Técnicas para Detecção de Anomalias em Padrões de Séries Espaço-Temporais: Uma Revisão Sistemática de Literatura

Autores

  • Leandro Pedrosa Universidade de São Paulo

Palavras-chave:

Detecção de anomalias no tráfego, Detecção de padrões, Rede de ônibus, Avaliação do impacto em tráfego de veículos

Resumo

Justificativa: O uso de técnicas para detecção de anomalias e seus impactos é um dos fatores determinantes para a avaliação das condições de tráfego urbano. Objetivo: Investigar técnicas para detecção de padrões e anomalias em séries espaçotemporais. Método: Uma revisão sistemática foi realizada, a partir dos achados em uma base de dados científica (Scopus). Utilizou-se uma string de busca e, em seguida, a leitura e aplicação dos critérios de inclusão e exclusão para seleção dos estudos primários. Resultados: Trinta e dois artigos foram recuperados, sendo que destes, somente doze foram incluídos nesta revisão (38%). Esses diferentes estudos possuem alguns aspectos em comum. O principal é a necessidade de seleção inicial / preparação dos dados a serem coletados e analisados. Esta é uma etapa primordial para determinação dos padrões e anomalias no tráfego de veículos. Diferentes técnicas para identificação de anomalias foram analisadas, sendo as mais predominantes o cálculo da distância euclidiana e o uso de uma arquitetura orientada a serviços e a eventos. Essas técnicas demonstraram ser eficientes no fornecimento de fluxos de tráfego que causam anomalias. Conclusão: O uso dessas técnicas é essencial para a coleta de informações necessárias para o processo de tomada de decisão, em busca da melhoria da qualidade e mobilidade urbana.

Referências

ARIZONA. One definition of AVL exists in, "Glossary," Arizona Phase II Final Report: Statewide Radio Interoperability Needs Assessment, Macro Corporation and The State of Arizona, 2004, p. 165.
BAZZANI, A. et al. Towards congestion detection in transportation networks using GPS data. In: IEEE Third Int'l Conference on Privacy, Security, Risk and Trust and 2011 IEEE Third Int'l Conference on Social Computing, p. 1455-1459, 2011.
CARRIGAN, A. et al. Social, environmental and economic impacts of BRT systems. Bus Rapid Transit Case Studies from Around the World, p. 151, 2013.
D’ANDREA, E.; MARCELLONI, F. Detection of traffic congestion and incidents from GPS trace analysis. Expert Systems with Applications, v. 73, p. 43-56, 2017.
D’ANDREA, E.; MARCELLONI, F. Incident Detection by Spatiotemporal Analysis of GPS Data. In: 2016 IEEE International Conference on Smart Computing, St. Louis, MO, p. 1-5, 2016.
DJAHEL, S.; DOOLAN, R.; MUNTEAN, G.; MURPHY, J. A communications-oriented perspective on traffic management systems for smart cities: Challenges and innovative approaches. Communications Surveys Tutorials, IEEE, v. 99, p. 125-151, 2014.
DUAN, Y.; LU, F.; OUYANG, F.; CHEN, C. Enhancing travel time forecasting with traffic condition detection. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, v. 38, p. 355-360, 2010.
GOKASAR, I.; CETINEL, Y. Evaluation of bus dwelling patterns using bus GPS data. In: 5th IEEE International Conference on Models and Technologies for Intelligent Transportation Systems, p. 867-871, 2017.
GOOGLE. Google Developers, 2017. O que é GTFS? Disponível em https://developers.google.com/transit/gtfs/?hl=pt-br. Acesso em: 02 abr. 2018.
GRAPH HOPPER. The GraphHopper Directions API Route Planning For Your Application, 2018. Disponível em: <www.graphhopper.com>. Acesso em: 02 abr. 2018.
LINDAU, L.A. et al. BRT and bus priority corridors: Scenario in the American continent. In: Transportation Research Board 93rd Annual Meeting, 2014.
LLANES, K. R.; CASANOVA, M. A.; LOPES, H.; MACEDO, J. A. F. An Approach to Evaluate the Impact on Travel Time of Bus Network Changes. In: 19th International Conference on Enterprise Information Systems, p. 23-32, 2017.
CRESSIE, N.; WIKLE, C. K. Statistics for Spatio-Temporal Data. John Wiley & Sons, ISBN-10: 0471692743, 2015.
NECULA, E. Analyzing traffic patterns on street segments based on GPS data using R. Transportation Research Procedia, v. 10, 2015.
SHEN, Y. et al. A Method of Traffic Travel Status Segmentation Based on Position Trajectories. In IEEE Conference on Intelligent Transportation Systems, Las Palmas, Spain, p. 2877-2882, 2015.
SHI, A.; WEIMING, K. Prediction of Urban Traffic Abnormity Based on Causal Network. In: 6th International Conference on Intelligent Systems Design and Engineering Applications, Guiyang, China, p. 574-577, 2015.
TANG, J. et al. Statistical properties of urban mobility from location-based travel networks. Physica A: Statistical Mechanics and its Applications, v. 461, p. 694-707, 2016.
WEIMING, K.; SHI, A.; HUIFU, J. Detecting Traffic Anomalies in Urban Areas Using Taxi GPS Data. Mathematical Problems in Engineering, ID 809582, p. 13, 2015.
YAI, A. K. 2015. Análise e visualização de dados do transporte público de ônibus da cidade de São Paulo. Monografia, Instituto de Matemática e Estatística da Universidade de São Paulo. Disponível em <https://linux.ime.usp.br/~andreky/AndreYai_monografia_revisada.pdf>. Acesso em: 02 abr. 2018.
YU, B.; SONG, X.; GUAN, F.; YANG, Z.; YAO, B. K-nearest neighbor model for multiple-time-step prediction of short-term traffic condition. Journal of Transportation Engineering, v. 142, n. 6, 2016.
ZENG, L. et al. Abnormal hotspots detection method based on region real-Time congestion factor. In: 2016 IEEE 19th International Conference on Intelligent Transportation Systems, Rio de Janeiro, p. 749-753, 2016.
ZHOU, Z. et al. A method for real-time trajectory monitoring to improve taxi service using GPS big data. Information and Management, v. 53, n. 8, p. 964-977, 2016.

Downloads

Publicado

2019-02-26

Edição

Seção

Artigos