MODELOS DE PREDIÇÃO DO TEMPO DE CHEGADA EM TRAJETÓRIAS DE ÔNIBUS URBANOS: UM EXEMPLO NO RIO DE JANEIRO

I Congresso Internacional de Regularização Fundiária & VIII Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação Recife - PE, 23-25 de Setembro de 2025. MODELOS DE PREDIÇÃO DO TEMPO DE CHEGADA EM TRAJETÓRIAS DE ÔNIBUS URBANOS: UM EXEMPLO NO RIO DE JANEIRO MATHEUS MAGALHÃES CARDOSO 1 GIOVANA BARONI CADORIN2 IVANILDO BARBOSA3 Instituto Militar de Engenharia - IME Divisão de Ensino e Pesquisa - DEPq Seção de Engenharia Cartográfica, Rio de Janeiro, RJ [email protected], [email protected], [email protected] RESUMO – A predição do tempo de chegada é uma aplicação crucial que facilita o planejamento de deslocamentos, impactando diretamente a qualidade de vida da população. Modelos precisos nessa área permitem, por exemplo, avaliar a capacidade da malha viária urbana de suportar o volume de veículos em uma determinada região e horário. Este trabalho propõe uma análise comparativa de quatro modelos de predição do tempo de chegada de ônibus, aplicados ao sistema de transporte público do Rio de Janeiro: kvizinhos mais próximos, regressão kernel, modelo aditivo básico e rede neural recorrente com memória de longo prazo. Para isso, foram utilizados dados GNSS (Global Navigation Satellite System) coletados ao longo do itinerário da linha 107 (Central-Urca) no município do Rio de Janeiro. O desempenho de cada modelo foi avaliado quanto à precisão e eficiência computacional, e os resultados foram comparados aos obtidos com a mesma metodologia aplicada à cidade de Dublin, Irlanda. A hipótese era de que algoritmos com maior capacidade de adaptação a sistemas de transporte com alta variabilidade seriam favorecidos, o que foi confirmado pelos resultados obtidos, ressaltando a importância de modelos robustos para contextos urbanos dinâmicos. ABSTRACT – Arrival time prediction is a crucial application for travel planning, directly impacting urban quality of life. Accurate models in this field enable, for example, the assessment of urban road network capacity to handle vehicle volume in specific regions and times. This study proposes a comparative analysis of four bus arrival time prediction models applied to Rio de Janeiro's public transport system: k-nearest neighbors (k-NN), kernel regression (KR), basic additive model (BAM), and recurrent neural network with long short-term memory (RNN-LSTM). For this, GNSS (Global Navigation Satellite System) data collected from bus line 107 (Central-Urca) in Rio de Janeiro were used. Each model's performance was evaluated for accuracy and computational efficiency, and results were compared to those from the same methodology applied in Dublin, Ireland. We hypothesized that algorithms with greater adaptability to highly variable transport systems would be favored, which was confirmed by the obtained results, underscoring the importance of robust models for dynamic urban contexts. 1 INTRODUÇÃO A análise de trajetórias é uma aplicação muito importante na ciência dos dados geoespaciais, impulsionada pela crescente disponibilidade de dados de localização. Para converter o volume cada vez maior desses dados brutos em contribuições valiosas, são necessários contínuos avanços nas ferramentas analíticas capazes de decodificar padrões complexos e extrair informações estratégicas dessas fontes. Uma das aplicações de processamento de trajetórias é a predição de tempo de chegada de ônibus, processo significativamente influenciado pela quantidade de dados envolvidos e pelas incertezas decorrentes das flutuações de demanda em horários e condições de locais específicos, especialmente em cidades populosas como a do Rio de Janeiro. Diante desse cenário, a criação de modelos preditivos robustos permite interpretar e extrair padrões dessas condições dinâmicas para melhorar a precisão das previsões de chegada. Liu, Sun e Wang (2020) selecionaram 5 métodos para geração de modelos de previsão de tempo de chegada de ônibus: modelo de atraso (delay model), k-vizinhos mais próximos (k-nearest neighbors, k-NN), regressão kernel (kernel I Congresso Internacional de Regularização Fundiária & VIII Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação Recife - PE, 23-25 de Setembro de 2025. regression, KR), modelo aditivo básico (basic additive model, BAM) e rede neural recorrente com memória de longo e curto prazo (RNN-LSTM). O Modelo de Atraso é considerado o mais básico, utilizando dados históricos de atrasos para prever os tempos de chegada. Embora seja computacionalmente eficiente, sua precisão é inferior em comparação com outras abordagens. O tempo necessário tanto para treinamento quanto para previsão é reduzido, tornando-o uma solução prática quando a simplicidade e a rapidez são prioridades. Já o método k-Nearest Neighbor (k-NN) analisa a viagem atual comparando-a a com as viagens mais similares realizadas no passado para estimar o tempo de chegada. Sua principal vantagem é a flexibilidade e precisão, contudo, à medida que o conjunto de dados cresce, aumenta também o tempo necessário para realizar previsões, podendo limitar sua aplicabilidade em sistemas extensos. A acurácia obtida é moderada e depende da seleção apropriada do valor de k. O método baseado em regressão kernel é uma extensão do método k-NN que seleciona automaticamente o número apropriado de trajetórias similares para a previsão, oferecendo resultados mais consistentes. Contudo, conforme aumenta o volume de dados, há um aumento significativo no custo computacional, o que pode afetar negativamente sua viabilidade. Por sua vez, o Método Aditivo Básico (BAM) integra várias características, como a distância percorrida e o tempo de partida, sem exigir interpolação dos pontos de GNSS. É eficiente tanto no treinamento quanto na previsão, tornandose adequado para cenários com dados limitados. No entanto, sua precisão é inferior à obtida por métodos mais complexos, como as redes neurais. Por fim, o método baseado em Redes Neurais Recorrentes com Memória de Curto e Longo Prazo (RNNLSTM) se destaca em precisão entre os avaliados, especialmente por sua capacidade de captar dependências temporais a longo prazo, o que aprimora as previsões do tempo de chegada. No entanto, sua implementação requer mais recursos computacionais e conhecimentos especializados para ajuste de hiperparâmetros, além da necessidade de utilizar hardware especializado (como GPUs - Graphics Processing Units) para otimizar o desempenho. Os 5 métodos foram aplicados a uma base de dados GPS de ônibus coletados na cidade de Dublin, Irlanda, onde os autores avaliaram tanto a precisão quanto a eficiência computacional de cada abordagem para auxiliar gestores urbanos na seleção do modelo mais apropriado para seus sistemas de transporte público. O estudo destacou, ainda, as vantagens e desvantagens de cada modelo quanto à precisão, ao tempo de treinamento e ao tempo necessário para previsão. Além disso, propôs um método para pré-processar os dados do GPS com o objetivo específico de prever os tempos de chegada apenas nos pontos de parada selecionados. Essa abordagem aumentou a eficiência dos modelos sem comprometer significativamente sua precisão. Os objetivos principais deste trabalho são comparar e avaliar o desempenho de diferentes modelos de predição de tempo de chegada de ônibus, baseados na metodologia estabelecida em Liu, Sun e Wang (2020), aplicados ao sistema de transporte do Rio de Janeiro, a fim de verificar a manutenção da consistência dos resultados em contexto urbano distinto. Cabe destacar os objetivos específicos propostos: produzir, para o contexto do Rio de Janeiro, quatro modelos de predição para o itinerário da linha 107 (Central Urca) utilizando os mesmos procedimentos metodológicos e desenvolver pipeline ETL para converter a base de dados de trajetórias disponibilizados pela Prefeitura do Rio de Janeiro, visando à reprodutibilidade da metodologia em outras linhas e em períodos diferentes. No contexto brasileiro, a relevância da predição precisa de tempos de chegada se torna ainda mais evidente diante dos desafios estruturais da mobilidade urbana nas principais metrópoles. Segundo o Índice da Qualidade da Mobilidade Urbana (IQMU) de 2025, desenvolvido pela FGV Transportes, as cidades do Rio de Janeiro, São Paulo e Belo Horizonte apresentam índices de qualidade próximos a 5,0 em uma escala de 0 a 10, refletindo percepções predominantemente negativas da população em relação ao transporte público. O estudo aponta que nas três cidades, mais de 60% dos usuários avaliam a mobilidade urbana como péssima ou ruim, sendo