| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 14.15 MB | Adobe PDF |
Authors
Abstract(s)
O parque automóvel circulante em Portugal tem tido um crescimento constante, quer em número de veículos, quer na idade média dos veículos. Os congestionamentos de trânsito, com particular incidência nos centros urbanos, como a cidade de Lisboa, têm impactos negativos a diferentes escalas, quer no dia-a-dia, quer a longo prazo nos cidadãos. Provocando problemas de saúde, problemas económicos e sociais, assim como ambientais. É possível obter dados de tráfego, com baixa latência, com recurso a diferentes formas de sensorização. A partir destes e recorrendo a algoritmos de aprendizagem automática é possível estudar, compreender e prever fluxos de tráfego em zonas de interesse nos centros urbanos. Este trabalho propõem o uso de modelos preditivos para encontrar os indicadores de tráfego, e numa interface gráfica visualizá-los em contexto espácio-temporal, para diferentes momentos e pontos de interesse na cidade de Lisboa. Os resultados obtidos mostraram que através da utilização do algoritmo XGBoost, usando técnicas adequadas na geração e tratamento de características, é possível prever o tempo de atraso causado por um congestionamento com um erro a variar, aproximadamente, os 3 e os 5 minutos. Foi possível observar que a fusão de dados de tráfego e de meteorologia teve um impacto positivo na qualidade do modelo. Estes modelos podem ser integrados com a Plataforma de Gestão Integrada de Lisboa (PGIL) assim como dar origem a um dashboard interativo onde se observam os indicadores de tráfego, reais e previstos, num mapa da cidade, contribuindo assim para as tomadas de decisão relativas à mobilidade. São, assim, uma ferramenta que permite antecipar futuros congestionamentos, melhorar o planeamento e gestão urbana para que seja possível reduzir os congestionamentos e mitigar os seus consequentes impactos.
In Portugal, the number of automobiles on the road and their average lifespan have been rising constantly. In urban centers, like Lisbon, traffic jams have a negative impact on citizens in different ways, whether on a day-to-day basis or over the long-term. They result in problems for health, economics, environmental, and social. A variety of sensorization methods can be used in order to get low-latency traffic data. Then, using automated machine learning algorithms, one can study, understand, and predict traffic flow in areas of common interest in urban centers. This project proposes the use of predictive models to create traffic indicators and visualize them on a graphic interface in a spatio-temporal context, in different points in Lisbon. It’s possible to predict the delay time caused by a jam with a variant error of 3 to 5 minutes through the algorithm XGBoost, using the appropriate procedures in generating and processing characteristics. It was evident that the merging of the traffic data and meteorological data had a positive impact on the models. Models like these can be integrated with Plataforma de Gestão Integrada de Lisboa (PGIL), as they can produce an interactive dashboard where the real and predicted traffic indicators can be observed on a map of the city, which helps with making mobility decisions. Such dashboards are tools that potenciate the usage of the available data that, mixed with machine learning, provides quality insights of the city, helping the decision makers to mitigate the jams impact.
In Portugal, the number of automobiles on the road and their average lifespan have been rising constantly. In urban centers, like Lisbon, traffic jams have a negative impact on citizens in different ways, whether on a day-to-day basis or over the long-term. They result in problems for health, economics, environmental, and social. A variety of sensorization methods can be used in order to get low-latency traffic data. Then, using automated machine learning algorithms, one can study, understand, and predict traffic flow in areas of common interest in urban centers. This project proposes the use of predictive models to create traffic indicators and visualize them on a graphic interface in a spatio-temporal context, in different points in Lisbon. It’s possible to predict the delay time caused by a jam with a variant error of 3 to 5 minutes through the algorithm XGBoost, using the appropriate procedures in generating and processing characteristics. It was evident that the merging of the traffic data and meteorological data had a positive impact on the models. Models like these can be integrated with Plataforma de Gestão Integrada de Lisboa (PGIL), as they can produce an interactive dashboard where the real and predicted traffic indicators can be observed on a map of the city, which helps with making mobility decisions. Such dashboards are tools that potenciate the usage of the available data that, mixed with machine learning, provides quality insights of the city, helping the decision makers to mitigate the jams impact.
Description
Dissertação para obtenção do Grau de Mestre em Engenharia Informática e de Computadores
Keywords
Sistemas inteligentes de monitorização Indicadores de fluidez de tráfego Visualização interativa Análise preditiva Dados espácio-temporais Intelligent monitorization systems Traffic flow indicators Interactive visualization Predictive analytics Spatiotemporal data
Citation
VAZ, João Pedro Tavares - Indicador de tráfego: descoberta de padrões na cidade de Lisboa. Lisboa: Instituto Superior de Engenharia de Lisboa, 2022.Dissertação de Mestrado.