SMAFramework: Arcabouço para Integração de Dados Urbanos Cientes da Correlação Espaço-Temporal
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, F., Gedik, B., Etemoglu, C., and Ferhatosmanoglu, H. (2018). Spatio-Temporal Linkage over Location-Enhanced Services. IEEE Transactions on Mobile Computing, 17(2):447-460.
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, 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, A., Flocchini, P., Quattrociocchi, W., and Santoro, N. (2012). Time-Varying Graphs and Dynamic Networks. CoRR, abs/1012.0:20.
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, 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, 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, H. and Anderson, R. (2012). Temporal node centrality in complex networks. Physical Review E-Statistical, Nonlinear, and Soft Matter Physics, 85(2):1-8.
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.
Kostakos, V. (2009). Temporal graphs. Physica A: Statistical Mechanics and its Applications, 388(6):1007-1023.
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, M. and Ramakrishnan, N. (2015). Charac-terizing Taxi Flows in New York City. UrbComp, page 9.
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, Z., Xia, F., Ullah, N., Kong, X., and Hu, X. (2017). Vehicular Social Networks : Enabling Smart Mobility. IEEE Communications Magazine, pages 49-55.
Patroumpas, K. (2013). Multi-scale window specification over streaming tra-jectories. Journal of Spatial Information Science, 7(7):45-75.
Rodrigues, D. O. (2018). SMAFramework: Arcabouço para Integração de Dados Urbanos Cientes da Correlação Espaço-Temporal. Master's thesis, University of Campinas.
Rodrigues, D. O., Boukerche, A., Silva, T. H., Loureiro, A. A., and Villas, L. A. (2018a). Combining taxi and social media data to explore urban mobility issues. Computer Communications.
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.
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, L. and Ray, C. (2016). Design principles of a stream-based framework for mobility analysis. GeoInformatica, pages 1-25.
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 Posicionamento de Táxis. In Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos.
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, 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, 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, M. and Shahabi, C. (2010). VoR-Tree: R-trees with Voronoi Diagrams for Efficient Processing of Spatial Nearest Neighbor Queries. Proceedings of the 36th International Conference on Very Large Data Bases, 3:1231-1242.
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, G. S. and Helmy, A. (2013). COBRA: A framework for the analysis of realistic mobility models. In Proceedings-IEEE INFOCOM, pages 3351-3356.
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, 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.
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, 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, A., Flocchini, P., Quattrociocchi, W., and Santoro, N. (2012). Time-Varying Graphs and Dynamic Networks. CoRR, abs/1012.0:20.
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, 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, 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, H. and Anderson, R. (2012). Temporal node centrality in complex networks. Physical Review E-Statistical, Nonlinear, and Soft Matter Physics, 85(2):1-8.
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.
Kostakos, V. (2009). Temporal graphs. Physica A: Statistical Mechanics and its Applications, 388(6):1007-1023.
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, M. and Ramakrishnan, N. (2015). Charac-terizing Taxi Flows in New York City. UrbComp, page 9.
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, Z., Xia, F., Ullah, N., Kong, X., and Hu, X. (2017). Vehicular Social Networks : Enabling Smart Mobility. IEEE Communications Magazine, pages 49-55.
Patroumpas, K. (2013). Multi-scale window specification over streaming tra-jectories. Journal of Spatial Information Science, 7(7):45-75.
Rodrigues, D. O. (2018). SMAFramework: Arcabouço para Integração de Dados Urbanos Cientes da Correlação Espaço-Temporal. Master's thesis, University of Campinas.
Rodrigues, D. O., Boukerche, A., Silva, T. H., Loureiro, A. A., and Villas, L. A. (2018a). Combining taxi and social media data to explore urban mobility issues. Computer Communications.
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.
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, L. and Ray, C. (2016). Design principles of a stream-based framework for mobility analysis. GeoInformatica, pages 1-25.
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 Posicionamento de Táxis. In Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos.
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, 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, 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, M. and Shahabi, C. (2010). VoR-Tree: R-trees with Voronoi Diagrams for Efficient Processing of Spatial Nearest Neighbor Queries. Proceedings of the 36th International Conference on Very Large Data Bases, 3:1231-1242.
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, G. S. and Helmy, A. (2013). COBRA: A framework for the analysis of realistic mobility models. In Proceedings-IEEE INFOCOM, pages 3351-3356.
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, 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.
Publicado
06/05/2019
Como Citar
RODRIGUES, Diego O.; 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.
