O uso de dados de sistemas de monitoramento automático de tráfego para obter séries temporais dia-a-dia de volumes de tráfego e fluxos origem-destino em redes urbanas

Autores

  • Joana Maia Fernandes Barroso Federal University of Ceará, Ceará – Brazil
  • João Lucas Albuquerque Oliveira Federal University of Ceará, Ceará – Brazil
  • Francisco Moraes de Oliveira Neto Federal University of Ceará, Ceará – Brazil https://orcid.org/0000-0002-7756-4619

DOI:

https://doi.org/10.14295/transportes.v29i2.2385

Palavras-chave:

Volumes de tráfego dia a dia, Fluxos origem-destino dia a dia, Dinâmica do tráfego dia a dia, Análise de dados em transportes

Resumo

A compreensão do padrão de deslocamentos no meio urbano é essencial para o planejamento e operação dos sistemas de transporte. Recentemente, a crescente disponibilidade de dados massivos de tráfego a partir de sistemas de monitoramento de veículos, equipados com sistemas de reconhecimento de placas (SMV-RP), pode permitir uma compreensão da variabilidade dia a dia dos fluxos de tráfego na malha viária de grandes centros urbanos. No entanto, antes de qualquer análise é essencial realizar um tratamento dos dados. Este trabalho apresenta um método para tratamento de dados de SMV-RP. O principal produto deste tratamento de dados são as séries temporais volumes de tráfego e fluxos origem-destino (OD) para diferentes períodos de um dia típico, permitindo a análise da dinâmica dos padrões de viagem e das premissas dos modelos propostos na literatura para representar tal dinâmica. O método proposto, que pode ser aplicado para qualquer tipo de SMV-RP, foi aplicado para gerar séries temporais de tráfego do Sistema de SMV-RP da cidade de Fortaleza, contribuindo para identificar dados suspeitos e atípicos, definir padrões representativos de tráfego veicular e estimar séries de fluxos OD.

Downloads

Não há dados estatísticos.

Biografia do Autor

Francisco Moraes de Oliveira Neto, Federal University of Ceará, Ceará – Brazil

Possui Graduação em Engenharia Civil pela Universidade Federal do Ceará (2002), Mestrado em Engenharia de Transportes pela Universidade Federal do Ceará (2004), e Doutorado pela University of Tennessee-Knoxville (2010). Realizou estágio pós-doutoral no Centro de Pesquisa em Análise de Sistemas de Transportes (CTA - Center for Transportation Analysis) do Laboratório Nacional de Oak Ridge (ORNL - Oak Ridge National Laboratory), USA. Atualmente é Professor Adjunto do Departamento de Engenharia de Transportes da Universidade Federal do Ceará (UFC) e Professor Permanente do Programa de Pós-graduação em Engenharia de Transportes da UFC (PETRAN). Coordenador do Grupo de Pesquisa em Operação, Planejamento e Avaliação do Transporte Público - OPA-TP. Participa em pesquisa colaborativa com o Grupo de Pesquisa em Transportes, Trânsito e Meio Ambiente do Departamento de Engenharia de Transportes da UFC - GTTEMA/DET/UFC. Possui experiência profissional e acadêmica em Gerenciamento e Simulação de Sistemas Urbanos de Tráfego, e em Pesquisa Operacional. Tem interesse nas seguintes áreas: Análise de Sistemas de Transportes, com ênfase na Modelagem de Redes de Transportes de Passageiros, Modelagem Comportamental e Análise Espacial em Transportes.

Referências

Aggarwal, C. C. (2015) Data mining: the texbook. Springer International Publishing, Switzerland. DOI: 10.1007/978-3-319-14142-8.

Anda, C.; A. Erath and P. J. Fourie (2017) Transport modelling in the age of big data. International Journal of Urban Sciences, v. 21, p. 19–42. DOI: 10.1080/12265934.2017.1281150.

Bertini, R. L.; M. Lasky and C. M. Monsere (2005) Validating predicted rural corridor travel times from an automated license plate recognition system: Oregon’s frontier project. IEEE Conference on Intelligent Transportation Systems, Proceedings, ITSC, v. 2005, p. 706–711. DOI: 10.1109/ITSC.2005.1520134.

Cascetta, E. (2009) Transportation System Analysis: Models and applications. Ed. Springer (2ª ed.), New York, USA.

Castillo, E.; J. M. Mennéndez and P. Jimenez (2008) Trip matrix and path flow reconstruction and estimation based on plate scanning and link observations. Transportation Research Part B: Methodological, v. 42, n. 5, p. 455–481. DOI: 10.1016/j.trb.2007.09.004.

Cheng, T.; J. Haworth and J. Wang (2012) Spatio-temporal autocorrelation of road network data. Journal of Geographical Systems, v. 14, n. 4, p. 389-413. DOI: 10.1007/s10109-011-0149-5.

Cremer, M. and H. Keller (1987) A New Class of Dynamic Methods for the Identification of Origin-Destination Flows. Trans-portation Research Part B: Methodological , v. 21, n. 2, p. 117–132. DOI: 10.1016/0191-2615(87)90011-7.

