Detecção de Anomalias Frequentes no Transporte Rodoviário Urbano

• Ana Beatriz Cruz Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• João Ferreira Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Diego Carvalho Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Eduardo Mendes Fundação Getúlio Vargas (FGV)
• Esther Pacitti Inria / University of Montpellier
• Rafaelli Coutinho Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Fabio Porto Laboratório Nacional de Computação Científica (LNCC)
• Eduardo Ogasawara Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)

DOI: https://doi.org/10.5753/sbbd.2018.22242

Resumo

O crescimento da população urbana e, consequentemente, do número de veículos provoca o aumento de engarrafamentos e da emissão de gases poluentes. Nesse contexto, observa-se a intensificação de pesquisas que buscam identificar engarrafamentos e suas causas. Estas pesquisas propõem metodologias que usam modelo de dados de trajetória e visam explicar comportamentos sistêmicos. Este artigo propõe a identificação e a classificação de anomalias no sistema de transporte rodoviário urbano a partir de agregações espaço-temporais a objetos permanentes. A metodologia consiste do pre-processamento dos dados, identificação de anomalias, identificação e classificação de padrões frequentes. Por meio dela, é possível identificar comportamentos sistêmicos e pontuais do trânsito urbano do Rio de Janeiro.

Palavras-chave: Detecção de anomalias, transporte rodoviário, agregações espaço-temporais, identificação e a classificação de anomalias

Referências

Aggarwal, C. C. (2016). Outlier Analysis. Springer, New York, NY, 2nd edition.

Bierlaire, M., Chen, J., and Newman, J. (2013). A probabilistic map matching method for smartphone GPS data. Transportation Research Part C: Emerging Technologies, 26:78–98.

Chen, W., Guo, F., and Wang, F.-Y. (2015). A survey of traffic data visualization. Intelligent Transportation Systems, IEEE Transactions on, 16(6):2970–2984.

Cressie, N. and Wikle, C. K. (2015). Statistics for spatio-temporal data. John Wiley & Sons.

Cruz, A. B., Ferreira, J., Monteiro, B., Coutinho, R., Porto, F., and Ogasawara, E. (2017). Deteccção de anomalias no transporte rodoviário urbano. In Proceedings of the 32nd Brazilian Symposium on Databases (SBBD), pages 240–245.

Ferreira, N., Poco, J., Vo, H. T., Freire, J., and Silva, C. T. (2013). Visual exploration of big spatio-temporal urban data: A study of new york city taxi trips. Visualization and Computer Graphics, IEEE Transactions on, 19(12):2149–2158.

Giannotti, F., Nanni, M., Pinelli, F., and Pedreschi, D. (2007). Trajectory pattern mining. In Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pages 330–339.

Han, J., Kamber, M., and Pei, J. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann, Haryana, India; Burlington, MA, 3 edition.

Lakhina, A., Crovella, M., and Diot, C. (2004). Diagnosing network-wide traffic anomalies. In ACM SIGCOMM Computer Communication Review, pages 219–230. ACM.

Liu, B., Hsu, W., Chen, S., and Ma, Y. (2000). Analyzing the subjective interestingness of association rules. IEEE Intelligent Systems and their Applications, 15(5):47–55.

Mcgarry, K. (2005). A survey of interestingness measures for knowledge discovery. The Knowledge Engineering Review, 20(1):39–61.

Tao, Y., Kollios, G., Considine, J., Li, F., and Papadias, D. (2004). Spatio-temporal aggregation using sketches. In Proceedings - International Conference on Data Engineering, volume 20, pages 214–225.

United Nations (2014). World urbanization prospects. https://www.un-ilibrary.org/content/publication/527e5125-en.