[pt] APRENDIZADO DE MÁQUINA E HEURÍSTICA DE MAP MATCHING PARA ESTIMATIVA DE EMISSÕES DE NOX DE VEÍCULOS PESADOS

[en] MACHINE LEARNING AND HEURISTIC MAP MATCHING FOR ESTIMATING NOX EMISSIONS OF HEAVY-DUTY VEHICLES

[pt] RENAN MORAIS FLORIAS

[pt] APRENDIZADO DE MAQUINA

[pt] MODELAGEM DE TRANSPORTE

[pt] CORRECAO DE TRAJETO

[pt] EMISSAO DE NOX

[en] MACHINE LEARNING

[en] TRANSPORTATION MODELING

[en] MAP MATCHING

[en] NOX EMISSION

[pt] Este estudo investiga os principais fatores que influenciam as emissões de óxidos de nitrogênio (NOx) provenientes de veículos pesados, integrando dados de trajetórias de GPS com características da malha viária e do ambiente. A pesquisa foca na avaliação da contribuição de variáveis obtidas por map matching, como elevação, distância ao longo da curva e geometria dos segmentos, em comparação com variáveis derivadas diretamente dos dados brutos de GPS, como distância baseada na fórmula de Haversine e estimativas simples de velocidade. A análise explora a importância relativa de cada variável na predição das emissões de NOx e avalia se o uso do map matching melhora significativamente o desempenho dos modelos. Os resultados indicam que, embora o map matching permita a extração de características espaciais mais ricas, seu impacto na acurácia preditiva é limitado em rotas dominadas por vias expressas. Essas conclusões oferecem insights práticos sobre a relevância de atributos geográficos e operacionais para a modelagem de emissões e fornecem orientações para o desenvolvimento eficiente de ferramentas baseadas em dados voltadas à logística sustentável e à regulação ambiental.

[en] This study investigates the main factors influencing nitrogen oxide (NOx) emissions from heavy-duty vehicles by integrating GPS trajectory data with road network and environmental characteristics. The research focuses on evaluating the contribution of map-matched variables such as elevation, curved distance, and segment geometry in comparison to features derived from raw GPS data, such as Haversine-based distance and simple speed estimates. The analysis explores the relative importance of each variable in predicting NOx emissions and assesses whether map matching significantly enhances model performance. Results indicate that while map matching enables the extraction of richer spatial features, its overall impact on prediction accuracy is limited in expressway-dominated routes. These findings offer practical insights into the relevance of geographic and operational features for emissions modeling and provide guidance for the efficient design of data-driven tools for sustainable logistics and environmental regulation.

PAULO IVSON NETTO SANTOS

ALBERTO BARBOSA RAPOSO

PAULO IVSON NETTO SANTOS

RAFAEL MARTINELLI PINTO

2026-04-09

2025-09-04

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=75983@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=75983@2

https://doi.org/10.17771/PUCRio.acad.75983