detecção de congestionamentos a partir da mineração de dados

DETECÇÃO DE CONGESTIONAMENTOS A PARTIR DA MINERAÇÃO DE
DADOS RASTREADOS COM GPS
Pedro Reis Gomes da Silva1
1 - Instituto Militar de Engenharia - Seção de Engenharia Cartográfica- ([email protected])
RESUMO
A mineração de dados de dados é uma das etapas de descoberta do conhecimento
em grande bases de dados que procura encontrar padrões implícitos nas bases de
dados. Este trabalho apresenta uma proposta de identificação de locais de trânsito
constantemente congestionados a partir de trajetórias rastreadas com GPS,
empregando estimadores de intensidade kernel. Foi analisada uma base de dados
oriundas de uma frota de táxis na cidade do Porto, Portugal.
Palavra-chave: Mineração de dados espaciais, Mapas de Calor, Estimador Kernel.
INTRODUÇÃO
O crescente avanço tecnológico na área de posicionamento propiciou a grande
quantidade de receptores GPS instalados nos veículos, gerando um grande volume de
dados contendo, basicamente, a posição do veículo e o horário em que o dado foi
rastreado. A partir desses bancos de dados podem ser identificados padrões de
trânsito, tais como a distribuição espaço-temporal das velocidades desenvolvidas
pelos veículos. A análise desses padrões pode auxiliar as companhias de tráfego
urbano
das
cidades
a
elaborar
planos
para
evitar
ou
minimizar
esses
congestionamentos.
Segundo Bogorny (2003), o processo de descoberta de conhecimento em bancos de
dados pode ser subdividido em em algumas fases: eliminação dos dados
inconsistentes (limpeza dos dados), integração dos dados de diferentes fontes para
um único banco de dados, seleção dos dados importantes para análise em questão, a
transformação dos dados para outros formatos (se for necessário), a mineração de
dados propriamente dita, a avaliação dos padrões encontrados e, por fim, a
apresentação do conhecimento adquirido ao longo do processo.
Neste trabalho, o objetivo principal é a identificação de
locais de trânsito
constantemente congestionados a partir da distribuição espaçotemporal dos valores
de velocidade de veículos, cujas trajetórias foram rastreadas com GPS.
METODOLOGIA
Antes de executar as fases do processo de descoberta de conhecimento mencionadas
na seção anterior, é necessário calcular a velocidade do automóvel a partir das
posições e do intervalo de tempo entre pares de pontos consecutivos.
Na fase de mineração de dados espaciais foram empregadas algumas técnicas
expostas nos trabalhos de Bogorny (2003), Santos (2001), Dias (2002) e Neves,
Freitas e Câmara (2001). A primeira foi a classificação, que consiste no
enquadramento dos dados em classes pré-definidas. Os objetos podem ser
classificados pelas características espaciais e pelos seus atributos descritivos ou por
funções espaciais. Para fins de análise da distribuição espaço-temporal das
velocidades dos veículos, a classificação deve considerar os níveis de serviço das vias
e os intervalos de tempo (Figura 1). A segunda técnica é denominada agrupamento
ou clusterização, que consiste em identificar coleções de objetos semelhantes,
agrupando-os em subconjuntos de acordo com critérios apropriados (inclusive espaço
temporais). Esses subconjuntos agrupam elementos com alto grau de semelhança.
Figura 1. Classificação quanto a intervalos de tempo
A avaliação dos padrões encontrados baseou-se no cálculo do estimador de
intensidade kernel, que observa a influência de um ponto sobre os demais, dentro de
uma região de interesse, a partir da análise estatística dos dados. Essa técnica gera
uma superfície de densidades para identificação de áreas com uma concentração de
eventos que indicam a aglomeração em uma distribuição espacial. No contexto
analisado neste trabalho, foi empregado o aplicativo Quantum GIS 1.8.0 e o
complemento Mapa de Calor para executar essa análise.
ESTUDO DE CASO
A metodologia proposta foi empregada para identificar áreas de congestionamento na
cidade do Porto no período de janeiro de 2012 a partir de pontos rastreados por 435
táxis da cooperativa monitorada pela empresa Geolink, sediada naquela cidade.
Foram realizadas consultas SQL para selecionar pontos cujas velocidades estavam
abaixo de 36,5 km/h – o nível de serviço na categoria E (HCM, 2010), posteriormente
classificados de acordo com o dia da semana e com a hora do dia.
Para realizar a análise dos pontos empregando o estimador kernel, foram inseridos os
valores para os parâmetros raio (40), tamanho da célula (10) e a razão de decaimento
(1). Com os mapas gerados, foi padronizada a escala de cores para exibição dos
resultados.
RESULTADOS
Com bases nos mapas de calor gerados, pôde-se identificar duas regiões de particular
interesse, que possuíam grande quantidade de pontos ao longo de todo intervalo
compreendido entre as seis e as vinte horas das segundas-feiras (figura 2).
Figura 2. Mapa da cidade do Porto com mapa de calor relativo a veículos com velocidades
abaixo de 36,5 km/h às segundas-feiras.
As figuras 3 e 4 apresentam essas regiões em destaque para o período das 11h às
12h e das 19h às 20h. Os pontos em vermelho representam os locais de maior
concentração de pontos com baixa velocidade seguidos dos pontos em amarelo e
azul.
Figura 3. Mapa detalhado da região de interesse às 11h
Figura 4. Mapa detalhado da região de interesse às 19h
CONCLUSÕES
Nesse trabalho, foram empregadas técnicas de Mineração de Dados Espaciais para
identificar padrões de trânsito a partir de trajetórias rastreadas com GPS. Para isso, os
dados foram classificados conforme o nível de serviço da via e quanto ao horário e,
em seguida, empregou-se o estimador de intensidade kernel para identificar os locais
de maior ocorrência de congestionamentos ao longo do tempo. Dentre esses locais,
duas regiões se destacaram por apresentar índices de congestionamento ao longo de
todo período analisado.
REFERÊNCIAS BIBLIOGRÁFICAS
BOGORNY, V. Algoritmos e Ferramentas de Descoberta de Conhecimento em Bancos de
Dados Geográficos. Porto Alegre, 2003. Programa de Pós-Graduação em Computação,
Universidade Federal do Rio Grande do Sul. Porto Alegre, 2003.
DIAS, M. Parâmetros na escolha de técnicas e ferramentas de mineração de dados. Maringá,
2002. Departamento de Informática da Universidade Estadual de Maringá.
HIGWAY CAPACITY MANUAL (HCM) 2010. Transportation Research Board of the National
Academies – Volume 2: Uninterrupted Flow. Washington,DC,2010.
NEVES, M. C.; FREITAS, C. C.; CÂMARA, G. Mineração de Dados em Grandes Bancos de
Dados. Instituto Nacional de Pesquisas Espaciais. [S.l.]. 2001.
SANTOS,M. Padrão: um sistema de descoberta de conhecimento em bases de dados
georreferenciadas. 2001. Tese de doutorado - Universidade do Minho, 2001.