Uma Abordagem para Geração de Séries Temporais de Mobilidade Urbana Baseada em Aprendizado Profundo

Abstract

Um dos grandes desafios na coleta e divulgação de dados de mobilidade urbana está no fato de que esses dados possuem informações que podem comprometer a privacidade dos usuários. Uma alternativa a esse problema é a geração de dados sintéticos que possam preservar as características dos dados reais. Este trabalho analisa a eficácia da utilização de um modelo estatístico clássico e propõe o uso de algoritmos de aprendizado profundo, como as Redes Generativas Adversarias (GANs, em inglês) para geração de séries temporais baseadas em dados de mobilidade urbana. As séries geradas foram comparadas com os dados reais por meio de uma análise visual e uma análise quantitativa. Os resultados mostraram que os modelos baseados em aprendizado profundo são capazes de gerar dados com as mesmas características dos dados reais.