[en] RECURRENT NEURAL NETWORKS AND MULTIVARIATE STATISTICAL ANALYSIS FOR FORECASTING AND MEASURING THE INFLUENCE BETWEEN EMISSION AND FUEL CONSUMPTION VARIABLES IN VEHICLES

[pt] REDES NEURAIS RECORRENTES E ANÁLISE ESTATÍSTICA MULTIVARIADA PARA PREVISÃO E MEDIÇÃO DA INFLUÊNCIA ENTRE AS VARIÁVEIS DE EMISSÕES E CONSUMO DE COMBUSTÍVEL EM VEÍCULOS

[pt] CAIO COUTINHO PALMIERI

[pt] CONSUMO

[pt] ANALISE ESTATISTICA MULTIVARIADA

[pt] REDE NEURAL RECORRENTE

[pt] EMISSAO DE GASES

[en] CONSUMPTION

[en] MULTIVARIATE STATISTIC ANALYSIS

[en] RECURRENT NEURAL NETWORK

[en] EMISSION OF GASES

[pt] Este trabalho desenvolve modelos preditivos baseados em Redes Neurais Recorrentes (RNNs) e Long Short-Term Memory (LSTM) para prever emissões de poluentes e consumo de combustível em veículos, utilizando dados históricos como hodômetro e tipo de combustível. As RNNs e LSTMs, por sua capacidade de capturar padrões complexos em séries temporais, são aplicadas para identificar tendências e prever comportamentos futuros, contribuindo para a eficiência energética e a redução de emissões. Além disso, uma análise estatística multivariada com o Random Forest e outros algoritmos, como AdaBoost e Gradient Boost, é realizada para avaliar a influência das variáveis independentes na variável alvo, permitindo identificar fatores críticos que impactam no desempenho veicular. A combinação dessas técnicas de aprendizado de máquina e ciência de dados oferece soluções robustas e inovadoras, promovendo o desenvolvimento sustentável ao enfrentar desafios ambientais e econômicos relacionados à poluição atmosférica e à otimização do setor de transporte.

[en] This work develops predictive models based on Recurrent Neural Networks (RNNs) and Long Short-Term Memory (LSTM) to forecast pollutant emissions and fuel consumption in vehicles, using historical data such as odometer readings and fuel type. RNNs and LSTMs, due to their ability to capture complex patterns in time series, are applied to identify trends and predict future behaviors, contributing to energy efficiency and emission reduction. Additionally, a multivariate statistical analysis with Random Forest and other algorithms, such as AdaBoost and Gradient Boost, is performed to assess the influence of independent variables on the target variable, identifying critical factors that impact vehicle performance. The combination of these machine learning and data science techniques provides robust and innovative solutions, promoting sustainable development by addressing environmental and economic challenges related to air pollution and the optimization of the transportation sector.

PAULO IVSON NETTO SANTOS

2025-04-10

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69935@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69935@2

https://doi.org/10.17771/PUCRio.acad.69935