehicle location (longitude and latitude) along the route and the time in which it went through the same coordinated, becoming the most dynamic and simplified model to be reproduced and incorporated into vehicle tracking tools that use global positioning (GPS). Another methodological contribution was structuring a "test tree", this test considered variations in the typology, in the values for Learning Rate and "Momentum". The result achieved reached a predictive model with mean relative error of less than 1%.