que problemas como lotação excessiva dos veículos, longos tempos de viagem e falta de integração entre modais são recorrentes. Neste cenário, ferramentas preditivas que permitam aos usuários planejar melhor seus deslocamentos tornam-se essenciais para mitigar os impactos negativos da baixa qualidade do serviço de transporte público, contribuindo para uma experiência de mobilidade mais eficiente e informada. Neste trabalho, os métodos foram testados com dados GNSS rastreados em ônibus da linha 107 (Central – Urca), na cidade do Rio de Janeiro, disponíveis no portal oficial da Prefeitura Municipal (DATA RIO, 2024). A análise de apenas uma linha de ônibus foi necessária devido ao grande volume de dados disponível e a escolha da linha 107 deu-se pela diversidade de paisagens observadas ao longo de seu itinerário (Figura 1). A linha começa seu itinerário na estação Central do Brasil, com integração a linhas de ônibus, trens e metrô dos bairros da Zona Norte e da Baixada Fluminense, sendo uma das principais rotas para a Zona Sul e, mais especificamente, para o bairro da Urca, destino turístico (Pão de Açúcar), universitário (dois campi da Unirio) e militar (Centro de Capacitação Física do Exército, Instituto Militar de Engenharia, entre outras Organizações Militares). Adicionalmente, a linha atravessa zonas com diferentes densidades de tráfego, desde o congestionado centro comercial até áreas residenciais mais tranquilas, oferecendo variações nos tempos de viagem que são fundamentais para avaliar a precisão preditiva dos algoritmos. I Congresso Internacional de Regularização Fundiária & VIII Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação Recife - PE, 23-25 de Setembro de 2025. 2 METODOLOGIA A avaliação proposta neste trabalho compara modelos gerados por quatro métodos diferentes de predição de tempo de chegada de ônibus: k-NN, KR, BAM e RNN-LSTM. Todos os modelos foram implementados na linguagem Python, aproveitando o código indicado por Liu, Sun e Wang (2020). Os dados da linha 107 foram extraídos do portal DATA.RIO (2024), que disponibiliza informações abertas da Prefeitura do Rio de Janeiro. Até a redação deste trabalho, a base de dados possuía mais de 12 milhões de pontos GPS registrados especificamente para a linha 107, contendo informações de data, hora, linha, latitude, longitude, velocidade e outros atributos relevantes para análise de trajetórias. O portal DATA.RIO como um todo conta com mais de 9 bilhões de pontos coletados do sistema de transporte público da cidade. O desenvolvimento da pesquisa foi realizado utilizando-se um computador pessoal com as seguintes especificações: notebook com 1 TB de HD, SSD SATA M.2 de 512 GB, 8 GB de memória RAM Dual-Channel DDR4, processador Intel Core i5 de 8ª geração, placa de vídeo Intel UHD Graphics 620 e sistema operacional Windows 11 Pro 64 bits. O principal software utilizado foi o Python 3.11, utilizando-se de bibliotecas como Scikit-learn, NumPy, Tensorflow e Pandas para tratar os dados extraídos do DATA.RIO, deixando-os aptos a serem utilizados para os testes dos métodos de predição também implementados utilizando-se as bibliotecas Python supracitadas. Figura 1 – Itinerário da linha de ônibus escolhida. Fonte: Moovit (2025). A metodologia está dividida em três etapas: aquisição, pré-processamento, criação dos modelos preditivos, e análise dos resultados. A primeira etapa do trabalho consiste na aquisição dos dados da linha de ônibus estudada, bem como o préprocessamento de suas trajetórias. Após o pré-processamento dos dados GPS dos ônibus, foram selecionadas as viagens válidas para a linha de ônibus em estudo no Rio de Janeiro. Os dados foram tratados de duas maneiras: pelo método convencional baseado em distância (distance-based trip), onde são realizadas interpolações a cada 100 metros, e pelo método proposto baseado em paradas (stop-based trip), que considera apenas as paradas oficiais do ônibus. Na etapa de pré-processamento, os dados coletados foram organizados em ordem cronológica e divididos em 4 grupos de diferentes tamanhos (500, 1000, 1500 e 2000 viagens). Para cada grupo, 80% das viagens iniciais foram utilizadas para treinamento e os 20% restantes para teste. Esta divisão permitiu avaliar como o desempenho dos modelos varia conforme o tamanho do conjunto de