Seleção de Atributos para Predição de Tempo de Manutenção em Vagões Ferroviários: Uma Análise com Métodos de Filtro
Resumo
Este estudo investigou métodos de filtro para selecionar atributos relevantes na predição do tempo de manutenção de vagões ferroviários, utilizando um banco de dados da empresa MRS Logística e a opinião de seus especialistas. Os resultados destacaram a sensibilidade dos algoritmos na escolha de atributos, com o método Groupfs mostrando-se eficiente em precisão preditiva, embora tenha um custo computacional maior. No entanto, todos os métodos enfrentaram desafios na distinção entre atributos pertinentes e irrelevantes. Como próximos passos, planeja-se integrar múltiplos bancos de dados da empresa para incorporar dados sobre custos humanos e materiais, visando otimizar ainda mais o processo de manutenção ferroviária.
Palavras-chave:
MRS Logística, Aprendizado de Máquina, Métodos de Filtro
Referências
Alyasiri, O. M., Cheah, Y. N., Abasi, A. K., & Al-Janabi, O. M. (2022). Wrapper and hybrid feature selection methods using metaheuristic algorithms for English text classification: A systematic review. IEEE Access, 10, 39833-39852.
Bommert, A., Sun, X., Bischl, B., Rahnenführer, J., & Lang, M. (2020). Benchmark for filter methods for feature selection in high-dimensional classification data. Computational Statistics & Data Analysis, 143, 106839.
Hou, C. K. J., & Behdinan, K. (2022). Dimensionality reduction in surrogate modeling: A review of combined methods. Data Science and Engineering, 7(4), 402-427.
Felix, J. C., Oliveira, V. M., & Silva, R. (2022, November). A Machine Learning with an Inlier/Outlier Separation Approach for the Prediction of Wagon Maintenance Times. In Anais do X Symposium on Knowledge Discovery, Mining and Learning (pp. 9-16). SBC.
Rao, P. V., & Baral, S. S. (2011). Attribute based specification, comparison and selection of feed stock for anaerobic digestion using MADM approach. Journal of Hazardous Materials, 186(2-3), 2009-2016
Silva, L. R., & Nascimento, D. C. (2023). Avaliando o Processo de Seleção de Características na Tarefa de Junção de Similaridade. In Anais do XXXVIII Simpósio Brasileiro de Bancos de Dados (pp. 348-353). SBC.
Parmezan, A. R. S., Lee, H. D., & Wu, F. C. (2017). Metalearning for choosing feature selection algorithms in data mining: Proposal of a new framework. Expert Systems with Applications, 75, 1-24.
Penha, G., Cardoso, T. N., da Silva, A. P. C., & Moro, M. M. (2016). Análise de métodos de Inferência Ecológica em dados de redes sociais. In Anais do XXXI Simpósio Brasileiro de Bancos de Dados (pp. 109-114). SBC.
Pilnenskiy, N., & Smetannikov, I. (2020). Feature selection algorithms as one of the python data analytical tools. Future Internet, 12(3), 54.
Bommert, A., Sun, X., Bischl, B., Rahnenführer, J., & Lang, M. (2020). Benchmark for filter methods for feature selection in high-dimensional classification data. Computational Statistics & Data Analysis, 143, 106839.
Hou, C. K. J., & Behdinan, K. (2022). Dimensionality reduction in surrogate modeling: A review of combined methods. Data Science and Engineering, 7(4), 402-427.
Felix, J. C., Oliveira, V. M., & Silva, R. (2022, November). A Machine Learning with an Inlier/Outlier Separation Approach for the Prediction of Wagon Maintenance Times. In Anais do X Symposium on Knowledge Discovery, Mining and Learning (pp. 9-16). SBC.
Rao, P. V., & Baral, S. S. (2011). Attribute based specification, comparison and selection of feed stock for anaerobic digestion using MADM approach. Journal of Hazardous Materials, 186(2-3), 2009-2016
Silva, L. R., & Nascimento, D. C. (2023). Avaliando o Processo de Seleção de Características na Tarefa de Junção de Similaridade. In Anais do XXXVIII Simpósio Brasileiro de Bancos de Dados (pp. 348-353). SBC.
Parmezan, A. R. S., Lee, H. D., & Wu, F. C. (2017). Metalearning for choosing feature selection algorithms in data mining: Proposal of a new framework. Expert Systems with Applications, 75, 1-24.
Penha, G., Cardoso, T. N., da Silva, A. P. C., & Moro, M. M. (2016). Análise de métodos de Inferência Ecológica em dados de redes sociais. In Anais do XXXI Simpósio Brasileiro de Bancos de Dados (pp. 109-114). SBC.
Pilnenskiy, N., & Smetannikov, I. (2020). Feature selection algorithms as one of the python data analytical tools. Future Internet, 12(3), 54.
Publicado
14/10/2024
Como Citar
FELIX, Josemar Coelho; SILVA, Rodrigo César Pedrosa; BIANCHI, Andrea Gomes Campos.
Seleção de Atributos para Predição de Tempo de Manutenção em Vagões Ferroviários: Uma Análise com Métodos de Filtro. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 39. , 2024, Florianópolis/SC.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 869-875.
ISSN 2763-8979.
DOI: https://doi.org/10.5753/sbbd.2024.243228.