Resumo Considerando que a demanda de passageiros é um dos principais riscos nos empreendimentos de infraestrutura de transporte de passageiros sobre trilhos, este trabalho objetiva propor um modelo de previsão de demanda, baseado em redes neurais artificiais, de forma a contribuir com a gestão de projetos ainda em sua fase de planejamento antecipado. Para isso, foi utilizado o delineamento do tipo expost facto, numa pesquisa do tipo descritiva com abordagem quantitativa, em que o grupo de investigação foi formado pelas estações de metrô e de trem da Região Metropolitana de São Paulo. Foram propostas 12 arquiteturas de RNA com 15 configurações diferentes, totalizando assim 180 processos de treinamento, teste e validação. Para cada uma das arquiteturas, foi identificado o menor erro médio quadrado percentual obtido; e para a melhor arquitetura, com uma camada oculta, foi realizada a análise de relevância, pelo método de Garson, das 4 variáveis de entrada do modelo: a população; o número de matrículas escolares; o número de empregos; e a renda per capita. Com o modelo proposto, espera-se contribuir à teoria ao somar aos modelos de previsão de demanda utilizando uma metodologia robusta e, para os gestores, servir como ferramenta de auxílio nos estudos de viabilidade econômico-financeiro desses empreendimentos, ainda em sua fase de planejamento antecipado, como uma ferramenta de tomada de decisão de investimento.
Abstract Whereas passenger demand is one of the main risks in passenger transport infrastructure projects on track, this paper aims to propose a demand forecasting model based on artificial neural networks (ANN) in order to contribute to the project management still in its early planning stages. For this, the design of ex post facto type was used in a descriptive research with quantitative approach, where the research group was composed by subway and train stations in the metropolitan region of São Paulo-Brazil. In total, 12 ANN were proposed architectures with 15 different configurations, totaling 180 training processes, testing and validation. For each architecture has been identified the lowest mean square error percentage obtained; and the best architecture, with a hidden layer, was performed relevance analysis by Garson method, the model 4 input variables: the population; the school enrolment; the number of jobs; and per capita income. With the proposed model, one expects to contribute to the theory by adding to demand forecasting models using a robust methodology and, for managers, serve as a tool in studies of economic and financial viability of these projects, still in its planning phase anticipated as an investment decision-making tool.
