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.
Referências
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.