Serviço de Detecção e Enriquecimento de Eventos Rodoviários Baseado em Fusão de Dados Heterogêneos para VANETs

• Paulo H. L. Rettore Universidade Federal de Minas Gerais
• Ígor Araújo Universidade Federal de Minas Gerais
• Guilherme Maia Universidade Federal de Minas Gerais
• Leandro A. Villas Universidade de Campinas
• Antonio A. F. Loureiro Universidade Federal de Minas Gerais

DOI: https://doi.org/10.5753/sbrc.2019.7372

Resumo

Este trabalho apresenta o T-Incident, uma arquitetura robusta de baixo custo para detecção e enriquecimento de eventos rodoviários baseado na fusão de dados heterogêneos. Foi desenvolvido um modelo espaço-temporal para fusão de dados de incidente, não-incidente e mídia social. Além disso, filtrou-se essa última fonte de dados usando métodos de processamento de linguagem natural para detecção de padrões capazes de descrever o evento e sua vizinhança. Também foi desenvolvido um modelo baseado em aprendizagem para identificar esses padrões e detectar os tipos de eventos. Os resultados da metodologia mostraram os melhores parâmetros para a abordagem T-Incident, fornecendo um serviço apurado de detecção e descrição de incidentes acima de 90% para as métricas F1 score, Recall e Precisão.

Palavras-chave: Redes Veiculares, Dads de Midia Social, Sensor Participatorio, Detecção de Eventos, Fusão de Dados

Referências

Bazzan, A. L. and Klügl, F. (2013). Introduction to intelligent systems in traffic and transportation. Morgan & Claypool Publishers.

Hsu, C.-W., Chang, C.-C., Lin, C.-J., et al. (2003). A practical guide to support vector classification.

Jockers, M. (2017). syuzhet: Extracts sentiment and sentiment-derived plot arcs from text.

Khaleghi, B., Khamis, A., Karray, F., and Razavi, S. (2013a). Multisensor data fusion: A review of the state-of-the-art. Information Fusion.

Khaleghi, B., Khamis, A., Karray, F. O., and Razavi, S. N. (2013b). Multisensor data fusion: A review of the state-of-the-art. Information Fusion, 14(1):28–44.

Kotthoff, L., Thornton, C., and Hutter, F. (2017). User guide for auto-weka version 2.6. Dept. Comput. Sci., Univ. British Columbia, BETA lab, Vancouver, BC, Canada, Tech. Rep, 2.

Nguyen, H., Liu, W., Rivera, P., and Chen, F. (2016). Trafficwatch: Real-time traffic incident detection and monitoring using social media. In PAKDD, pages 540–551. Springer.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011).
Scikit-learn: Machine learning in Python. Journal of MLR, 12:2825–2830.

Pereira, F. C., Rodrigues, F., and Ben-Akiva, M. (2013). Text analysis in incident duration prediction. Transportation Research Part C: Emerging Technologies, 37:177–192.

Rettore, P. H., Santos, B. P., Campolina, A. B., Villas, L. A., and Loureiro, A. A. (2016). Towards Intra- Vehicular Sensor Data Fusion. 19th International Conference on ITS.

Santos, B. P., Rettore, P. H., Ramos, H. S., Vieira, L. F. M., and A.F. Loureiro, A. (2018). Enriching traffic information with a spatiotemporal model based on social media. In ISCC, Natal, Brazil.

Xu, S., Li, S., and Wen, R. (2018). Sensing and detecting traffic events using geosocial media data: A review. Computers, Environment and Urban Systems, (June).

Yazici, M. A., Mudigonda, S., and Kamga, C. (2017). Incident detection through twitter: Organization versus personal accounts. TRR: Journal of the TRB, (2643):121–128.

Zhang, Z., He, Q., Gao, J., and Ni, M. (2018). A deep learning approach for detecting traffic accidents from social media data. Transportation research part C: emerging technologies, 86:580–596.