vagner sanches

Download Vagner Sanches

Post on 07-Jan-2017

233 views

Category:

Documents

10 download

Embed Size (px)

TRANSCRIPT

  • UNIVERSIDADE NOVE DE JULHOPROGRAMA DE MESTRADO PROFISSIONAL EM ADMINISTRAO

    GESTO DE PROJETOS

    PREVISO DE DEMANDA NA FASE DE PLANEJAMENTO ANTECIPADO DEPROJETOS DE TRANSPORTE DE PASSAGEIROS: UMA ABORDAGEM POR

    REDES NEURAIS ARTIFICIAIS

    VAGNER SANCHES VASCONCELOS

    So Paulo2015

  • VAGNER SANCHES VASCONCELOS

    PREVISO DE DEMANDA NA FASE DE PLANEJAMENTO ANTECIPADO DEPROJETOS DE TRANSPORTE DE PASSAGEIROS: UMA ABORDAGEM POR

    REDES NEURAIS ARTIFICIAIS

    DEMAND FORECAST IN THE FRONT-END PLANNING STAGES PASSENGERTRANSPORT PROJECTS: AN APPROACH BY ARTIFICIAL NEURAL NETWORKS

    Dissertao apresentada ao Programa de MestradoProfissional em Administrao: Gesto de Projetosda Universidade Nove de Julho UNINOVE, comorequisito parcial para obteno do grau de Mestreem Administrao.

    Orientador: Prof. Dr. Filipe Quevedo-Silva

    So Paulo2015

  • Ficha Catalogrfica

    Vasconcelos, Vagner Sanches.

    Previso de demanda na fase de planejamento antecipado de

    Projetos de transporte de passageiros: uma abordagem por

    Redes neurais artificiais. / Vagner Sanches Vasconcelos. 2015.

    170 f.

    Dissertao (mestrado) Universidade Nove de Julho - UNINOVE,

    So Paulo, 2015.

    Orientador (a): Prof. Dr. Filipe Quevedo-Silva

    1. Gerenciamento de projetos. 2. Planejamento antecipado do projeto. 3. Internet. 4. Empreendimentos de transporte de passageiros sobre

    trilhos.

    I. Quevedo-Silva, Filipe. II. Titulo CDU 658

  • VAGNER SANCHES VASCONCELOS

    PREVISO DE DEMANDA NA FASE DE PLANEJAMENTO ANTECIPADO DEPROJETOS DE TRANSPORTE DE PASSAGEIROS: UMA ABORDAGEM POR

    REDES NEURAIS ARTIFICIAIS

    Dissertao apresentada ao Programa de MestradoProfissional em Administrao: Gesto de Projetosda Universidade Nove de Julho UNINOVE, comorequisito parcial para obteno do grau de Mestreem Administrao, pela Banca Examinadora,formada por:

    __________________________________________________________Presidente: Prof. Dr. Filipe Quevedo-Silva Orientador, UNINOVE

    __________________________________________________________

    Membro: Prof. Dr. Ricardo Leonardo Rovai UNINOVE

    __________________________________________________________

    Membro: Prof. Dr. Orlando Cattini Junior FGV

    So Paulo, 12 de fevereiro de 2015.

  • DEDICATRIA

    Dedico este trabalho aos meus pais, Dirceu e Maria Alice,a minha esposa Vnia e ao Vagner Filho.

  • AGRADECIMENTOS

    Ao professor Filipe Quevedo-Silva, pela orientao e pelo constante estmulo e dedicaotransmitidos durante todo este trabalho.

    Aos professores Dirceu da Silva e Ricardo Leonardo Rovai, pelas valiosas contribuiesdadas na etapa de qualificao e na continuao deste trabalho.

    A todo o corpo docente e funcionrios do programa de Mestrado Profissional emAdministrao Gesto de Projetos da Universidade Nove de Julho.

    Aos colegas de turma do curso do mestrado, e aos colegas de trabalho do Metr de So Pauloe da Faculdade de Tecnologia SENAI Mariano Ferraz que colaboraram direta ouindiretamente, na execuo deste trabalho.

    A toda minha famlia pela compreenso das longas horas ausentes.

    E a voc, que faz nova todas as coisas.

