Um Arcabouço para Detecção e Alerta de Anomalias de Mobilidade Urbana em Tempo Real

• Marco Thomé Universidade Federal do Espírito Santo
• André Prestes Universidade Federal do Espírito Santo
• Roberta Gomes Universidade Federal do Espírito Santo
• Vinícius Mota Universidade Federal do Espírito Santo

DOI: https://doi.org/10.5753/sbrc.2020.12325

Resumo

Os dados coletados por sensores, câmeras, redes sociais e aplicativos podem contribuir para detecção automática de eventos atípicos no trânsito. A natureza heterogênea das fontes de dados traz como vantagem a redundância de informação, aumentando o grau de confiabilidade de eventos detectados. Este trabalho propõe um arcabouço de detecção de eventos anômalos e alertas em tempo real, com uma interface que suporta fontes de dados heterogêneos. Para isto, ao receber os eventos de uma via, o arcabouço os agrupa como séries temporais diárias. É aplicada clusterização nestas séries temporais para criar um histórico padrão, que permite detectar anomalias e emitir alertas em tempo real. Para validar o arcabouço, foram implementadas interfaces para dados disponibilizados pela prefeitura de Vitória-ES, provenientes da plataforma Waze, e Twitter, e um conjunto de algoritmos de clusterização e de detecção de anomalias. Utilizando dados reais da cidade, os resultados mostraram que o arcabouço proposto é escalável e os alertas podem auxiliar os gestores nas tomadas de decisões.

Palavras-chave: anomalias, cidades inteligentes, séries temporais

Referências

Ahmed, M., Mahmood, A. N., and Hu, J. (2016). A survey of network anomaly detection techniques. Journal of Network and Computer Applications, 60:19 – 31.

Albino, V. U. B. R. M. D. (2015). Smart cities: definitions, dimensions, and performance. Journal of Urban Technology, pages 1723–1738.

Baloian, N., Frez, J., Pino, J. A., and Zurita, G. (2015). Efficient planning of urban public transportation networks. In Ubiquitous Computing and Ambient Intelligence. Sensing, Processing, and Using Environmental Information, pages 439–448, Cham. Springer International Publishing.

Bawaneh, M. and Simon, V. (2019). Anomaly detection in smart city traffic based on time series analysis. In 2019 International Conference on Software, Telecommunications and Computer Networks (SoftCOM), pages 1–6.

de Souza, A. M., Botega, L. C., Garcia, I. C., and Villas, L. A. (2018). Por aqui é mais seguro: Melhorando a mobilidade e a segurança nas vias urbanas. In XXXVI Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuı́dos, Porto Alegre, RS, Brasil. SBC.

Fahad, A., Alshatri, N., Tari, Z., Alamri, A., Khalil, I., Zomaya, A. Y., Foufou, S., and Bouras, A. (2014). A survey of clustering algorithms for big data: Taxonomy and empirical analysis. IEEE transactions on emerging topics in computing, 2(3):267–279.

Faial, D., Bernardini, F., Miranda, L., and Viterbo, J. (2019). Anomaly detection in vehicle traffic data using batch and stream supervised learning. In Progress in Artificial Intelligence, pages 675–684, Cham. Springer International Publishing.

Hawkins, D. M. (1980). Identification of outliers, volume 11. Springer.

Hodge, V. and Austin, J. (2004). A survey of outlier detection methodologies. Artificial Intelligence Review, 22(2):85–126.

Ladeira, L., Souza, A., Pereira, G., Silva, T. H., and Villas, L. (2019). Serviço de sugestão de rotas seguras para veı́culos. In XXXVII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuı́dos, pages 608–621, Porto Alegre, RS, Brasil. SBC.

Montori, F., Bedogni, L., and Bononi, L. (2017). A collaborative internet of things architecture for smart cities and environmental monitoring. IEEE Internet of Things Journal, 5(2):592–605.

Montori, F., Bedogni, L., Di Chiappari, A., and Bononi, L. (2016). Sensquare: A mobile crowdsensing architecture for smart cities. In 2016 IEEE 3rd World Forum on Internet of Things (WF-IoT), pages 536–541, Reston, VA, USA. IEEE.

Pan, B., Zheng, Y., Wilkie, D., and Shahabi, C. (2013). Crowd sensing of traffic anomalies based on human mobility and social media. GIS: Proceedings of the ACM International Symposium on Advances in Geographic Information Systems, pages 334–343.

Panagiotou, N., Zygouras, N., Katakis, I., Gunopulos, D., Zacheilas, N., Boutsis, I., Kalogeraki, V., Lynch, S., and O’Brien, B. (2016). Intelligent urban data monitoring for smart cities. In Machine Learning and Knowledge Discovery in Databases, pages 177–192, Cham. Springer International Publishing.

Purnomo, F., Heryadi, Y., Gaol, F. L., and Ricky, M. Y. (2016). Smart city’s context awareness using social media. 2016 International Conference on ICT for Smart Society, ICISS 2016, pages 119–123.

Rathore, M. M., Ahmad, A., Paul, A., and Rho, S. (2016). Urban planning and building smart cities based on the internet of things using big data analytics. Computer Networks, 101:63–80.

Sidauruk, A. and Ikmah (2018). Congestion correlation and classification from twitter and waze map using artificial neural network. In International Conference on Information Technology, Information System and Electrical Engineering, pages 224–229.

Silva, T. H., Celes, C., Neto, J., Mota, V., Cunha, F., Ferreira, A., Ribeiro, A., Vaz de Melo, P., Almeida, J., and Loureiro, A. (2016). Users in the urban sensing process: Challenges and research opportunities. Pervasive Computing: Next Generation Platforms for Intelligent Data Collection, pages 45–95.

Tukey, J. W. (1977). Exploratory data analysis. Reading, Mass. : Addison-Wesley Pub. Co.