Please use this identifier to cite or link to this item: http://www.repositorio.ufc.br/handle/riufc/38067
Title in Portuguese: Visualização interativa de dinâmicas de tráfego através de dados de trajetórias
Title: Interactive visualization of traffic dynamics based on trajectory data
Author: Gomes, George Allan Menezes
Advisor(s): Santos, Emanuele Marques dos
Co-advisor(s): Vidal, Creto Augusto
Keywords: Visualização
Dinâmica de Tráfego
Dados de Trajetória
Issue Date: 2018
Citation: GOMES, George Allan Menezes. Visualização interativa de dinâmicas de tráfego através de dados de trajetórias. 2018. 127 f. Tese (Doutorado em Ciência da Computação) - Universidade Federal do Ceará, Fortaleza, 2018.
Abstract in Portuguese: O acelerado processo de urbanização no mundo causa sérios problemas de trânsito. A crescente disponibilidade de tecnologias de aquisição de localização GPS tem permitido a coleta contínua de grande quantidade de dados de movimento. Esses dados são uma fonte valiosa para ajudar as agências de trânsito a identificar eventos anormais que exigem atenção imediata para melhor direcionar o tráfego. Neste contexto, a análise automatizada em combinação com a visualização interativa auxiliam o entendimento do problema, a análise de suas causas e potenciais soluções, e a tomada de decisão eficaz. As abordagens tradicionais agregam o movimento, empregando o conceito de discretização em janela de tempo e explorando um conjunto de dados inteiro. No entanto, essas agregações, frequentemente, apresentam inconsistências, no tempo e no espaço, com a dinâmica real do tráfego. Nesta tese, uma nova abordagem é apresentada para descobrir padrões de mobilidade global e local em tempo real. Diferentemente de outras abordagens, o método proposto acompanha a evolução do movimento dos objetos em tempo real. De fato, na literatura, nenhuma outra abordagem captura e acompanha as evoluções das dinâmicas de tráfego de maneira incremental. Para avaliar a eficácia do método proposto, experimentos extensivos foram realizados utilizando conjuntos de dados reais e simulados. O método proposto também foi submetido à avaliação de um especialista do domínio quanto a seus benefícios e limitações. Além disso, são apresentados testes de desempenho com resultados muito encorajadores para apoiar a abordagem proposta na visualização do fluxo total de tráfego de uma grande cidade. Os resultados demonstram que a técnica proposta escalona linearmente com o tamanho do conjunto de dados e é capaz de lidar com grandes volumes de dados e com fluxos que apresentem altas taxas de amostragem.
Abstract: Urbanization is accelerating worldwide, giving rise to serious traffic problems. With the increasing availability of location acquisition technologies, massive movement data are collected continuously in a streaming manner. These data are a valuable source to help transit agencies to identify abnormal events that require immediate attention to better direct traffic. In this regard, visual analytics can help by combining automated analysis with interactive visualization for effective understanding, reasoning, and decision-making. Traditional approaches aggregate movement by employing the concept of time-window discretization and exploring an entire dataset. However, they can present inconsistencies in time and space with the real traffic dynamics. In this thesis, we present a novel approach to discover global and local mobility patterns in real time. Different from other existing approaches, our method tracks the evolution of the objects’ movement in real time. We believe that no other approach captures and keeps track of how the hot routes evolve in an incremental manner. Moreover, we conducted extensive experiments on real-world and simulated datasets to evaluate the effectiveness of our method. We also present the benefits and limitations of our visualization proposal based on domain expert feedback. Finally, we present performance tests with very encouraging results to support our approach in visualizing the total traffic flow of a big city. The results demonstrate that our method scales linearly with the size of the dataset, and is able to deal with large datasets and with streams of high-sampling rates.
URI: http://www.repositorio.ufc.br/handle/riufc/38067
Appears in Collections:DCOMP - Teses defendidas na UFC

Files in This Item:
File Description SizeFormat 
2018_tese_gamgomes.pdf24,59 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.