Uso de Dados de Mídias Sociais para Desenvolvimento de Metodologia de Posicionamento de Táxis
Resumo
Cidades Inteligentes surgem como um tópico que utiliza tecnologia da informação e comunicação em centros urbanos para monitorar suas dinâmicas e possibilitar que serviços prestados aos seus cidadãos possam ser melhorados. Esse monitormento se dá, por exemplo, por meio da observação de dados gerados pelos cidadãos em suas vidas cotidianas. Uma parcela significativa desses dados contém anotações espaço-temporais que podem ser utilizadas para analisar características específicas das cidades como, por exemplo, seus fluxos de mobilidade. Considerando essas características, este trabalho propõe o uso de dados de mídias sociais para melhorar o posicionamento dos táxis na cidade. Os resultados mostram indícios de que dados de mídias sociais podem ser utilizados como sensores virtuais de concentrações de pessoas em determinados locais, podendo ser usados pelo sistema de transporte urbano. Com o presente trabalho foi possível verificar como diferentes fontes de dados urbanos podem ser relacionadas por meio da correlação espaço-temporal de amostras provenientes de três fontes diferentes. A proposta foi validada usando dados reais de táxis da cidade de Nova Iorque e do Twitter. Essa validação foi feita por meio do SMAFramework, um arcabouço para análise de dados de mobilidade urbana.
Referências
Biem, A., Bouillet, E., Feng, H., Ranganathan, A., Riabov, A., Verscheure, O., Koutsopoulos, H., and Moran, C. (2010). IBM Infosphere Streams for Scalable, Real-time, Intelligent Transportation Services. In Proceedings of the 2010 ACM SIGMOD International Conference on Management of Data, SIGMOD ’10, pages 1093–1104, New York, NY, USA. ACM.
Commission, N. T. &. L. (2017). Background on the Boro Taxi program.
Dimitriou, L., Kourti, E., Christodoulou, C., and Gkania, V. (2016). Dynamic Estimation of Optimal Dispatching Locations for Taxi Services in Mega-Cities based on Detailed GPS Information. IFAC-PapersOnLine, 49(3):197–202.
Frias-Martinez, V., Soto, V., Hohwald, H., and Frias-Martinez, E. (2012). Characterizing urban landscapes using geolocated tweets. Proceedings 2012 ASE/IEEE International Conference on Privacy, Security, Risk and Trust and 2012 ASE/IEEE International Conference on Social Computing, SocialCom/PASSAT 2012, pages 239–248.
Hall, R. E., Bowerman, B., Braverman, J., Taylor, J., and Todosow, H. (2000). The vision of a smart city. 2nd International Life . . . , page 7.
Hootsuite (2017). Global Statshot Digital in Q3 2017. Technical Report Q3-2017.
Kivelä, M., Arenas, A., Barthelemy, M., Gleeson, J. P., Moreno, Y., and Porter, M. A.(2014). Multilayer networks. Journal of Complex Networks, 2(3):203–271.
Loughnan, S., Kuppens, P., Allik, J., Balazs, K., de Lemus, S., Dumont, K., Gargurevich, R., Hidegkuti, I., Leidner, B., Matos, L., Park, J., Realo, A., Shi, J., Sojo, V. E., yue Tong, Y., Vaes, J., Verduyn, P., Yeung, V., and Haslam, N. (2011). Economic inequality is linked to biased self-perception. Psychological Science, 22(10):1254–1258. PMID: 21948855.
Luckow, A. and Kennedy, K. (2017). Chapter 5 – Data Infrastructure for Intelligent Transportation Systems. In Data Analytics for Intelligent Transportation Systems, pages 113–129.
Mahrsi, M. K. E., Côme, E., Oukhellou, L., and Verleysen, M. (2016). Clustering Smart Card Data for Urban Mobility Analysis. pages 1–17.
Nam, T. and Pardo, T. A. (2011). Conceptualizing smart city with dimensions of technology, people, and institutions. In Proceedings of the 12th Annual International Digital Government Research Conference on Digital Government Innovation in Challenging Times dg.o ’11, page 282, New York, New York, USA. ACM Press.
Pellicer, S., Santa, G., Bleda, A. L., Maestre, R., Jara, A. J., and Skarmeta, A. G. (2013). A global perspective of smart cities: A survey. Proceedings 7th International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing, IMIS 2013, pages 439–444.
Rodrigues, D. O., Boukerche, A., Silva, T. H., Loureiro, A. A. F., and Villas, L. A. (2017). SMAFramework: Urban Data Integration Framework for Mobility Analysis in Smart Cities. In Proceedings of the 20th ACM International Conference on Modelling, Analysis and Simulation of Wireless and Mobile Systems, MSWiM ’17, pages 227–236, New York, NY, USA. ACM.
Silva, T., Vaz De Melo, P., Almeida, J., and Loureiro, A. (2014). Large-scale study of city dynamics and urban social behavior using participatory sensing. Wireless Communications, IEEE, 21(1):42–51.
Veenhoven, R. (1987). Cultural bias in ratings of perceived life quality: A comment on ostroot and snijder. Social Indicators Research, 19(3):329–334.
Wehmuth, K., Ziviani, A., and Fleury, E. (2014). A Unifying Model for Representing Time-Varying Graphs. Computing Research Repository arXiv.org, I(January):1–28.
Zhang, D., Sun, L., Li, B., Chen, C., Pan, G., Li, S., and Wu, Z. (2015). UnderstanIEEE Transactions on Intelligent ding taxi service strategies from taxi GPS traces. Transportation Systems, 16(1):123–135.
Zhang, J., Wang, F.-Y., Wang, K., Lin, W.-H., Xu, X., and Chen, C. (2011). Data-Driven Intelligent Transportation Systems: A Survey. IEEE Transactions on Intelligent Transportation Systems, 12(4):1624–1639.
Zheng, Y., Capra, L., Wolfson, O., and Yang, H. (2014). Urban computing: concepts, methodologies, and applications. ACM Transactions on Intelligent Systems and Technology (TIST), 5(3):38.