dados aumenta. Na etapa de criação dos modelos preditivos, foram criados os modelos a partir do conjunto de dados existente e dos algoritmos implementados. Os parâmetros de configuração dos modelos foram estabelecidos seguindo a metodologia de Liu, Sun e Wang (2020), com adaptações específicas para o contexto do Rio de Janeiro. Para o modelo k-NN, foi utilizado k=5 vizinhos mais próximos com métrica de distância euclidiana, enquanto o modelo de Regressão Kernel empregou kernel gaussiano com largura de banda determinada automaticamente através de validação cruzada. O modelo I Congresso Internacional de Regularização Fundiária & VIII Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação Recife - PE, 23-25 de Setembro de 2025. Aditivo Básico (BAM) utilizou funções spline cúbicas para modelar as relações não-lineares entre as variáveis de entrada (horário de partida, distância percorrida, tempo de viagem e distância restante), com regularização automática baseada em critérios de informação. Para o modelo RNN-LSTM, foram configuradas duas camadas LSTM com 50 unidades cada, função de ativação tanh, otimizador Adam com taxa de aprendizado de 0,01, dropout de 0,2 para prevenção de overfitting, e treinamento por 100 épocas com early stopping baseado na perda de validação. Todos os modelos foram treinados utilizando divisão temporal dos dados (80% treino, 20% teste) em conjuntos de 500, 1000, 1500 e 2000 viagens, processados tanto pela metodologia baseada em distância (interpolações a cada 100 metros) quanto pela metodologia baseada em paradas (apenas pontos oficiais de parada), implementados em Python 3.11 com TensorFlow 2.0 para o LSTM e scikit-learn para os demais algoritmos. A etapa de análise avalia tanto o desempenho computacional no treinamento, isto é, a capacidade de processamento de grandes volumes de dados históricos pela comparação entre os tempos de execução e o desempenho computacional na predição, ou seja, a viabilidade de uso do modelo em sistemas de tempo real, quanto se avalia a precisão dos modelos a partir do Erro Absoluto Médio (em inglês, MAE) e Erro Médio Quadrático (em inglês, RMSE) dos atrasos observados, permitindo identificar qual modelo oferece o melhor equilíbrio entre precisão e eficiência computacional para o conjunto de dados analisado. 3 RESULTADOS 3.1 Apresentação de resultados Os resultados obtidos na fase de aquisição foram um conjunto de dados contendo aproximadamente 12 milhões de registros da linha 107 (Central-Urca), abrangendo o período entre outubro e dezembro de 2024, totalizando cerca de 6.000 viagens válidas distribuídas ao longo dos três meses analisados. Os dados extraídos do portal DATA.RIO incluíram informações de timestamp, coordenadas geográficas (latitude e longitude), identificação da linha, velocidade instantânea e outros atributos operacionais relevantes para a análise de trajetórias. Na fase de pré-processamento foram eliminados aproximadamente 2 milhões de pontos por motivos de redundância temporal (registros duplicados ou com intervalos inferiores a 10 segundos), inconsistências geográficas (coordenadas fora do perímetro esperado da rota), velocidades anômalas (superiores a 80 km/h ou negativas) e falhas de comunicação GPS. O processo de limpeza também incluiu a remoção de viagens incompletas (com menos de 50% do percurso registrado) e a normalização temporal dos dados para garantir consistência na análise. Na fase de produção de modelos, todos os métodos foram bem-sucedidos na geração de modelos preditivos funcionais. Os quatro algoritmos (k-NN, KR, BAM e RNN-LSTM) foram implementados e treinados com diferentes volumes de dados (500, 1000, 1500 e 2000 viagens) para avaliar a escalabilidade e robustez de cada abordagem. Os modelos gerados, incluindo seus parâmetros otimizados e códigos de implementação, estão disponíveis no link destinado a material complementar. A análise dos resultados obtidos a partir da implementação e avaliação dos diferentes modelos de predição de tempo de chegada de ônibus no contexto do sistema de transporte do Rio de Janeiro revelou padrões significativos de desempenho e características específicas de cada abordagem metodológica. A avaliação utilizou três métricas complementares, aplicadas aos dados coletados durante três meses consecutivos (outubro, novembro e dezembro de 2024). Estes meses foram selecionados por representarem diferentes condições sazonais do tráfego carioca: outubro com padrões de tráfego regulares, novembro incluindo variações de final de ano letivo, e dezembro englobando o período de férias escolares e festividades, proporcionando uma avaliação robusta dos modelos em cenários distintos. 