Ester, M.; H. P. Kriegel; J. Sander and X. Xu (1996) A density-based algorithm for discovering clusters in large spatial data-bases with noise. Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining. AAAI Press, Port-land, Oregon, USA, p. 226–231.

Giraud, T. (2018) OSRM: Interface Between R and the OpenStreetMap-Based Routing Service OSRM. R package version 3.1.1. Available in:

<https://cran.r-project.org/web/packages/osrm/index.html> (consulted on 08/18/2021).

Hazelton, M. L. (2000) Estimation of Origin-Destination Matrices from Link Flows on Uncongested Networks. Transportation Research Part B: Methodological, v. 34, n. 7, p. 549–566. DOI: 10.1016/S0191-2615(99)00037-5.

Hazelton, M. L. (2001) Inference for Origin-Destination Matrices: Estimation, Prediction and Reconstruction. Transportation Research Part B: Methodological, v. 35, n. 7, p. 667–676. DOI: 10.1016/S0191-2615(00)00009-6.

Hazelton, M. L. (2003) Some comments on origin–destination matrix estimation. Transportation Research Part A: Policy and Practice, v. 37, p. 811–822. DOI: 10.1016/S0965-8564(03)00044-2.

Jacques, J. and C. Preda (2014) Functional data clustering: A survey. Advances in Data Analysis and Classification, v. 8, p. 231–255. DOI: 10.1007/s11634-013-0158-y.

Järv, O.; R. Ahas and F. Witlox (2014) Understanding monthly variability in human activity spaces: A twelve-month study using mobile phone call detail records. Transportation Research Part C: Emerging Technologies, v. 38, p. 122–135. DOI: 10.1016/j.trc.2013.11.003.

Li, H.; R. Guensler; J. Ogle and J. Wang (2004) Using Global Positioning System Data to Understand Day-to-Day Dynamics of Morning Commute Behavior. Transportation Research Record: Journal of the Transportation Research Board, v. 1895, p. 78–84. DOI: 10.3141/1895-11.

Lima, L. S. (2017) Espraiamento Urbano por Autossegregação e seus Impactos na Acessibilidade Urbana de Fortaleza. Dissertação de Mestrado – Programa de Pós-Graduação em Engenharia de Transportes – PETRAN, Departamento de Engenharia de Transportes, Universidade Federal do Ceará, Fortaleza, Brasil, 2017. Disponível em: <http://www.repositorio.ufc.br/handle/riufc/30015> (acesso em 18/08/2021).

Liu, G.; Z. Ma; Z. Du and C. Wen (2011) The Calculation Method of Road Travel Time Based on License Plate Recognition Technology. Communications in Computer and Information Science. p. 385–389. DOI: 10.1007/978-3-642-22418-8_54.

Loureiro, C. F. G.; H. B. Meneses; F. M. Oliveira-Neto and M. M. Castro-Neto (2009) Managing Congestion in Large Brazilian Urban Area through Logical Interface between SCOOT and GIS Platform. Transportation Research Record: Journal of the Transportation Research Board, v. 2099, p. 76–84. DOI: 10.3141/2099-09.

Milne, D. and D. Watling (2019) Big data and understanding change in the context of planning transport systems. Journal of Transport Geography, v. 76, p. 235–244. DOI: 10.1016/j.jtrangeo.2017.11.004.

Oliveira, M. V. T. e C. F. G. Loureiro (2006) Análise dos Padrões de Variação Espaço-Temporal do Volume Veicular no Ambiente Urbano de Fortaleza. Anais do XX Congresso de Pesquisa e Ensino em Transportes, ANPET, Brasília, v. 1, p. 149–161.

Oliveira-Neto, F. M.; L. D. Han and M. K. Jeong (2012) Online license plate matching procedures using license-plate recogni-tion machines and new weighted edit distance. Transportation Research Part C: Emerging Technologies, v. 21, p. 306–320. DOI: 10.1016/j.trc.2011.11.003.

Oliveira-Neto, F. M., L. D. Han and M. K. Jeong (2013) An online self-learning algorithm for license plate matching. IEEE Transactions on Intelligent Transportation Systems, v. 14, p. 1806–1816. DOI: 10.1109/TITS.2013.2270107.

Pitombeira-Neto, A. R. and C. F. G. Loureiro (2016) A Dynamic Linear Model for the Estimation of Time-Varying Origin–Destination Matrices from Link Counts. Journal of Advanced Transportation, v. 50, n. 8, p. 2116-2129. DOI: 10.1002/atr.1449.

Pitombeira-Neto, A. R.; C. F. G. Loureiro and L. E. Carvalho (2018) Bayesian Inference on Dynamic Linear Models of Day-to-Day Origin-Destination Flows in Transportation Networks. Urban Science. v. 2, n. 4, p. 117. DOI: 10.3390/urbansci2040117.

