SMAFramework: Arcabouço para Integração de Dados Urbanos Cientes da Correlação Espaço-Temporal

  • Diego Oliveira Rodrigues University of Campinas
  • Leandro Villas UNICAMP

Resumo


Redes sociais, dispositivos móveis, redes veiculares e de sensores são utilizados como coletores de dados em centros urbanos; dados esses que podem ser utilizados para melhor compreender as dinâmicas das cidades. Muitos estudos tem focado em explorar essas fontes de dados, porém individualmente. A fim de reduzir o impacto na análise de dados urbanos causada por essa limitação foi desenvolvido o SMAFramework, para realizar a coleta e integração de dados de mobilidade urbana de fontes heterogêneas. Foi proposta uma metodologia para padronizar dados com anotações espaço-temporais provenientes de várias fontes de acordo com um modelo único de dados (i.e., Grafo Multi Aspecto). A ferramenta apresentada ainda permite que se realize diferentes tarefas de análise de dados. Para avaliar o arcabouço desenvolvido, experimentos foram realizados com dados reais. O primeiro experimento combinou dados de mídias sociais com dados de viagens de táxi a fim de avaliar a correlação espaço temporal entre essas fontes de dados. Em um segundo experimento dados de táxi foram combinados com informações de transito, rotas de transporte público e modelos de experiência de usuário a fim de avaliar como diferentes meios de transporte poderiam ser combinados a fim de melhorar a mobilidade urbana. Ferramentas e metodologias foram desenvolvidas para a execução de cada um desses experimentos, contribuindo com o avanço do estado da arte.

Referências

[Basik et al. 2018] Basik, F., Gedik, B., Etemoglu, C., and Ferhatosmanoglu, H. (2018). Spatio-Temporal Linkage over Location-Enhanced Services. IEEE Transactions on Mobile Compu-ting, 17(2):447-460.

[Beckmann et al. 1990] Beckmann, N., Kriegel, H.-P., Schneider, R., and Seeger, B. (1990). The R*-tree: an efficient and robust access method for points and rectangles. ACM SIGMOD Re-cord, 19(2):322-331.

[Campello et al. 2015] Campello, R. J. G. B., Moulavi, D., Zimek, A., and Sander, J. (2015). Hierarchical Density Estimates for Data Clustering, Visualization, and Outlier Detection. ACM Transactions on Knowledge Discovery from Data, 10(1):1-51.

[Casteigts et al. 2012] Casteigts, A., Flocchini, P., Quattrociocchi, W., and Santoro, N. (2012). Time-Varying Graphs and Dynamic Networks. CoRR, abs/1012.0:20.

[Feng et al. 2015] Feng, W., Zhang, C., Zhang, W., Han, J., Wang, J., Aggarwal, C., and Huang, J. (2015).
STREAMCUBE: Hierarchical spatio-temporal hashtag clustering for event exploration over the Twitter stream. Proceedings -International Conference on Data Engineering, 2015-May:1561-1572.

[Figueiredo et al. 2011] Figueiredo, D., Nain, P., Ribeiro, B., de Souza e Silva, E., Towsley, D., and Silva, E. D. S. E. (2011). Characterizing Continuous Time Random Walks on Time Varying Graphs. Sigmetrics, cs.SI:1-30.

[Hamedmoghadam-Rafati et al. 2017] Hamedmoghadam-Rafati, H., Steponavice, I., Ramezani, M., and Saberi, M. (2017). A Complex Network Analysis of Macroscopic Structure of Taxi Trips. IFAC-PapersOnLine, 50:9432-9437.

[Kim and Anderson 2012] Kim, H. and Anderson, R. (2012). Temporal node centrality in com-plex networks. Physical Review E -Statistical, Nonlinear, and Soft Matter Physics, 85(2):1-8. [Kivelä et al. 2014] Kivelä, M., Arenas, A., Barthelemy, M., Gleeson, J. P., Moreno, Y., and Por-ter, M. A. (2014). Multilayer networks. Journal of Complex Networks, 2(3):203-271.

[Kostakos 2009] Kostakos, V. (2009). Temporal graphs. Physica A: Statistical Mechanics and its Applications, 388(6):1007-1023.

[Meneguette et al. 2019] Meneguette, R. I., Rodrigues, D. O., Costa, J. B. D. d., Rosário, D., and Villas, L. A. (2019). A virtual machine migration policy based on multiple attribute decision in vehicular cloud scenario. unpublished.
[Momtazpour and Ramakrishnan 2015] Momtazpour, M. and Ramakrishnan, N. (2015). Charac-terizing Taxi Flows in New York City. UrbComp, page 9.

