Chove lá fora, alerta aqui dentro: Uma análise de Alertas de Problemas de Trânsito em Sensoriamentos Participativos
Resumo
A população urbana tem crescido rapidamente nos últimos anos e com ela aumentam também os problemas envolvendo a qualidade de vida das pessoas nos centros urbanos. Nesse sentido, a evolução das Tecnologias da Informação e Comunicação (TICs), permite que serviços baseados em crowdsensing sejam uma ferramenta essencial para melhorar a qualidade de vida das pessoas fornecendo dados valiosos para agentes públicos que gerenciam tais centros. Este trabalho propõe a análise de uma base de dados de eventos (problemas) de trânsito reportados por usuários em um aplicativo de sensoriamento participativo de tráfego na cidade de Vitória-ES considerando três questões: o tempo de duração dos eventos reportados, variação mensal dos eventos, e a correlação entre as chuvas na cidade e os eventos reportados pelos usuários. Dentre os resultados, foi observado que a maioria dos eventos estudados não apresentam um padrão claro de sazonalidade, o que poderiam estar sendo influenciados por fatores climáticos. Observamos ainda correlações positivas (baixas e moderadas) entre chuvas e eventos, principalmente ao analisar meses individualmente. Esse resultado pode abrir novos caminhos de investigação para, por exemplo, novos serviços de previsão de problemas de trânsito.
Referências
Gulia, S., Prasad, P., Goyal, S., and Kumar, R. (2020). Sensor-based wireless air quality monitoring network (swaqmn)-a smart tool for urban air quality management. Atmospheric Pollution Research, 11(9):1588-1597.
Ighalo, J. O. and Adeniyi, A. G. (2020). A comprehensive review of water quality monitoring and assessment in nigeria. Chemosphere, 260:127569.
Ismagilova, E., Hughes, L., Dwivedi, Y. K., and Raman, K. R. (2019). Smart cities: Advances in research-an information systems perspective. International Journal of Information Management, 47:88-100.
Joo, H., Ahmed, S. H., and Lim, Y. (2020). Traffic signal control for smart cities using reinforcement learning. Computer Communications, 154:324-330.
Lenkei, Z. (2018). Crowdsourced traffic information in traffic management: Evaluation of traffic information from waze.
Lin, Y. and Li, R. (2020). Real-time traffic accidents post-impact prediction: Based on crowdsourcing data. Accident Analysis & Prevention, 145:105696.
Pule, M., Yahya, A., and Chuma, J. (2017). Wireless sensor networks: A survey on monitoring water quality. Journal of applied research and technology, 15(6):562-570.
Silva, T. H., Vaz de Melo, P. O. S., Viana, A., Almeida, J. M., Salles, J., and Loureiro, A. A. F. (2013). Traffic Condition is more than Colored Lines on a Map: Characterization of Waze Alerts. In Proc. of the International Conference on Social Informatics (SocInfo'13), Kyoto, Japan.
SM, S. N., Yasa, P. R., Narayana, M., Khadirnaikar, S., and Rani, P. (2019). Mobile monitoring of air pollution using low cost sensors to visualize spatio-temporal variation of pollutants at urban hotspots. Sustainable Cities and Society, 44:520-535.
Solmaz, G., Wu, F.-J., Cirillo, F., Kovacs, E., Santana, J. R., Sánchez, L., Sotres, P., and Munoz, L. (2019). Toward understanding crowd mobility in smart cities through the internet of things. IEEE Communications Magazine, 57(4):40-46.
Thomé, M., Prestes, A., Gomes, R., and Mota, V. (2020). Um arcabouço para detecção e alerta de anomalias de mobilidade urbana em tempo real. In Anais do XXXVIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 784-797. SBC.
