Uma proposta para obter o grau de influência de eventos sobre comunidades baseadas em critérios de geolocalização

• Marcos Aurélio de Paiva Souza Universidade Federal do Estado do Rio de Janeiro (UNIRIO)
• Sidney Cunha de Lucena Universidade Federal do Estado do Rio de Janeiro (UNIRIO) http://orcid.org/0000-0002-4742-1561
• Carlos Alberto Vieira Campos Universidade Federal do Estado do Rio de Janeiro (UNIRIO) http://orcid.org/0000-0002-9979-6541

DOI: https://doi.org/10.5753/courb.2020.12357

Resumo

A sociedade humana divide-se em comunidades formadas por indivíduos que compartilham similaridades de comportamento, interesses, moradia etc. Eventos como ações publicitárias ou acidentes de trânsitos, dentre outros, ocorrem diariamente nos centros urbanos e afetam de forma diferente essas comunidades. Este artigo propõe uma abordagem para avaliar a influência do local de ocorrência desses eventos sobre diferentes comunidades, contribuindo assim com o planejamento de ações voltadas para essas comunidades. Para isso, realizou-se um estudo de caso usando o dataset GEOLIFE, no qual os usuários foram divididos em comunidades baseadas no histórico de geolocalização, para as quais se calculou o grau de influência de eventos ocorridos em onze locais de grande circulação. A aplicação desses resultados foi demonstrada maximizando-se a eficácia de uma campanha de vacinação com orçamento limite na cidade de Pequim.

Palavras-chave: Mobilidade urbana, Cidades inteligentes, Análise e mineração de dados

Referências

Aggarwal, S., Agarwal, N., and Jain, M. (2019). Performance analysis of uncertain k-means clustering algorithm using different distance metrics. In Computational Intelligence: Theories, Applications and Future Directions - Vol I, pages 237-245. Springer.

Bess, K. D., Fisher, A. T., Sonn, C. C., and Bishop, B. J. (2002). Psychological Sense of Community: Theory, Research, and Application, pages 3-22. Springer.

Feng, H., Tian, J., Wang, H. J., and Li, M. (2015). Personalized recommendations based on time-weighted overlapping community detection. Information & Management,52(7):789 — 800. Novel applications of social media analytics.

Ferreira, D. L. (2019). Characterization of Human Social Mobility Patterns Applied to Mobility Modelling and Opportunistic Networks. PhD thesis, UNIVERSIDADE FE-DERAL DO ESTADO DO RIO DE JANEIRO.

Han, J., Pei, J., and Kamber, M. (2011). Data mining: concepts and techniques. Elsevier.

Maze, T., Agarwai, M., and Burchett, G. (2006). Whether weather matters to traffic demand, traffic safety, and traffic operations and flow. Transportation Research Record,1948:170-176.

Nanjundan, S., Sankaran, S., Arjun, C., and Anand, G. P. (2019). Identifying the number of clusters for k-means: A hypersphere density based approach. arXiv preprint arXiv:1912.00643.

Ogbuabor, G. and Ugwoke, F. (2018). Clustering algorithm for a healthcare dataset using silhouette score value. International Journal of Computer Science & Information Technology, 10(2):27-37.

Pregnolato, M., Ford, A., Wilkinson, S. M., and Dawson, R. J. (2017). The impact of flooding on road transport: A depth-disruption function. Transportation Research Part D: Transport and Environment, 55:67 — 81.

Satre Meloy, A., Diakonova, M., and Grunewald, P. (2019). What makes you peak? cluster analysis of household activities and electricity demand. European Council for an Energy Efficient Economy.

Stoltenberg, D., Maier, D., and Waldherr, A. (2019). Community detection in civil society online networks: Theoretical guide and empirical assessment. Social Networks, 59:120— 133.

Zheng, Y., Fu, H., Xie, X., Ma, W.-Y., and Li, Q. (2011). Geolife GPS trajectory dataset- User Guide, geolife gps trajectories 1.1 edition. Geolife GPS trajectories 1.1.