FenixEdu™

Dissertação

Contextual Outlier Detection in Traffic Data EVALUATED

Detalhes: Apesar dos esforços realizados pelas principais cidades europeias para optimizar o transporte público, análise de dados de tráfego muitas vezes desconsidera o contexto situacional essencial. Este trabalho propõe uma metodologia para integrar o contexto situacional (incluindo eventos públicos, intervenções planeadas e notificações de cidadãos) na análise de dados de transporte público. As principais contribuições são: consolidação online e rotulação de fontes heterogéneas de contexto; previsão; modelação estatística baseada em datas do comportamento esperado do tráfego; e a exibição integrativa de tráfego e o seu contexto situacional, acompanhados de recursos de navegação e zoom espaço-temporais. Os resultados preliminares recolhidos do sistema de rede de metropolitano de Lisboa mostram a relevância destes contributos para apoiar decisões sensíveis ao contexto. Esta tese faz uma revisão completa da detecção de anomalias de séries temporais sensíveis ao contexto, uma implementação dos algoritmos e técnicas utilizadas e a validação dos métodos e algoritmos acima mencionados. Diferentes abordagens foram exploradas para atingir este princípio (modelação e previsão do comportamento do tráfego) incluindo redes neuronais e abordagens clássicas baseadas modelos de auto-regressão e exponential smoothing.
Keywords: Detecção de Anomalias Contextuais, Séries Temporais Multivariadas, Previsão, Dados de tráfego da Rede de Metro.

Discussão: novembro 18, 2019, 18:0