FenixEdu™

Dissertação

{en_GB=Discovery of Patterns in Urban Traffic} {} EVALUATED

Detalhes: {pt=O acesso a padrões de tráfego rodoviário nas áreas urbanas é fundamental para alcançar uma mobilidade sustentável. No entanto, a complexidade inerente dos dados de tráfego urbano apresenta inúmeros desafios para a sua descoberta, incluindo: (i) a natureza espacial e temporal dos dados de velocidade geolocalizada e das espiras; (ii) a necessidade de integrar vistas heterogéneas do tráfego rodoviário (como limites de velocidade, tamanho de congestionamentos, atrasos, fluxo); (iii) a necessidade de extrair padrões de congestionamento com vários graus de severidade; (iv) a variabilidade inerente do tráfego e a ocorrência inesperada de eventos; (v) a necessidade de garantir a significância estatística, praticabilidade e interpretabilidade dos padrões; (vi) a dificuldade em detectar padrões emergentes, com mudanças ainda não marcadas o suficiente em estados iniciais; (vii) e o tamanho massivo dos dados. Este trabalho propõe dois métodos para a descoberta de padrões de tráfego rodoviário de fontes heterogéneas de dados espaço-temporais, cada um enfrentando os desafios apresentados anteriormente de maneira diferente. O primeiro método explora a relevância do uso de biclustering para extrair padrões de tráfego de mobilidade rodoviária. O segundo método propõe o E2PAT, um método escalável para detetar padrões emergentes de fontes heterogéneas de dados espaço-temporais gerados por grandes redes de sensores. Estas contribuições são avaliadas de forma exaustiva no contexto do sistema de monitorização de tráfego rodoviário de Lisboa, que inclui uma grande rede de sensores móveis e fixos que produzem dados de velocidade geolocalizada e dados de espiras. , en=The comprehensive access to road traffic patterns in the continuously growing urban areas is key to achieve sustainable mobility. However, the inherent complexity of urban traffic data poses many challenges to achieve this goal, including: (i) the spatiotemporal intricacies of geolocated speed and loop count data; (ii) the need to integrate heterogeneous views of road traffic (such as speed limits, congestion size, delay, throughput); (iii) the need to mine jam patterns with varying degrees of severity; (iv) the inherent traffic variability and unexpected occurrence of events; (v) the need to guarantee the statistical significance, actionability and interpretability of the target patterns; (vi) the difficulty of detecting emerging patterns not yet markedly noticeable at early stages; (vii) and massive data size. This work proposes two methods for mining road traffic patterns from heterogeneous sources of spatiotemporal data, each one tackling the challenges presented previously in different ways. The first method explores the relevance of using biclustering for mining traffic patterns of road mobility. The second method proposes E2PAT, a scalable method to detect emerging patterns from heterogeneous sources of spatiotemporal data generated by large sensor networks. These contributions are comprehensively assessed in the context of the Lisbon's road traffic monitoring system, which features a large-scale network of mobile and fixed sensors that produce geolocalized speed data and loop counter data. }
Keywords: {pt=mobilidade sustentável, descoberta de padrões espaço-temporais, redes de sensores heterogéneos, padrões emergentes, biclustering, dados de tráfego rodoviário, en=sustainable mobility, spatiotemporal pattern mining, heterogeneous sensor networks, emerging patterns, biclustering, road traffic data}

Discussão: novembro 19, 2020, 18:0