BRBus - construindo um dataset para monitoramento geoespacial dos ônibus de cidades brasileiras
Resumo
No Brasil, segundo dados da ANTP, em cidades com mais de 60 mil habitantes, 85% das viagens realizadas por transporte público ocorrem utilizando ônibus. Considerando o problema da Mobilidade Urbana, dados geospaciais produzidos por diferentes dispositivos (e.g. ônibus, carros pessoais, semáforos, radares) oferecem um grande potencial analítico, sendo relevante para a tomada de decisões que impactam a qualidade de vida em cidades inteligentes. Neste trabalho, descrevemos o processo de coleta, padronização e enriquecimento do BRBus -- um dataset com informações do monitoramento geoespacial do tráfego de ônibus de quatro cidades brasileiras. BRBus está disponível em formato aberto e abrange dados coletados entre 12/06/2023 e 20/06/2023.
Palavras-chave:
Dados geoespaciais, Conjuntos de dados, Ônibus, Transporte público, Monitoramento de dados de gps
Referências
Alablani, I. and Alenazi, M. (2020). EDTD-SC: An IoT sensor deployment strategy for smart cities. sensors, 20(24):7191
Arbex, R. O. and da Cunha, C. B. (2016). Avaliação das mudanças nas velocidades das linhas de ônibus da cidade de São Paulo após a implantação de faixas exclusivas através da analise de dados de GPS. Transportes, 24(4):21–31
Braz, T., Maciel, M., Mestre, D. G., Andrade, N., Pires, C. E., Queiroz, A. R., and Santos, V. B. (2018). Estimating inefficiency in bus trip choices from a user perspective with schedule, positioning, and ticketing data. IEEE Transactions on Intelligent Transportation Systems, 19(11):3630–3641
Cruz Junior, J. I. S. d. (2020). Métodos de análise de dados no transporte público urbano. Monografia (Trabalho de Conclusão de Curso) - Ciência da Computação - Universidade Federal de Campina Grande, Campina Grande, 2020.
CSC (2022). Ranking connected smart cities 2022. Disponível em: [link]. [Acessado 20-Jun-2023]
da Cruz, S. M. S., Andrade, L. S., and Sampaio, J. O. (2016). Explorando dados abertos governamentais sobre a mobilidade urbana na cidade do rio de janeiro. In Anais do XLIII Seminario Integrado de Software e Hardware, pages 1645–1655. SBC.
de Transporte Público, A. N. (2018). Sistema de informações da mobilidade urbana da associação nacional de transportes público-simob/antp
Jose, R. and Mitra, S. (2018). Identifying and classifying highway bottlenecks based on spatial and temporal variation of speed. Journal of Transportation Engineering, PartA: Systems, 144(12):04018075.
Larsen, G. H., Yoshioka, L. R., and Marte, C. L. (2020). Bus travel times prediction based on real-time traffic data forecast using artificial neural networks. In 2020 International Conference on Electrical, Communication, and Computer Engineering (ICECCE), pages 1–6.
Queiroz, A. R. M., Santos, V. B., Nascimento, D. C., and Pires, C. E. S. (2019). Conformity analysis of GTFS routes and bus trajectories. In Anais do XXXIV Simpósio Brasileiro de Banco de Dados, pages 199–204. SBC
Statista (2016). IoT devices installed base worldwide 2015-2025 — Statista — statista.com. [link]. [Acessado 02-Jan2023]
TAO, W. (2013). Interdisciplinary urban GIS for smart cities: advancements and opportunities. Geo-spatial Information Science, 16(1):25–34
Arbex, R. O. and da Cunha, C. B. (2016). Avaliação das mudanças nas velocidades das linhas de ônibus da cidade de São Paulo após a implantação de faixas exclusivas através da analise de dados de GPS. Transportes, 24(4):21–31
Braz, T., Maciel, M., Mestre, D. G., Andrade, N., Pires, C. E., Queiroz, A. R., and Santos, V. B. (2018). Estimating inefficiency in bus trip choices from a user perspective with schedule, positioning, and ticketing data. IEEE Transactions on Intelligent Transportation Systems, 19(11):3630–3641
Cruz Junior, J. I. S. d. (2020). Métodos de análise de dados no transporte público urbano. Monografia (Trabalho de Conclusão de Curso) - Ciência da Computação - Universidade Federal de Campina Grande, Campina Grande, 2020.
CSC (2022). Ranking connected smart cities 2022. Disponível em: [link]. [Acessado 20-Jun-2023]
da Cruz, S. M. S., Andrade, L. S., and Sampaio, J. O. (2016). Explorando dados abertos governamentais sobre a mobilidade urbana na cidade do rio de janeiro. In Anais do XLIII Seminario Integrado de Software e Hardware, pages 1645–1655. SBC.
de Transporte Público, A. N. (2018). Sistema de informações da mobilidade urbana da associação nacional de transportes público-simob/antp
Jose, R. and Mitra, S. (2018). Identifying and classifying highway bottlenecks based on spatial and temporal variation of speed. Journal of Transportation Engineering, PartA: Systems, 144(12):04018075.
Larsen, G. H., Yoshioka, L. R., and Marte, C. L. (2020). Bus travel times prediction based on real-time traffic data forecast using artificial neural networks. In 2020 International Conference on Electrical, Communication, and Computer Engineering (ICECCE), pages 1–6.
Queiroz, A. R. M., Santos, V. B., Nascimento, D. C., and Pires, C. E. S. (2019). Conformity analysis of GTFS routes and bus trajectories. In Anais do XXXIV Simpósio Brasileiro de Banco de Dados, pages 199–204. SBC
Statista (2016). IoT devices installed base worldwide 2015-2025 — Statista — statista.com. [link]. [Acessado 02-Jan2023]
TAO, W. (2013). Interdisciplinary urban GIS for smart cities: advancements and opportunities. Geo-spatial Information Science, 16(1):25–34
Publicado
25/09/2023
Como Citar
MELO, Ruan T.; VASCONCELOS, Felipe F.; SILVA, Rafael Luciano L.; SANTOS, Pedro Victor; RAMOS, Vinicius T.; COUTINHO, Fabio J..
BRBus - construindo um dataset para monitoramento geoespacial dos ônibus de cidades brasileiras. In: DATASET SHOWCASE WORKSHOP (DSW), 5. , 2023, Belo Horizonte/MG.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 25-35.
DOI: https://doi.org/10.5753/dsw.2023.234242.