Pitombeira-Neto, A. R.; F. M. Oliveira-Neto and C. F. G. Loureiro (2017) Statistical models for the estimation of the origin-destination matrix from traffic counts. Transportes (Rio de Janeiro), v. 25, p. 1-13. DOI: 10.14295/transportes.v25i4.1344.

Pitombeira-Neto, A. R.; C. F. G. Loureiro and L. E. Carvalho (2020) A Dynamic Hierarchical Bayesian Model for the Estimation of Day-to-Day Origin-Destination Flows in Transportation Networks. Networks and Spatial Economics. v. 20, n. 2, p. 499–527. DOI: 10.1007/s11067-019-09490-5.

Rao, W.; Y.-J. Wu; J. Xia; J. Ou and R. Kluger (2018) Origin-destination pattern estimation based on trajectory reconstruction using automatic license plate recognition data. Transportation Research Part C: Emerging Technologies, v. 95, p. 29–46. DOI: 10.1016/j.trc.2018.07.002.

Roess, R. P. and W. R. McShane (2004) Traffic Engegineering. Ed. Pearson/Prentice-Hall, New Jersey, USA.

Song, J.; C. Zhao; S. Zhong; T. A. S. Nielsen and A. V. Prishchepov (2019) Mapping Spatio-Temporal Patterns and Detecting the Factors of Traffic Congestion with Multi-Source Data Fusion and Mining Techniques. Computers, Environment and Urban Systems, v. 77, p. 101364. DOI: 10.1016/j.compenvurbsys.2019.101364.

Stathopoulos, A. and M. G. Karlaftis (2001) Temporal and Spatial Variations of Real-Time Traffic Data in Urban Areas. Trans-portation Research Record: Journal of the Transportation Research Board, Washington, D.C., USA, v. 1768, n. 1, p. 135-140. DOI: 10.3141/1768-16.

Tebaldi, C. and M. West (1998) Bayesian Inference on Network Traffic Using Link Count Data. Journal of the American Statisti-cal Association. v. 93, n. 442, p. 557–573. DOI: 10.1080/01621459.1998.10473707.

Vardi, Y. (1996) Network Tomography: Estimating Source-Destination Traffic Intensities from Link Data. Journal of the Ameri-can Statistical Association, v. 91, n. 433, p. 365–377. DOI: 10.1080/01621459.1996.10476697.

Weijermars, W. A. M. (2007) Analysis of urban traffic patterns using clustering. University of Twente, Enschede / Delft. Availa-ble in: <https://research.utwente.nl/en/publications/analysis-of-urban-traffic-patterns-using-clustering> (consulted on 08/18/2021).

Downloads

Publicado

18-08-2021

Como Citar

Fernandes Barroso, J. M. ., Albuquerque Oliveira, J. L., & de Oliveira Neto, F. M. (2021). O uso de dados de sistemas de monitoramento automático de tráfego para obter séries temporais dia-a-dia de volumes de tráfego e fluxos origem-destino em redes urbanas . TRANSPORTES, 29(2), 2385. https://doi.org/10.14295/transportes.v29i2.2385

Edição

v. 29 n. 2 (2021)

Seção

Artigos

Licença

Copyright (c) 2021 João Lucas Albuquerque Oliveira, Joana Maia Fernandes Barroso, Francisco Moraes Moraes Oliveira Neto

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Ao submeter um manuscrito para publicação neste periódico, todos os seus autores concordam, antecipada e irrestritamente, com os seguintes termos:

  1. Os autores mantém os direitos autorais e concedem à Revista TRANSPORTES o direito de primeira publicação do manuscrito, sem nenhum ônus financeiro, e abrem mão de qualquer outra remuneração pela sua publicação pela ANPET.
  2. Ao ser submetido à Revista TRANSPORTES, o manuscrito fica automaticamente licenciado sob a Licença Creative Commons Attribution, que permite o compartilhamento do trabalho com reconhecimento da autoria e da publicação inicial neste periódico.
  3. Os autores têm autorização para assumir contratos adicionais separadamente, para distribuição não exclusiva da versão do trabalho publicada neste periódico (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento da publicação inicial nesta revista, desde que tal contrato não implique num endosso do conteúdo do manuscrito ou do novo veículo pela ANPET.
  4. Os autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) depois de concluído o processo editorial. Como a Revista TRANSPORTES é de acesso livre, os autores são estimulados a usar links para o site da Revista TRANSPORTES nesses casos.
  5. Os autores garantem ter obtido a devida autorização dos seus empregadores para a transferência dos direitos nos termos deste acordo, caso esses empregadores possuam algum direito autoral sobre o manuscrito. Além disso, os autores assumem toda e qualquer responsabilidade sobre possíveis infrações ao direito autoral desses empregadores, isentando a ANPET e a Revista TRANSPORTES de toda e qualquer responsabilidade neste sentido.
  6. Os autores assumem toda responsabilidade sobre o conteúdo do trabalho, incluindo as devidas e necessárias autorizações para divulgação de dados coletados e resultados obtidos, isentando a ANPET e a Revista TRANSPORTES de toda e qualquer responsabilidade neste sentido.