Detecção de Anomalias 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)
• Bernardo Monteiro Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• 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.2017.174074

Resumo

O constante aumento de congestionamentos no tráfego rodoviário demanda pesquisas relacionadas a mobilidade urbana. Esses estudos modelam a análise do tráfego como um problema de trajetória, i.e., a partir da análise individualizada de veículos que continuamente transmitem suas geolocalizações. Tais objetos móveis funcionam como sensores de trajetória e produzem grande quantidade de dados. Observa-se, entretanto, que há uma lacuna de estudos associados a agregações espaço-temporais das trajetórias dos veículos urbanos. Como um trabalho preliminar no assunto, este artigo estabelece uma base de comparação para identificação de anomalias em mobilidade urbana, que pode ser útil para o desenvolvimento de novas abordagens que provenham uma maior compreensão dos sistemas de mobilidade urbana.

Palavras-chave: Identificação de Anomalias, Mobilidade Urbana

Referências

Adrienko, N. and Adrienko, G. (2011). Spatial generalization and aggregation of massive movement data. IEEE Transactions on visualization and computer graphics, 17(2):205–219.

Andrienko, G. and Andrienko, N. (2008). Spatio-temporal aggregation for visual analysis of movements. In Visual Analytics Science and Technology, 2008. VAST’08. IEEE Symposium on, pages 51–58. IEEE.

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.

DataRio (2016). Portal de dados abertos da prefeitura do Rio de Janeiro. Technical report, http://data.rio/.

Ferreira, J., Gaspar, D., Monteiro, B., Silva, A. B., Porto, F., and Ogasawara, E. (2017). Uma Proposta de Implementação de Álgebra de Workflows em Apache Spark no Apoio a Processos de Análise de Dados. In Brazilian e-Science Workshop.

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.

Larsen, R. J. and Marx, M. L. (2005). An Introduction to Mathematical Statistics and Its Applications. Prentice Hall, Upper Saddle River, N.J, 4 edition edition.

Pan, B., Zheng, Y., Wilkie, D., and Shahabi, C. (2013). Crowd Sensing of Traffic Anomalies Based on Human Mobility and Social Media. In Proceedings of the 21st ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, SIGSPATIAL’13, pages 344–353, New York, NY, USA. ACM.

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

Verhein, F. and Chawla, S. (2008). Mining spatio-temporal patterns in object mobility databases. Data mining and knowledge discovery, 16(1):5–38.