3.2 Discussão dos Resultados O desempenho computacional foi analisado em duas dimensões principais, revelando aspectos importantes sobre a viabilidade prática dos modelos. O tempo de treinamento dos modelos apresentou diferentes escalabilidades conforme o aumento do volume de dados. O modelo LSTM demonstrou maior complexidade computacional durante o treinamento, especialmente com datasets maiores, enquanto os modelos tradicionais (KNN, Kernel) mantiveram tempos de processamento mais estáveis. O modelo Additive apresentou o melhor compromisso entre complexidade e tempo de treinamento. Em cenários de uso real, onde múltiplas solicitações de predição ocorrem simultaneamente, o modelo Additive demonstrou os menores tempos de resposta, tornando-o mais adequado para implementações em tempo real. O modelo LSTM, apesar de sua precisão superior, apresentou latência ligeiramente maior. A análise dos resultados por tamanho de dataset (500, 1000, 1500 e 2000 amostras) não revelou padrões consistentes de melhoria com o aumento do volume de dados para todos os modelos. O modelo LSTM ocasionalmente apresentou melhor desempenho com datasets menores, sugerindo possível overfitting em alguns cenários ou que o volume de dados disponível já era suficiente para um treinamento adequado. I Congresso Internacional de Regularização Fundiária & VIII Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação Recife - PE, 23-25 de Setembro de 2025. Figura 2 – Matriz de Performance dos Modelos de Predição (Outubro-Dezembro 2024). Fonte: Os autores (2025). A Figura 2 apresenta uma matriz de performance que compila os resultados obtidos, classificando a performance dos quatro modelos analisados através de um sistema de cores que facilita a identificação visual dos melhores desempenhos. É possível verificar que os modelos LSTM e Additive apresentaram resultados substancialmente superiores aos modelos tradicionais (k-NN e Kernel) em todas as métricas avaliadas, sendo o LSTM destacado como o modelo de maior precisão e o Additive como o de melhor equilíbrio entre precisão e eficiência computacional. A Tabela 1 reúne os valores de MAE e a tabela 2 os valores de RMSE dos tempos de atraso, em segundos, observados na etapa de processamento, tanto para os modelos produzidos com base em distância quanto para os modelos produzidos com base em paradas. I Congresso Internacional de Regularização Fundiária & VIII Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação Recife - PE, 23-25 de Setembro de 2025. Tabela 1 – Erros Absolutos Médios. Viagens k-NN KERNEL Additive LSTM Viagens k-NN KERNEL Additive LSTM Viagens baseadas em distância Viagens baseadas em paradas Erro Absoluto Médio Outubro 2024 Erro Absoluto Médio Outubro 2024 500 156.69 152.71 14.34 11.37 500 312.27 299.22 28.86 16.45 1000 162.41 155.17 14.61 11.12 1000 291.18 281.01 29.29 23.97 1500 161.54 156.54 14.97 9.27 1500 289.00 285.82 29.47 20.62 2000 168.16 154.69 14.69 9.32 2000 307.54 294.12 29.14 20.78 Novembro 2024 Novembro 2024 500 172.24 171.35 15.26 10.68 500 305.77 291.60 29.91 19.58 1000 179.80 169.84 15.32 11.86 1000 310.89 295.16 29.44 25.07 1500 176.78 171.81 15.55 8.28 1500 311.21 296.49 29.79 18.19 2000 179.21 172.16 15.49 11.36 2000 300.59 308.44 29.88 15.90 Dezembro 2024 Dezembro 2024 500 164.64 161.08 14.93 10.45 500 289.33 274.03 28.49 20.46 1000 165.80 155.56 14.90 10.21 1000 283.53 280.30 28.55 17.85 1500 167.12 157.93 14.67 10.40 1500 282.90 270.33 28.87 17.79 2000 157.99 154.30 14.58 13.76 2000 278.50 272.60 28.62 15.10 Tabela 2 – Erros Médios Quadráticos. Erro Médio Quadrático Outubro 2024 Erro Médio Quadrático Outubro 2024 500 210.89 205.45 20.06 16.31 500 421.01 403.35 37.26 33.07 1000 218.63 208.77 20.11 16.06 1000 391.77 378.34 37.57 37.33 1500 217.97 210.54 20.70 16.14 1500 389.03 384.43 37.72 33.86 2000 226.19 208.04 20.42 16.12 2000 413.06 395.94 37.42 37.89 Novembro 2024 Novembro 2024 500 232.48 231.04 20.33 18.66 500 410.80 