Métodos para auxílio na tomada de decisão em cidades inteligentes

• Ramon Barros de Lima Universidade Federal de Alagoas (UFAL)
• Wilamis Micael de Araujo Aviz Universidade Federal de Alagoas (UFAL)
• Fábio J. Coutinho Universidade Federal de Alagoas (UFAL) http://orcid.org/0000-0002-9892-023X
• João Paulo Clarindo Universidade de São Paulo (USP)

DOI: https://doi.org/10.5753/sbbd_estendido.2021.18159

Resumo

Nos últimos anos, com o crescente aumento da população em áreas urbanas, cidades inteligentes surgem como uma alternativa para auxiliar gestores na tomada de decisão, através da utilização de uma rede de dispositivos IoT, que geram dados relativos à infraestrutura urbana. Entretanto, o número de dispositivos IoT cresce constantemente, gerando um imenso volume de dados convencionais e espaciais. Diante disso, este trabalho discute métodos para auxiliar na tomada de decisão no contexto de cidades inteligentes, a partir do uso de técnicas de pré-processamento dos dados brutos gerados por dispositivos IoT, armazenamento e processamento paralelo e distribuído de dados espaciais. Foi desenvolvido um estudo de caso com dados de cerca de 500 mil corridas de táxi ocorridas em Porto, Portugal, que apresenta resultados que podem auxiliar gestores na melhoria do serviço de transportes da cidade.

Palavras-chave: dispositivos Iot, consultas espaciais, sistema analítico espacial, coleção de dados

Referências

Amaral, B. G. D., Nasser, R., Casanova, M. A., and Lopes, H. (2016). Busesinrio: Buses as mobile traffic sensors: Managing the bus gps data in the city of rio de janeiro. Proceedings - IEEE International Conference on Mobile Data Management, pages 369–372.

Atzori, L., Iera, A., and Morabito, G. (2017). Understanding the internet of things: definition, potentials, and societal role of a fast evolving paradigm. Ad Hoc Networks, 56:122–140.

Castro, J. P., Carniel, A., and Ciferri, C. (2020). Analyzing spatial analytics systems based on Hadoop and Spark: A user perspective. Software: Practice and Experience, 50(12):2121–2144.

Eldrandaly, K. A., Abdel-Basset, M., and Shawky, L. A. (2019). Internet of Spatial Things: A New Reference Model With Insight Analysis. IEEE Access, 7:19653–19669.

Huneiti, A. M. and Adwan, O. Y. (2019). Extracting interesting regions and trips from taxi trajectory data. Modern Applied Science, 13:258.

Ishwarappa and Anuradha, J. (2015). A brief introduction on big data 5vs characteristics and hadoop technology. Procedia Computer Science, 48:319–324. International Conference on Computer, Communication and Convergence (ICCC 2015).

Liu, X., Sun, L., Sun, Q., and Gao, G. (2020). Spatial variation of taxi demand using gps trajectories and poi data. Journal of Advanced Transportation, 2020.

Nguyen, K., Yang, J., Lin, Y., Lin, J., Chiang, Y.-Y., and Shahabi, C. (2018). Los angeles metro bus data analysis using gps trajectory and schedule data (demo paper). In SIGSPATIAL 18: Proceedings of the 26th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, pages 560–563.

ONU (2018). 68% of the world population projected to live in urban areas by 2050, says un.

Patel, K. K. and Patel, S. M. (2016). Internet of Things-IOT: Definition, Characteristics, Architecture, Enabling Technologies, Application & Future Challenges. IJSR, 6(5):6122–6132.

Santos, J. P. C., Castro, J. P. d. C., and Ciferri, C. D. d. A. (2020). SOLAP Query Processing over IoT Networks in Smart Cities: A Novel Architecture. In Anais do XXI GeoInfo - Simpósio Brasileiro de Geoinformática, pages 118–129, São José dos Campos, Brazil. INPE.

Tibari, S. and Mazri, T. (2019). Security in a smart city: Challenges and solutions. ACM International Conference Proceeding Series.

Yeh, H. (2017). The effects of successful ict-based smart city services: From citizens’ perspectives. Government Information Quarterly, 34:556–565.