UMA ABORDAGEM PARA PREDIÇÃO DE TRÁFEGO DE PESSOAS EM AMBIENTES INTERNOS
Aprendizado Profundo, Ambientes Internos, Fluxo de Pessoas, Predição de Tráfego, Suporte a Decisão.
Cidades modernas possuem uma variedade de ambientes internos nos quais o fluxo de pessoas é constante. Através da utilização de Internet das Coisas (do inglês, Internet of Things) é possível realizar uma melhor gestão de processos e recursos (como energia elétrica em prédios residenciais, disponibilidade de transportes coletivos em estações de ônibus e metrôs, e disponibilidade de leitos em hospitais) em ambientes com estas características. Nesse sentido, técnicas de aprendizagem de máquina e aprendizado profundo podem ser utilizadas para prever comportamentos futuros no contexto de ambientes com estas características. Com o advento da pandemia da COVID-19 em 2020, tendo como uma das orientações o distanciamento social, tornou-se necessário o controle de aglomerações, principalmente em ambientes internos. Garantir um melhor controle de aglomerações de pessoas em ambientes internos requer a previsão do fluxo de pessoas em ambientes internos por parte dos gestores, possibilitando-os planejar adequadamente o atendimento ao seu público-alvo. Neste trabalho é proposta uma abordagem para a gestão e predição do tráfego de pessoas em ambientes internos por meio de aprendizado profundo, visando dar suporte aos gestores na tomada de decisão a respeito do tráfego interno de pessoas e na gestão de recursos. Esta abordagem irá dispor de um sistema Web com um painel administrativo, no qual o gestor poderá visualizar os dados de ocupação dos ambientes em tempo real e consultar as previsões realizadas pelo modelo preditivo quanto a ocupação futura de tais ambientes.