391.76 48.02 32.04 1000 242.09 228.99 20.49 19.34 1000 417.06 395.85 46.03 35.55 1500 238.38 231.59 20.86 17.72 1500 417.63 398.01 48.64 34.72 2000 241.80 232.23 20.62 17.43 2000 403.09 414.13 49.55 25.89 Dezembro 2024 Dezembro 2024 500 222.61 217.05 20.73 17.03 500 388.33 367.89 36.30 33.29 1000 223.65 210.22 20.05 17.15 1000 381.60 376.77 36.27 30.72 1500 225.64 213.42 19.69 15.88 1500 380.56 363.21 36.62 31.46 2000 214.25 208.39 19.42 19.59 2000 374.61 366.59 36.43 26.30 O modelo LSTM apresentou os menores valores de erro, com desempenho consistente ao longo dos três meses analisados, seguido do modelo Additive. Já os modelos tradicionais k-NN e Kernel apresentaram indicadores significativamente superiores. Comparando os modelos de viagens, os modelos baseados em distâncias apresentaram melhores resultados, diferentemente do que foi observado em Dublin. Isso pode ser explicado pela baixa qualidade na identificação de paradas, porém tal confirmação demanda testes adicionais. I Congresso Internacional de Regularização Fundiária & VIII Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação Recife - PE, 23-25 de Setembro de 2025. 4 CONCLUSÃO Este trabalho apresentou uma análise comparativa de quatro modelos de predição de tempo de chegada de ônibus aplicados ao sistema de transporte público do Rio de Janeiro: k-vizinhos mais próximos (k-NN), regressão kernel (KR), modelo aditivo básico (BAM) e rede neural recorrente com memória de longo prazo (RNN-LSTM), a partir de dados GPS de ônibus da linha 107 (Central-Urca) coletados durante três meses consecutivos. O modelo RNN-LSTM apareceu como a solução mais precisa ao longo dos três meses analisados. Esta superioridade pode ser atribuída à capacidade das redes neurais recorrentes de capturar dependências temporais complexas e padrões não-lineares característicos do tráfego carioca. O modelo Additive demonstrou-se uma alternativa valiosa, aliando precisão e eficiência computacional, portanto uma opção viável para implementações práticas onde há restrições de recursos computacionais, mas ainda se deseja precisão significativamente superior aos métodos mais simples. Em contraste, os modelos tradicionais (k-NN e regressão Kernel) apresentaram desempenho inadequado para o contexto estudado. A hierarquia de eficácia observada (LSTM > Additive > modelos tradicionais) demonstrou padrões distintos daqueles encontrados no estudo original em Dublin, validando empiricamente a importância de adaptações contextuais em diferentes ambientes urbanos. Embora este estudo tenha focado em uma única linha de ônibus da cidade do Rio de Janeiro, este trabalho estabeleceu uma base metodológica consistente para futuros em outras linhas de ônibus ou outros modais de transporte não apenas no Rio de Janeiro, mas em qualquer outra cidade que disponibilize os dados de rastreamento GPS se suas frotas, contribuindo para o desenvolvimento de um sistema de transporte público mais eficiente e confiável. Trabalhos futuros poderiam expandir a análise para múltiplas linhas, diferentes modais de transporte e períodos mais extensos, permitindo uma validação mais ampla dos achados. Adicionalmente, os erros obtidos podem ser contextualizados com variáveis externas tais como condições climáticas, eventos especiais e alterações sazonais visando aprimorar ainda mais a precisão dos modelos, especialmente para o LSTM, que demonstrou maior capacidade de adaptação a padrões complexos. 5 REFERÊNCIAS DATA.RIO - Portal de Dados Abertos da Prefeitura do Rio de Janeiro. 2024. Dados GPS da linha 107 (Central-Urca), período outubro-dezembro 2024. Disponível em: <https://www.data.rio/>. Acesso em: 23 Maio 2025. LIU, D.; SUN, J.; WANG, S. BusTime: Bus Arrival Time Prediction Model Repository. 2020. Disponível em: <https://github.com/usuario-original/bustime-prediction>. Acesso em: 23 Maio 2025. MOOVIT. Linha 107: Central - Urca (Brs 1 - Via Praia do Flamengo). Disponível em: < https://moovitapp.com/index/pt-br/transporte_p%C3%BAblico-line-107-Rio_de_Janeiro-322-1847718-29396624-0>. Acesso em: 23 Maio 2025. FGV TRANSPORTES; SYSTRA BRASIL. Índice da Qualidade da Mobilidade Urbana - IQMU: 5ª rodada - abril/2025. Os desafios da mobilidade urbana nas cidades do Rio de Janeiro, São Paulo e Belo Horizonte. Rio de Janeiro: FGV Transportes, 2025.