• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Dissertação de Mestrado
DOI
https://doi.org/10.11606/D.18.2021.tde-22082022-091919
Documento
Autor
Nome completo
Helena Stein Stefani
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Carlos, 2021
Orientador
Banca examinadora
Cunha, André Luiz Barbosa Nunes da (Presidente)
Castro Neto, Manoel Mendonça de
Júnior, José Elievam Bessa
Título em português
Método de previsão de fluxo de tráfego em rodovias urbanas a partir de dados de velocidade de fontes online
Palavras-chave em português
Fontes de dados online
Inferência bayesiana
Previsão de fluxo veicular
Resumo em português
A previsão de fluxo veicular é uma ferramenta útil para avaliar as condições de tráfego em uma rodovia e pode ser utilizada para promover maior eficiência no planejamento de sistemas de transportes. A geração contínua de dados de tráfego por sistemas tradicionais de monitoramento no decorrer de longos períodos resultou em grandes volumes de dados históricos, o que fomentou o desenvolvimento de modelos de previsão de fluxo de tráfego. Atualmente, esses modelos buscam atingir altos níveis de precisão, e apesar de a acurácia ser um indicador difundido para aferir a qualidade das previsões, ela não considera a variabilidade desses valores. Nesse contexto, uma ferramenta que permite obter não apenas valores pontuais, mas também intervalos de credibilidade, é a estatística bayesiana. Em paralelo a isso, empresas especializadas em serviços de Internet passaram a fornecer informações de tráfego online em tempo real com base no deslocamento de seus usuários. Um desses serviços é a Google Distance Matrix API, que fornece tempos de viagem em tempo real. Essas fontes de dados têm o potencial de complementar as análises de tráfego, principalmente quando os sistemas tradicionais de coleta falham ou são inexistentes. Nesse sentido, o objetivo deste trabalho foi propor um método de previsão de fluxo de tráfego que fornecesse distribuições de probabilidade a partir de dados de velocidade obtidos de fontes online. Desse modo, o trabalho foi dividido em duas etapas. Primeiramente, estruturou-se um método obtenção de velocidades no espaço a partir de tempos de viagem online. A etapa seguinte consistiu em utilizar essas velocidades para condicionar a agregação de fluxos veiculares históricos representativos das condições segundo as quais foram gerados. Esses subconjuntos de fluxos foram inseridos em um modelo hierárquico bayesiano, a partir do qual foram geradas mais de 27000 previsões de fluxo veicular na forma de distribuições de probabilidade, considerando diferentes condições de ocorrência e horizontes de previsão para dez seções de rodovias. O modelo proposto se mostrou robusto o suficiente para gerar previsões que incorporassem a variabilidade e incerteza sem a necessidade de grandes quantidades de dados, e seu grande trunfo foi possibilitar, por meio da incorporação da informação a priori do método bayesiano, que as previsões pudessem ser realizadas apesar da restrição da quantidade de informações disponíveis. Adicionalmente, uma das consequências diretas desse trabalho foi a validação das fontes de dados online, que podem ser utilizadas de forma complementar em casos de falhas nos sistemas tradicionais de coletar, ou como fonte de dados principal em regiões onde não há infraestrutura de monitoramento disponível. Por fim, o modelo pode ser adotado tanto individualmente quanto como recurso adicional a outros métodos de previsão, a fim de garantir que valores previstos por outros métodos se encontrem num intervalo de valores provável.
Título em inglês
Urban roadway traffic flow prediction from crowdsourced speed data
Palavras-chave em inglês
Bayesian Inference
Crowdsourced Data
Traffic flow prediction
Resumo em inglês
Traffic flow prediction is a useful tool for assessing traffic conditions on a roadway and can be used to promote greater efficiency in the planning of transportation systems. The continuous generation of traffic data by traditional monitoring systems over long periods has resulted in large volumes of historical data, which has fostered the development of traffic flow prediction models. Currently, these models seek to achieve high levels of accuracy, and although it is a widespread indicator to gauge the quality of forecasts, it does not consider the variability of these values. In this context, a tool that allows obtaining not only point predictions but also credibility intervals is Bayesian statistics. In parallel to this, companies specialized in Internet services started to provide real-time traffic information based on the displacement of their users. One such service is the Google Distance Matrix API, which provides travel times in real-time. These data sources have the potential to complement traffic analyses, especially when traditional collection systems fail or are non-existent. In this sense, the goal of this work was to propose a traffic flow prediction method that would provide probability distributions from speed data obtained from online sources. Thus, the work was divided into two stages. First, we structured a method to obtain space speeds from online travel times. The next step consisted of using these speeds to condition the aggregation of historical vehicle flows representative of the conditions under which they were generated. These subsets of flows were fed into a hierarchical Bayesian model, from which more than 27000 vehicle flow predictions were generated in the form of probability distributions, considering different occurrence conditions and prediction horizons for ten highway sections. The proposed model proved to be robust enough to generate forecasts that incorporated variability and uncertainty without the need for large amounts of data, and its greatest asset was to enable, through the incorporation of the priori information of the Bayesian method, that forecasts could be made despite the restricted amount of information available. Additionally, one of the direct consequences of this work was validation of the online data sources, which can be used in a complementary way in cases of failures in traditional collecting systems, or as the main data source in regions where no monitoring infrastructure is available. Finally, the model can be adopted both individually and as an additional resource to other forecasting methods, to ensure that values predicted by other methods are in a likely range of values.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2022-08-26
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2024. Todos os direitos reservados.