Uma Arquitetura de Microsserviços para Detecção de Anomalias em Dados de Mobilidade Urbana Heterogêneos
Palavras-chave:
Mobilidade urbana, detecção de anomalia, dados heterogêneosResumo
A adoção de plataformas colaborativas tem crescido de forma que agentes públicos buscam cada vez mais parcerias com estes provedores de informação. Dados de câmeras, redes sociais e aplicativos podem contribuir para o gerenciamento de cidades inteligentes, como na detecção de eventos atípicos no trânsito, por exemplo. Este trabalho apresenta um arcabouço que utiliza fontes heterogêneas para detecção de eventos anômalos de tráfego. O arcabouço é responsável por coletar dados, filtrar e agrupá-los, e a partir destes grupos, detectar e visualizar anomalias em tempo real. Neste trabalho, propomos a utilização de microsserviços para executar cada componente do framework. Como estudo de caso, a arquitetura proposta é utilizada para detectar anomalia nos dados de mobilidade urbana, da cidade Vitória-ES, baseado em dados da Prefeitura e do Twitter.
Downloads
Referências
Calikus, E., Nowaczyk, S., Sant’Anna, A., and Dikmen, O. (2020). No free lunch but a cheaper supper: A general framework for streaming anomaly detection. Expert Systems with Applications, 155:113453.
de Souza, A. M., Botega, L. C., Garcia, I. C., and Villas, L. A. (2018). Por aqui ´e mais seguro: Melhorando a mobilidade e a seguranc¸a nas vias urbanas. In XXXVI Simp´osio Brasileiro de Redes de Computadores e Sistemas Distribu´ıdos, 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.
Pan, B., Zheng, Y.,Wilkie, D., and Shahabi, C. (2013). Crowd sensing of traffic anomalies based on human mobility and social media. In GIS: Proceedings of the ACM International Symposium on Advances in Geographic Information Systems, pages 334–343.
Saha, P., Beltre, A., Uminski, P., and Govindaraju, M. (2018). Evaluation of docker containers for scientific workloads in the cloud. In Proceedings of the Practice and Experience on Advanced Research Computing, pages 1–8.
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. Academic Press.
Thome, M., Neves, A., Gomes, R., and Mota, V. (2020). Um arcabouc¸o para detecc¸ ˜ao e alerta de anomalias de mobilidade urbana em tempo real. In Simp´osio Brasileiro de Redes de Computadores e Sistemas Distribu´ıdos, volume XXXVIII, pages 1–14.
