Use este identificador para citar ou linkar para este item:
http://repositorio.ufc.br/handle/riufc/38808| Tipo: | Tese |
| Título: | PIPE: Um preditor de tempos de viagem usando fluxo contínuo de trajetórias |
| Título em inglês: | PIPE: A predictor of travel times using continuous trajectory flow |
| Autor(es): | Nascimento, Samara Martins |
| Orientador: | Macêdo, José Antônio Fernandes de |
| Coorientador: | Machado, Javam de Castro |
| Palavras-chave: | Preditor;Trajetórias;Fluxos contínuos de trajetórias |
| Data do documento: | 2018 |
| Citação: | NASCIMENTO, Samara Martins. PIPE: Um preditor de tempos de viagem usando fluxo contínuo de trajetórias. 2018. 107 f. Tese (Doutorado em Ciência da Computação) - Universidade Federal do Ceará, Fortaleza, 2018. |
| Resumo: | Os padrões de movimento ou anomalias no tráfego podem ser compreendidos a partir de análises relacionadas aos objetos móveis. Essas análises podem ser realizadas tanto no contexto histórico, quanto em tempo real, permitindo fazer observações acerca do tráfego, capturando suas mudanças ou detectando, de forma dinâmica, eventos ou incidentes à medida que acontecem. Dentro desse contexto, os dados de trajetória são de importância fundamental na caracterização do comportamento de objetos móveis. No entanto, computar modelos que consigam predizer o tempo de viagem dos objetos, quase em tempo real, é considerado um grande desafio. O principal impedimento está relacionado com a necessidade de apresentar as mudanças relacionadas ao tráfego, quando são recebidos novos fluxos contínuos de trajetórias. Além disso, apesar de sua enorme aplicabilidade, a utilização dos dados de trajetória não se exclui de problemas, o que justifica sua exploração extensiva pela literatura atual, apresentando estudos a respeito do processamento de grandes volumes de dados, tratamento de erros e imprecisões e a construção de modelos preditivos, que consigam, por exemplo, estimar o tempo total para alcançar um destino a partir de uma determinada origem. Este trabalho busca enfrentar o desafio de construir um novo modelo de predição, que consiga computar resultados acerca do tempo de viagem dos objetos móveis, quando reportados fluxos contínuos de trajetórias. Dentro desse contexto, este trabalho de pesquisa propõe o modelo de predição chamado PIPE: Um Preditor de Tempos de Viagem usando Fluxo Contínuo de Trajetórias, que pode ser utilizado para estimar o tempo de viagem de um objeto móvel para percorrer um segmento de rua específico, dada uma hora do dia. Assim, esta tese busca responder, de forma geral, duas grandes questões de pesquisa: (i) É possível criar um modelo de predição, para estimar o tempo de viagem dos objetos, considerando um conjunto de trajetórias?; e, ainda, (ii) Como construir um modelo que realize manutenções incrementais, dado o recebimento de fluxos contínuos de trajetórias, e gere, como resultado, funções de predição em tempo real?. O modelo PIPE é responsável por gerar uma função de predição e atualizá-la, dado o recebimento dinâmico dos dados. A avaliação experimental deste trabalho é conduzida para dois conjuntos de dados reais. Os resultados experimentais, que validaram o modelo proposto, mostram análises relacionadas ao tempo de processamento para construir e atualizar a função diferenciável e, também, discorrem acerca dos resultados relacionados à acurácia da solução. |
| Abstract: | Traffic patterns or traffic anomalies can be understood from analyzes related to moving objects. These analyzes can be performed both in historical context, as in real time, allowing you to see about traffic, capturing or detecting its changes, dynamically, events or incidents as they happen. Within this context, trajectory data are of fundamental importance in the characterization of the behavior of moving objects. However, computing models that can predict the travel time of objects, almost in real time, is considered a large challenge. The main impediment is related to the need to present traffic-related changes when new continuous flows of trajectories are received. In addition, despite its great applicability, the use of trajectory data is not excluded from problems, which justifies its extensive exploration in the current literature, presenting studies on the processing of large volumes of data, handling of errors and inaccuracies and the construction of predictive models that can, for example, estimate the total time to reach a destination from a given origin. This work tries to face the challenge of constructing a new model of prediction, which is able to compute results about the travel time of moving objects, when they are reported continuous flows of trajectories. Within this context, this research proposes the prediction model called PIPE: A Predictor of Travel Times using Continuous Trajectory Flow, which can be used to estimate the travel time of a moving object to travel through a specific street segment given one hour of the day. Thus, this thesis seeks to answer, in general, two most important research questions: (i) Is it possible to create a prediction model, to estimate the travel time of the objects, considering a set of trajectories?; and also, (ii) How to construct a model that performs incremental maintenance, given the receipt of continuous flows of trajectories, and generate, as a result, prediction functions in real time?. The PIPE model is responsible for generating a prediction function and updating it, given the dynamic reception of the data. The experimental evaluation of this work is conducted for two sets of data real. The experimental results, which validated the proposed solution, show analyzes related to the processing time to construct and update the derivable function, and also discuss the results related to the accuracy of the solution. |
| URI: | http://www.repositorio.ufc.br/handle/riufc/38808 |
| Aparece nas coleções: | DCOMP - Teses defendidas na UFC |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| 2018_tese_smnascimento.pdf | 1,95 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.