PT
A mobilidade urbana em Lisboa pode ser influenciada por diversos fatores que afetam
os fluxos de entrada e saída da cidade. Entre eles destacam-se feriados, greves, interrupções
letivas e condições meteorológicas.
O objetivo desta dissertação foi compreender de que forma estes fatores condicionam a
mobilidade nos principais eixos rodoviários da cidade. Neste contexto, foi desenvolvido um
estado de arte seguindo a metodologia PRISMA, identificando técnicas de análise de dados
aplicadas à mobilidade nas cidades inteligentes, concluindo-se que os modelos de inteligência
artificial têm bom desempenho na previsão da mobilidade, mas enfrentam limitações práticas.
Para além disso, recorreu-se ao processo CRISP-DM, aplicado a dados de dispositivos
móveis anónimos disponibilizados pela Câmara Municipal de Lisboa, complementados com
dados meteorológicos do IPMA. Testou-se ainda o modelo Prophet para prever fluxos de
mobilidade, acrescentando uma vertente preditiva à análise.
Os resultados evidenciam que a mobilidade em Lisboa apresenta uma estrutura
fortemente pendular. Contudo, fatores externos introduzem variações significativas: a
precipitação reduz ligeiramente os fluxos e prolonga as horas de ponta; greves provocam
redistribuições modais; feriados diminuem drasticamente a mobilidade e eliminam os padrões
pendulares; e interrupções letivas geram efeitos mais subtis. O Prophet revelou-se inadequado
para a previsão da mobilidade sendo que, mesmo após ajustes metodológicos, os erros
permaneceram elevados, com valores de MAPE entre os 53% e 258%. Conclui-se que a
integração e análise de dados móveis e meteorológicos, permitiu compreender melhor os
determinantes da mobilidade urbana, fornecendo informação útil para a tomada de decisão,
contribuindo para uma Lisboa mais eficiente.
EN
Urban mobility in Lisbon can be influenced by several factors that affect daily traffic
flows into and out of the city. Among these factors are public holidays, strikes, school breaks
and weather conditions.
The purpose of this dissertation was to understand the impact of these factors on the city’s
main road axes. In this context, a state-of-the-art review was developed following the PRISMA
methodology, identifying data analysis techniques applied to mobility in smart cities and
concluding that artificial intelligence models perform well in forecasting mobility patterns but
still face practical limitations.
In addition, the CRISP-DM methodology was applied to anonymous mobile device data
provided by the Lisbon City, complemented with meteorological data from IPMA. The Prophet
model was tested to forecast mobility flows, adding a predictive dimension to the analysis.
Findings show that mobility in Lisbon has a strongly pendular structure. However,
external factors substantially modify this structure: rainfall slightly reduces flows and extends
rush hours; strikes generate modal redistributions; public holidays drastically reduce mobility and
eliminate pendular patterns; and school breaks produce more subtle effects. The Prophet model
proved inadequate for forecasting mobility in Lisbon, as even after methodological adjustments,
the errors remained high, with MAPE values ranging from 53% to 258%.
Overall, the integration and analysis of mobile and meteorological data provided a better
understanding of the determinants of urban mobility, offering useful information for decisionmaking
and contributing to a more efficient city.