[Nicosia et al. 2013] Nicosia, V., Tang, J., Mascolo, C., Musolesi, M., Russo, G., and Latora, V. (2013). Graph Metrics for Temporal Networks, pages 15-40. Springer Berlin Heidelberg. [Ning et al. 2017] Ning, Z., Xia, F., Ullah, N., Kong, X., and Hu, X. (2017). Vehicular Social Networks : Enabling Smart Mobility. IEEE Communications Magazine, pages 49-55.

[Patroumpas 2013] Patroumpas, K. (2013). Multi-scale window specification over streaming tra-jectories. Journal of Spatial Information Science, 7(7):45-75.

[Rodrigues 2018] Rodrigues, D. O. (2018). SMAFramework: Arcabouço para Integração de Da-dos Urbanos Cientes da Correlação Espaço-Temporal. Master's thesis, University of Campinas. [Rodrigues et al. 2018a] Rodrigues, D. O., Boukerche, A., Silva, T. H., Loureiro, A. A., and Vil-las, L. A. (2018a). Combining taxi and social media data to explore urban mobility issues. Computer Communications.

[Rodrigues et al. 2017] Rodrigues, D. O., Boukerche, A., Silva, T. H., Loureiro, A. A. F., and Villas, L. A. (2017). SMAFramework: Urban Data Integration Framework for Mobility Analy-sis 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.

[Rodrigues et al. 2018b] Rodrigues, D. O., Fernandes, J. T., Curado, M., and Villas, L. A. (2018b). Hybrid context-aware multimodal routing. In 2018 21st International Conference on Intelligent Transportation Systems (ITSC), pages 2250-2255.

[Salmon and Ray 2016] Salmon, L. and Ray, C. (2016). Design principles of a stream-based framework for mobility analysis. GeoInformatica, pages 1-25.

[Rodrigues et al. 2018c] Rodrigues, D. O., Silva, T. H., Curado, M., and Loureiro, A. A. F. (2018c). Uso de Dados de Mídias Sociais para Desenvolvimento de Metodologia de Posicio-namento de Táxis. In Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos.

[Santos et al. 2018] Santos, F. A., Rodrigues, D. O., Silva, T. H., Loureiro, A. A., Pazzi, R. W., and Villas, L. A. (2018). Context-Aware Vehicle Route Recommendation Platform: Exploring Open and Crowdsourced Data. In IEEE International Conference on Communications.

[Santos et al. 2017] Santos, F. A., Rodrigues, D. O., Silva, T. H., Loureiro, A. A. F., and Villas, L. A. (2017). Rotas Veiculares Cientes de Contexto : Arcabouço e Análise Usando Dados Oficiais e Sensoriados por Usuários sobre Crimes. In Anais do XXII Workshop de Gerência e Operação de Redes e Serviços (WGRS), Belém, Brasil. Sociedade Brasileira de Computação.

[Silva et al. 2014] Silva, T. H., d. Melo, P. O. S. V., Almeida, J. M., Viana, A. C., Salles, J., and Loureiro, A. A. F. (2014). Participatory sensor networks as sensing layers. In 2014 IEEE Fourth International Conference on Big Data and Cloud Computing, pages 386-393.

[Sharifzadeh and Shahabi 2010] Sharifzadeh, M. and Shahabi, C. (2010). VoR-Tree : R-trees with Voronoi Diagrams for Efficient Processing of Spatial Nearest Neighbor Queries. Procee-dings of the 36th International Conference on Very Large Data Bases, 3:1231-1242.

[Tang et al. 2010] Tang, J., Scellato, S., Musolesi, M., Mascolo, C., and Latora, V. (2010). Small-world behavior in time-varying graphs. Physical Review E, 81(5):055101.

[Thakur and Helmy 2013] Thakur, G. S. and Helmy, A. (2013). COBRA: A framework for the analysis of realistic mobility models. In Proceedings -IEEE INFOCOM, pages 3351-3356. [Wehmuth et al. 2014] Wehmuth, K., Ziviani, A., and Fleury, E. (2014). A Unifying Model for Representing Time-Varying Graphs. Computing Research Repository arXiv.org, I:1-28.

[Zheng et al. 2014] Zheng, Y., Capra, L., Wolfson, O., and Yang, H. (2014). Urban computing: concepts, methodologies, and applications. ACM Transactions on Intelligent Systems and Te-chnology (TIST), 5(3):38.
Publicado
06/05/2019
Como Citar

Selecione um Formato
RODRIGUES, Diego Oliveira; VILLAS, Leandro. SMAFramework: Arcabouço para Integração de Dados Urbanos Cientes da Correlação Espaço-Temporal. In: CONCURSO DE TESES E DISSERTAÇÕES - SIMPÓSIO BRASILEIRO DE REDES DE COMPUTADORES E SISTEMAS DISTRIBUÍDOS (SBRC), 2. , 2019, Gramado. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2019 . p. 113-120. ISSN 2177-9384. DOI: https://doi.org/10.5753/sbrc_estendido.2019.7777.