Análise da Vulnerabilidade do Tráfego Urbano usando Dados de Aplicativo de Ridesharing

Resumo


A teoria de redes complexas tem sido usada para modelar o tráfego de sistemas viários urbanos. O tráfego pode ser modelado como um grafo, caracterizado por métricas de redes complexas. Segundo a literatura, se há um problema de congestionamento ou interrupção do tráfego, é feita uma avaliação do grau de vulnerabilidade ou resiliência do sistema na busca de soluções. O artigo propõe uma abordagem para avaliação da vulnerabilidade do tráfego urbano através das métricas das redes complexas geradas a partir de dados abertos obtidas pelo aplicativo de Ridesharing Uber, utilizando falhas direcionadas. Como diferencial, em relação a literatura, esta abordagem utiliza o conceito de assimetria para a avaliação da vulnerabilidade do tráfego urbano.

Palavras-chave: Redes Complexas, Ridesharing, Vulnerabilidade

Referências

Barrat, A., Barthélemy M., Pastor-Satorras R., Vespignani, A. (2004) The architecture of Complex Weighted Networks, Proceedings of the National Academy of Sciences, March 16, vol. 101,n. 11, pp 3747-3752

Balijepalli, Chandra, Oppong, Olivia (2014) Measuring vulnerability of road network considering the extent of serviceability of critical road links in urban areas, Journal of Transport Geography, 39, pp. 145-155.

Borgatti, Stephen P. (2005) Centrality and network flow, Social networks ,27, pp. 55- 71.

Chen, Bi Yu, Lam Willian H. K., Sumalee, A., Li, Qingquan, Li, Zhi-Chun (2012) Vulnerability analysis for large-scale and congested road networks with demand uncertainty, Transportation Research Part A: Policy and Practice 46.3, pp. 501-516

Easley, D., Jon K. (2010) “Networks, Crowds, and Markets”, Vol. 8, Cambridge:Cambridge University Press.

Ferber, C., Berche, B., Holovatch, T., Holovatch Yu. (2012) A tale of Two Cities Vulnerabilities of the London and Paris Transit Networks, J Transp. Secur. 5. 199/216.

Hagberg, A., Swart, P., Chult, D. (2008) “Exploring Network Structure, Dynamics, and Function Using NetworkX”. in Proceedings of the 7th Python in Science Conference (SciPy2008), pp. 11-15.

Jenelius, E., Mattsson L-G. (2015) Vulnerability and resilience of transport systems — A discussion of recent research, Transportation Research Part 4, 81, pp. 16-34.

Joanes, D. N., Gill, C. A. (1998). Comparing measures of sample skewness and kurtosis. Journal of the Royal Statistical Society: Series D (The Statistician) 47, pp. 183-189.

Latora, V., Marchiori, M. (2001) Efficient behavior of small-world networks. Physical review letters 87.19, pp.198701.

Nist (2003), “Engineering Statistics Hanbook”, https://www.itl.nist.gov/div898/handbook/eda/section3/eda35b.htm

Pearson, M., Sagastuy, J., Samaniego, S. (2017) “Traffic Flow Analysis Using Uber Movement Data”, htts:// snap.stanford.edu/class/projects/

Saramãki, J., Kivel, M., Onnela, J-P., Kaskil, K., Kertész, J. (2007) Generalizations of the Clustering Coefficient to Weighted Complex Networks, Physical Review E, 75.2,pp. 027105.

Sebastiani, M., Luders R., Fonseca K. (2016) “Evaluating electric bus operation for a real-world BRT public transportation using simulation optimization,” IEEE Trans. Intel. Transp. Sys., vol. 99, pp. 1-10.

Uber (2019) “Uber Movement”, https://movement.uber.com/

Vonu P., Tang L., Vassilakis W. (2011) “Spatio-temporal effects of bus arrival time information,” in Proceedings of the 4th ACM SIGSPATIAL International Workshopon Computational Transportation Science, CTS "11, (New York, NY, USA), pp. 6-11.
Publicado
10/12/2020
PERTENCE, Antônio Augusto Faria Guimarães Melo; MINI, Raquel Aparecida Freitas; MARQUES-NETO, Humberto Torres. Análise da Vulnerabilidade do Tráfego Urbano usando Dados de Aplicativo de Ridesharing. In: WORKSHOP DE COMPUTAÇÃO URBANA (COURB), 4. , 2020, Rio de Janeiro. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020 . p. 15-28. ISSN 2595-2706. DOI: https://doi.org/10.5753/courb.2020.12350.