{"id":{"repo_id":"brazil-uff","oai_identifier":"oai:app.uff.br:1/25611"},"canonical_url":"https://search.dev.ndltd.org/etd/brazil-uff/oai:app.uff.br:1/25611","repository":{"repo_id":"brazil-uff","name":"Brazil UFF","base_url":"https://app.uff.br/oai/request"},"display":{"title":"Otimização de semáforos utilizando aprendizado por reforço com redes neurais","abstract":"Com o crescimento desenfreado das cidades, na maioria das vezes sem planejamento, a infraestrutura existente não consegue suprir o fluxo crescente de veículos. A estratégia usualmente seguida por grande parte das cidades se foca em alargar ruas e construir novas estradas, de forma a acomodar o número de veículos e aliviar congestionamentos. Entretanto, além do custo investido em tais obras, o cidadão precisa passar por uma série de transtornos durante o seu desenvolvimento. Por conta disso, em busca de usufruir da estrutura disponível, a otimização de semáforos é uma opção viável e com menor custo. Dessa forma, neste trabalho é utilizado Aprendizado por Reforço em conjunto com Redes Neurais por meio da técnica de Deep Q-Learning para aprender a prever, de forma eficaz, uma política que otimize um semáforo em um cruzamento específico no bairro do Ingá, na cidade de Niterói. Com a implementação da técnica mencionada e usando ferramentas de simulação foi possível alcançar resultados que demonstram sua efetividade no semáforo explorado. Além disso, nesse trabalho foi possível explorar um caso de transferência de aprendizado para outras instâncias. Portanto, conclui-se que a utilização de Aprendizado por Reforço Profundo tem grande potencial em resolver este tipo de problema na prática, através de sua possível utilização em semáforos reais.","abstract_html":"Com o crescimento desenfreado das cidades, na maioria das vezes sem planejamento, a infraestrutura existente não consegue suprir o fluxo crescente de veículos. A estratégia usualmente seguida por grande parte das cidades se foca em alargar ruas e construir novas estradas, de forma a acomodar o número de veículos e aliviar congestionamentos. Entretanto, além do custo investido em tais obras, o cidadão precisa passar por uma série de transtornos durante o seu desenvolvimento. Por conta disso, em busca de usufruir da estrutura disponível, a otimização de semáforos é uma opção viável e com menor custo. Dessa forma, neste trabalho é utilizado Aprendizado por Reforço em conjunto com Redes Neurais por meio da técnica de Deep Q-Learning para aprender a prever, de forma eficaz, uma política que otimize um semáforo em um cruzamento específico no bairro do Ingá, na cidade de Niterói. Com a implementação da técnica mencionada e usando ferramentas de simulação foi possível alcançar resultados que demonstram sua efetividade no semáforo explorado. Além disso, nesse trabalho foi possível explorar um caso de transferência de aprendizado para outras instâncias. Portanto, conclui-se que a utilização de Aprendizado por Reforço Profundo tem grande potencial em resolver este tipo de problema na prática, através de sua possível utilização em semáforos reais.","abstract_has_math":false,"creators":["Baleroni, Wallace Ferreira"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2019,"date_issued":"2019","date_published":"2019","updated_at":"2026-07-27T19:00:24Z","subjects":[],"languages":["pt_BR"],"rights":["Open Access"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"http://app.uff.br/riuff/handle/1/25611","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Baleroni, Wallace Ferreira"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2022-07-07T13:12:22Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2022-07-07T13:12:22Z"]},{"key":"dc:date.issued","label":"Date","values":["2019"]},{"key":"dc:type","label":"Dc Type","values":["Trabalho de conclusão de curso"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["pt_BR"]},{"key":"dc:rights","label":"Dc Rights","values":["Open Access"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://app.uff.br/riuff/handle/1/25611"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Com o crescimento desenfreado das cidades, na maioria das vezes sem planejamento, a infraestrutura existente não consegue suprir o fluxo crescente de veículos. A estratégia usualmente seguida por grande parte das cidades se foca em alargar ruas e construir novas estradas, de forma a acomodar o número de veículos e aliviar congestionamentos. Entretanto, além do custo investido em tais obras, o cidadão precisa passar por uma série de transtornos durante o seu desenvolvimento. Por conta disso, em busca de usufruir da estrutura disponível, a otimização de semáforos é uma opção viável e com menor custo. Dessa forma, neste trabalho é utilizado Aprendizado por Reforço em conjunto com Redes Neurais por meio da técnica de Deep Q-Learning para aprender a prever, de forma eficaz, uma política que otimize um semáforo em um cruzamento específico no bairro do Ingá, na cidade de Niterói. Com a implementação da técnica mencionada e usando ferramentas de simulação foi possível alcançar resultados que demonstram sua efetividade no semáforo explorado. Além disso, nesse trabalho foi possível explorar um caso de transferência de aprendizado para outras instâncias. Portanto, conclui-se que a utilização de Aprendizado por Reforço Profundo tem grande potencial em resolver este tipo de problema na prática, através de sua possível utilização em semáforos reais."]},{"key":"dc:title","label":"Title","values":["Otimização de semáforos utilizando aprendizado por reforço com redes neurais"]}]}],"canonical_facts":{"dc:creator":["Baleroni, Wallace Ferreira"],"dc:date.accessioned":["2022-07-07T13:12:22Z"],"dc:date.available":["2022-07-07T13:12:22Z"],"dc:date.issued":["2019"],"dc:description.abstract":["Com o crescimento desenfreado das cidades, na maioria das vezes sem planejamento, a infraestrutura existente não consegue suprir o fluxo crescente de veículos. A estratégia usualmente seguida por grande parte das cidades se foca em alargar ruas e construir novas estradas, de forma a acomodar o número de veículos e aliviar congestionamentos. Entretanto, além do custo investido em tais obras, o cidadão precisa passar por uma série de transtornos durante o seu desenvolvimento. Por conta disso, em busca de usufruir da estrutura disponível, a otimização de semáforos é uma opção viável e com menor custo. Dessa forma, neste trabalho é utilizado Aprendizado por Reforço em conjunto com Redes Neurais por meio da técnica de Deep Q-Learning para aprender a prever, de forma eficaz, uma política que otimize um semáforo em um cruzamento específico no bairro do Ingá, na cidade de Niterói. Com a implementação da técnica mencionada e usando ferramentas de simulação foi possível alcançar resultados que demonstram sua efetividade no semáforo explorado. Além disso, nesse trabalho foi possível explorar um caso de transferência de aprendizado para outras instâncias. Portanto, conclui-se que a utilização de Aprendizado por Reforço Profundo tem grande potencial em resolver este tipo de problema na prática, através de sua possível utilização em semáforos reais."],"dc:identifier.uri":["http://app.uff.br/riuff/handle/1/25611"],"dc:language.iso":["pt_BR"],"dc:rights":["Open Access"],"dc:title":["Otimização de semáforos utilizando aprendizado por reforço com redes neurais"],"dc:type":["Trabalho de conclusão de curso"]},"updated_at":"2026-07-27T19:00:24Z"}