Análise comparativa de modelos de aprendizado de máquina para classificação de corridas rentáveis em plataformas de transporte.
Resumo
O crescimento das plataformas digitais de transporte urbano ampliou a quantidade de dados gerados sobre deslocamentos, valores, distâncias, horários e características operacionais das corridas. Apesar desse volume de informações, motoristas e demais agentes envolvidos nesse tipo de serviço ainda enfrentam dificuldades para transformar dados em apoio efetivo à tomada de decisão, especialmente quando o objetivo é avaliar se uma corrida tende a ser rentável ou não. Diante desse contexto, este trabalho tem como objetivo analisar e comparar modelos de aprendizado de máquina (AM) para a classificação de corridas rentáveis e não rentáveis em duas bases de dados distintas: uma base de reservas de corridas do tipo Uber/NCR e uma base pública de corridas de táxi amarelo de Nova York. A metodologia foi estruturada com base no processo CRISP-DM, contemplando compreensão do problema, compreensão dos dados, preparação dos dados, modelagem e avaliação. Foram criadas variáveis derivadas de custo estimado, lucro estimado e rentabilidade, com discussão metodológica sobre o risco de vazamento de dados, especialmente em relação ao uso de variáveis financeiras. Também foram incluídas análises de sensibilidade para verificar o impacto do uso de variáveis diretamente relacionadas ao cálculo da rentabilidade. Foram avaliados modelos como Regressão Logística, Árvore de Decisão, Random Forest, Extra Trees, Gradient Boosting, AdaBoost, modelos de baseline e uma rede neural simples com TensorFlow/Keras como experimento complementar. Os resultados indicaram que, na base Uber/NCR, o Gradient Boosting obteve F1-score aproximado de 0,99, resultado fortemente associado à presença de booking_value e ride_distance. Na base Yellow Taxi NYC, a rede neural complementar e o Random Forest atingiram F1-score próximo de 0,93, com queda para 0,7735 quando removidas duration_min e avg_speed_mph. Conclui-se que modelos de AM podem apoiar a identificação de padrões associados à rentabilidade de corridas, desde que as limitações das bases, a natureza estimada da variável alvo e a disponibilidade das variáveis no momento da decisão sejam claramente consideradas.