Ciência dos dados e inteligência artificial para agrupamento e diagnóstico de cidades inteligentes

Abstract

Cidades inteligentes são tão difíceis de serem classificadas que nem mesmo têm uma definição própria e aceita por todos. Foram estudadas diversas normas dos últimos 20 anos que vieram trazendo novas e velhas maneiras de se estabelecer um conjunto de indicadores que permitissem o diagnóstico, o acompanhamento e, claro, a classificação das cidades pelo quesito da inteligência. Em especial, uma publicação recente da ISO (Organização Internacional de Padronização), a ISO 37122, editada em português pela ABNT (Associação Brasileira de Normas Técnicas), que trouxe diversos indicadores novos. Métodos de aprendizado estatístico vêm sendo utilizados há muitos anos com intuito de permitir a visualização intuitiva de dados muito complexos para serem trabalhados em estado bruto. A separação de algumas técnicas deste tipo, aptas ao caso estudado, foi realizada neste trabalho. Além da visualização facilitada, fez-se uso destas técnicas para realizar o agrupamento das cidades com base nos valores apresentados dos indicadores. Em um primeiro momento, um teste-piloto foi realizado com dados fictícios criados pelo autor, validando as técnicas apresentadas. Então, buscaram-se dados reais para testagem em campo dos métodos escolhidos. Partindo-se ao uso em dados reais, mostraram-se as diferenças que existiam entre os dados reais e os dados sintéticos, as possíveis diferenças de análise e os agrupamentos reais. Além disso, foi apresentada uma metodologia de redução do número de indicadores necessários para geração dos mesmos agrupamentos com base nas correlações entre os indicadores, permitindo a economia computacional e financeira de estudos reais de grande vulto. Concluiu-se que as técnicas de baixa dimensionalidade (duas dimensões) não são tão eficazes para dados não tão dicotômicos e mais nuançados. As técnicas tridimensionais, no entanto, mostram-se eficazes para a geração de agrupamentos. A redução da dimensionalidade do problema com base na matriz de correlação mostrou-se eficaz em manter os mesmos agrupamentos, mas não a com base na PCA. No total, atingiu-se uma redução de 27,8% no número de indicadores para formar os mesmos agrupamentos. Foram indicados parâmetros a serem seguidos no tocante à matriz de correlação de variáveis. Novos estudos e testes foram sugeridos para complementação do tema.