Uma startup de mobilidade urbana enfrenta o desafio de otimizar suas operações de transporte sob demanda em uma metrópole com mais de 10 milhões de habitantes. Os principais problemas incluem: previsão de demanda por região e horário, otimização de rotas em tempo real considerando trânsito e condições climáticas, precificação dinâmica baseada em oferta e demanda, detecção de padrões de mobilidade urbana para planejamento estratégico, e personalização de serviços com base no histórico individual dos usuários. A equipe de tecnologia identificou que esses desafios podem ser abordados através de técnicas de Inteligência Artificial, incluindo algoritmos de aprendizado de máquina para previsão de demanda, otimização combinatória para roteamento de veículos, sistemas de recomendação para personalização, processamento de linguagem natural para análise de feedback dos usuários, e visão computacional para monitoramento de trânsito. A formulação adequada desses problemas como tarefas de IA é crucial para o desenvolvimento de soluções eficazes e economicamente viáveis. Considerando o contexto apresentado, analise as seguintes afirmativas: I. O problema de previsão de demanda por região e horário pode ser modelado como uma tarefa de regressão temporal multivariada, utilizando dados históricos, variáveis climáticas e eventos urbanos como features preditivas. II. A otimização de rotas em tempo real representa um problema de otimização combinatória que pode ser resolvido exclusivamente através de algoritmos genéticos, sem necessidade de outras técnicas de IA. III. A precificação dinâmica constitui um problema de tomada de decisão sequencial que pode ser modelado através de aprendizado por reforço, considerando estados do mercado e ações de preço como componentes do ambiente. IV. A personalização de serviços baseada no histórico do usuário configura um problema de sistemas de recomendação que pode ser abordado através de filtragem colaborativa ou técnicas de deep learning para modelagem de preferências. Considerando o