  • Ele no sabia que era impossvel. Foi l e fez.(Jean Cocteau/ Mark Twain)

  • RESUMO

    Considerando que a demanda de passageiros um dos principais riscos nos empreendimentos

    de infraestrutura de transporte de passageiros sobre trilhos, este trabalho objetiva validar um

    modelo de previso de demanda, baseado em redes neurais artificiais (RNA), de forma a

    contribuir com a gesto de projetos dessa modalidade de empreendimentos, isso ainda em sua

    fase de planejamento antecipado do projeto. Para isso, foi utilizado o delineamento do tipo ex-

    post facto, numa pesquisa do tipo descritiva com abordagem quantitativa, onde o grupo de

    investigao foi formado pelas estaes de metr e de trem da Regio Metropolitana de So

    Paulo (RMSP). Os dados para o treinamento, teste e validao do modelo neural de previso

    de demanda foram obtidos de fontes secundrias, sendo elas: a Pesquisa de Mobilidade

    Urbana 2012 na RMSP; e a base de dados de entrada de passageiros nas estaes de metr e

    trem. Foram propostos 12 arquiteturas de RNA com 15 configuraes diferentes, totalizando

    assim 180 processos de treinamento, teste e validao. Para cada uma das arquiteturas, foi

    identificado o menor erro mdio quadrado percentual (EQM%) obtido; e para a melhor

    arquitetura, com uma camada oculta, foi realizado a anlise de relevncia, pelo mtodo de

    Garson, das 4 variveis de entrada do modelo: a populao; o nmero de matrculas escolares;

    o nmero de empregos; e a renda per capita. Os principais resultados obtidos desta pesquisa

    demonstram a validade das arquiteturas propostas, que apresentaram EQM% entre 0,045% ~

    0,109%. A contribuio para a prtica deste estudo servir como ferramenta de auxilio das

    organizaes e dos gerentes de projeto nos estudos de viabilidade econmico-financeiro

    desses empreendimentos, ainda em sua fase de planejamento antecipado, servindo como uma

    ferramenta de tomada de deciso de investimento.

    Palavras-chaves: Gerenciamento de Projetos, Planejamento Antecipado do Projeto,

    Empreendimentos de Transporte de Passageiros Sobre Trilhos, Previso de Demanda, Redes

    Neurais Artificiais.

  • ABSTRACT

    Considering that passenger demand is a major risk in passenger rail infrastructure projects,

    this study aims to validate a demand forecasting model based on artificial neural networks

    (ANN), in order to contribute to the project management of this type of projects, it is still in

    front-end planning of these projects. For this, the design of the type ex-post facto was used in

    a descriptive research with quantitative approach where the research group was formed by

    subway and train stations in the metropolitan region of So Paulo (RMSP). The data for

    training, testing and validation of the neural model demand forecast were obtained from

    secondary sources, which are: the Urban Mobility Research 2012 in the RMSP; and the data

    base of entry passenger at subway and train stations. Proposed were 12 architectures of the

    ANN with 15 different configurations, totaling 180 training processes, testing and validation.

    For each of the architectures, the lowest mean square error (MSE) obtained was identified;

    and the best architecture, with a hidden layer was performed relevance analysis by Garson

    method, the model 4 input variables: the population; the school enrollment; the number of

    jobs; and per capita income. The main results of this study demonstrate the validity of the

    proposed architectures, presenting MSE% from 0.045% ~ 0.109%. The practical contribution

    this study is to serve as an aid tool for organizations and project managers in the study of

    economic and financial viability of these projects, still in its early planning stages, serving as

    an investment decision-making tool.

    Key words: Project Management, Front-End Planning, Project Passenger On Rails, Demand

    Forecasting, Artificial Neural Networks.

  • LISTA DE FIGURAS

    Figura 1: Mdia aritmtica anual dos congestionamentos na cidade de So Paulo..................20Figura 2: Constructo ndice de Sofrimento das 20 cidades pesquisadas..................................21Figura 3: Distribuio do Nmero de Projetos de PPP no Brasil .............................................23Figura 4: Riscos em projetos de PPP.........................................................................................24Figura 5: Fases do mtodo do planejamento antecipado - FEL................................................26Figura 6: Modelo Urban Transportation Model System...........................................................27Figura 7: Entradas do modelo UTMS e aplicaes para sua sada...........................................28Figura 8: RNA Multilayer Perceptron (MLP) tpica com uma camada intermediria..............28Figura 9: Estrutura conceitual da questo de pesquisa..............................................................29Figura 10: Tipo de padres de gerenciamento de projetos........................................................45Figura 11: Forma simples do modelo Stage-Gate..................................................................47Figura 12: Modelo Stage-Gate de 1 Gerao........................................................................48Figura 13: Modelo Unificado do Planejamento e Desenvolvimento de Produtos....................49Figura 14: Ciclo de vida genrico dos empreendimentos com os portes de decises.............50Figura 15: Fases de planejamento e execuo de um empreendimento....................................55Figura 16: O ciclo de vida de um empreendimento..................................................................56Figura 17: Exemplo do Escopo de Contratao........................................................................57Figura 18: Diagrama de Entrada/Sada de definio do business case.....................................58Figura 19: Etapas do business case no PRINCE2TM...............................................................61Figura 20: Desenvolver o Termo de Abertura do Projeto.........................................................62Figura 21: Processo de formao das PPP.