Vehicle Energy Dataset - um dataset enriquecido, equilibrando integridade e anonimização dos dados

• João Batista Firmino Júnior Instituto Federal de Educação, Ciência e Tecnologia da Paraíba (IFPB) http://orcid.org/0000-0001-8038-8516
• Francisco Dantas Nobre Neto Instituto Federal de Educação, Ciência e Tecnologia da Paraíba (IFPB)

DOI: https://doi.org/10.5753/dsw.2023.235742

Resumo

Obter bases de dados de deslocamentos para pesquisas na área de predição de destinos e de trajetórias é uma tarefa desafiadora. Neste sentido, o estudo propõe-se a descrever e minerar o Vehicle Energy Dataset (VED), adequada para a avaliação de técnicas de agrupamento, com 384 veículos e seus deslocamentos, concentrados na cidade de Ann Harbor, em Michigan (EUA). Este trabalho combina a aplicação dos algoritmos ST-DBSCAN, como técnica de agrupamento espaço-temporal, com a do map-matching, mediante um Sistema de Referência de Coordenadas adequado, além de realizar contagem da repetição das células de origem-destino das trajetórias e, ao final, obtiveram-se 231 veículos com, no mínimo, 1 trajetória com uma repetição origem-destino de, no mínimo, 2 vezes.

Palavras-chave: Vehicle energy dataset, Integridade, Anonimização, Dados, Trajetórias

Referências

Atluri, G.; Karpatne, A.; Kumar, V. (2018). Spatio-Temporal Data Mining. In: ACM Computing Surveys, v. 51, n. 4, p. 1–41, 22 ago. 2018.

Birant, D.; Kut, A. (2007). ST-DBSCAN: An algorithm for clustering spatial–temporal data. In: Data & Knowledge Engineering, v. 60, n. 1, p. 208–221, jan. 2007.

Feng, Z.; Zhu, Y. (2016). A Survey on Trajectory Data Mining: Techniques and Applications. In: IEEE Access, v. 4, p. 2056–2067, 2016.

Farzanehfar, A.; Houssiau, F.; De Montjoye, Y.-A. The risk of re-identification remains high even in country-scale location datasets. In: Patterns, v. 2, n. 3, p. 100204, mar. 2021.

Gold, C. Tessellations in GIS: Part I—putting it all together. In: Geo-spatial Information Science, v. 19, n. 1, p. 9–25, 2 jan. 2016.

Leite da Silva, C.; May Petry, L.; Bogorny, V. In: 2019 8TH Brazilian Conference on Intelligent Systems (BRACIS). A survey and comparison of trajectory classification methods. (Anais...). Salvador, Brazil: IEEE, 2019. p.788–793. DOI: https://doi.org/10.1109/BRACIS.2019.00141.

Li, K.; Rao, X.; Pang, X.; Chen, L.; Fan, S. Route search and planning: A survey. Big data research, v. 26, n. 100246, p. 100246, 2021. DOI: https://doi.org/10.1016/j.bdr.2021.100246.

Marketos, G. (2009). Mobility Data Warehousing and Mining. In: Proceedings of the VLDB 2009 PhD Workshop. Co-located with the 35th International Conference on Very Large Data Bases (VLDB 2009). Lyon, France, August 24, 2009.

Oh, G.; Leblanc, D. J.; Peng, H. (2020). Vehicle Energy Dataset (VED), A Large-Scale Dataset for Vehicle Energy Consumption Research. In: IEEE Transactions on Intelligent Transportation Systems, p. 1–11, 2020.

OH, G. S. VED (Vehicle Energy Dataset). Disponível em: https://github.com/gsoh/VED. Acesso em: 1 abr. 2023.

Yu, L.; Zhang, Z.; Ding, R. Map-Matching on Low Sampling Rate Trajectories through Frequent Pattern Mining. Scientific Programming, v. 2022, p. 1–15, 21 mar. 2022.

Zheng, Y. (2015). Trajectory Data Mining. In: ACM Transactions on Intelligent Systems and Technology, v. 6, n. 3, p. 1–41, 12 maio. 2015.