MoveUP — Artificial Intelligence & Chatbot

Challenge FIAP | Sprint 3 — Construção da base de dados para IA

Sobre o MoveUP

O MoveUP é uma proposta de funcionalidade integrada à plataforma SoulUp para converter pontos acumulados pelos usuários em créditos de transporte público. A ideia é aproximar o engajamento digital de benefícios concretos, incentivando a mobilidade urbana sustentável.

Este repositório corresponde à entrega da disciplina Artificial Intelligence & Chatbot — Sprint 3: construção, análise e preparação de uma base de dados relacionada ao transporte público e à conversão de tarifas em pontos MoveUP.

Escopo desta etapa: preparação do dataset para uma futura solução de inteligência artificial. Esta entrega não apresenta um chatbot funcional nem o treinamento de um modelo de IA.

Objetivo da entrega

Preparar dados que permitam estudar deslocamentos e perfis de usuários e servir de base para uma futura aplicação capaz de associar tarifas de transporte à quantidade de pontos MoveUP necessária para sua conversão.

A regra de conversão adotada neste trabalho é 5.000 pontos = R$ 45,00. As tarifas são valores de referência usados na elaboração do dataset, não uma consulta de preços em tempo real.

Fontes dos dados

Fonte	Utilização no projeto
Pesquisa Origem e Destino 2023 — Metrô de São Paulo	Dados de deslocamentos, modos de transporte, quantidade de viagens, perfil dos usuários, motivos e horários.
Tabela de tarifas — SPTrans	Valores de referência para relacionar modalidades de transporte às tarifas e aos pontos MoveUP.

A base original da Pesquisa Origem e Destino foi mantida sem alterações; os tratamentos são feitos no notebook sobre os dados carregados.

Etapas realizadas

1. Carregamento e diagnóstico: leitura do CSV original; avaliação das colunas, tipos de dados, valores ausentes, duplicidades e valores únicos.
2. Tratamento: identificação e remoção de registros sem viagem, sem eliminar automaticamente valores extremos que poderiam representar deslocamentos reais.
3. Análise exploratória: estatística descritiva, histogramas, boxplots, gráficos de barras, relações entre variáveis e matriz de correlação.
4. Engenharia e seleção de atributos: transformação de códigos da pesquisa em informações compreensíveis, como transporte, frequência de uso, perfil, motivo e período.
5. Enriquecimento com tarifas: associação dos modos de transporte a tarifas de referência e cálculo dos pontos correspondentes.
6. Validação e exportação: verificação da base preparada e geração de dataset_moveup.csv.

Resumo das bases

Etapa	Registros	Colunas
Base original da Pesquisa OD 2023	143.038	147
Após a retirada de 30.125 registros sem viagem	112.913	—
Base final específica do MoveUP	24.312	10

A análise exploratória documentou correlação de 0,74 entre duração e distância dos deslocamentos. Esse resultado descreve uma associação observada na base analisada; não demonstra causalidade.

Estrutura do dataset final

Coluna	Descrição
tipo_transporte	Principal modo considerado no projeto: Metrô, Trem ou Ônibus municipal.
quantidade_viagens	Quantidade de viagens associada ao registro.
frequencia_uso	Aproximação da frequência diária: baixa, média ou alta, com base na quantidade de viagens.
perfil_usuario	Categoria derivada de idade e renda familiar.
motivo_viagem	Motivo do deslocamento em categoria legível.
periodo	Madrugada, manhã, tarde ou noite, conforme o horário de saída.
categoria_tarifa	Categoria utilizada para relacionar o transporte à tarifa.
tarifa_referencia	Valor de referência em reais.
ano_referencia	Ano associado à tarifa utilizada.
pontos_necessarios	Pontos correspondentes à tarifa, segundo a regra do projeto.

Exemplo da conversão adotada

5.000 pontos = R$ 45,00
Ônibus municipal: R$ 5,30 → 589 pontos
Metrô:           R$ 5,40 → 600 pontos
Trem:            R$ 5,40 → 600 pontos

O campo pontos_necessarios foi definido na documentação como rótulo proposto para uma futura aplicação supervisionada. Nesta sprint, os valores são calculados pela regra de conversão; não são previsões de um modelo treinado.

Tecnologias utilizadas

Tecnologia	Finalidade
Python	Tratamento, transformação e validação dos dados.
Pandas e NumPy	Manipulação de tabelas, cálculos e valores ausentes.
Matplotlib e Seaborn	Gráficos e análise exploratória.
Google Colab / Jupyter Notebook	Desenvolvimento e execução do notebook.
CSV	Entrada e exportação das bases de dados.

Arquivos da entrega

Os arquivos analisados para esta documentação foram:

Arquivo	Conteúdo
MoveUP_Challenge.ipynb	Notebook com a análise exploratória, tratamento, preparação e exportação dos dados.
Banco2023_OD2023_original.csv	Base original utilizada no estudo.
dataset_moveup.csv	Base final preparada para o MoveUP.

Como reproduzir a análise

1. Abra MoveUP_Challenge.ipynb no Google Colab.
2. Ao executar a célula de upload (files.upload()), envie o arquivo Banco2023_OD2023_original.csv.
3. Execute as células do notebook na ordem apresentada, incluindo as etapas de tratamento e integração tarifária.
4. Ao final, o notebook exporta o arquivo dataset_moveup.csv.

Para executar em outro ambiente Jupyter, adapte a etapa de upload do Google Colab e instale as dependências utilizadas no notebook: pandas, numpy, matplotlib e seaborn.

Integrantes

• André Luiz Ramos Forastieri — RM572203
• Eduardo Damasio Guelere — RM569960
• Isabelle Ferreira Neri Feitoza — RM573507
• Marina Fernandes Gomes Mesquita — RM571265
• Milena Silva Conegin — RM568923

---

FIAP — Challenge MoveUP | Artificial Intelligence & Chatbot — Sprint 3