Modelo de geração de viagens de carga em áreas urbanas: um estudo para bares, restaurantes e supermercados
Bibliographic record
Abstract
A distribuição urbana de mercadorias está diretamente relacionada ao desenvolvimento econômico, apesar dos impactos negativos relacionados a esta atividade. Uma forma de minimizar tais impactos é utilizando-se políticas públicas e, para isto, os modelos de geração de viagens de carga podem ser uma estratégica para conhecer o comportamento do fluxo de carga no meio urbano. Nesse contexto, este trabalho revisa os modelos de geração de viagens de carga no contexto brasileiro e propõe modelos para importantes setores em Belo Horizonte: Bares, Restaurantes, Mercados e Supermercados. Para tanto, utilizou-se de pesquisa de campo para coleta de informações nos segmentos analisados, cujos dados foram analisados buscando determinar a melhor correlação entre as variáveis que descrevem a geração de viagens. Os resultados obtidos indicaram que a taxa de geração de viagens em relação à área do estabelecimento comercial foi o modelo que apresentou o melhor ajuste. Além disso, o desenvolvimento de modelos para as diferentes regionais da cidade, além do modelo geral, indicou a importância de análises locais para a avaliação da movimentação da carga. Por fim, a comparação dos modelos obtidos com os modelos encontrados na literatura brasileira indicou semelhanças e divergências e reforçou a necessidade de modelos locais, especializados para os diferentes setores econômicos.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".