Author:
Oliveira Edgar,Celes Clayson,Oliveira Carina,Braga Reinaldo
Abstract
Este artigo apresenta um framework para a criação de conjuntos de dados de referência (ground-truth) destinados à detecção automatizada de pontos de parada. O framework utiliza dados do OpenStreetMap e o SUMO (Simulation of Urban MObility) como fontes de informação essenciais. Além disso, são implementados e comparados métodos amplamente discutidos na literatura para a detecção de pontos de parada, utilizando conjuntos de dados gerados por meio desse framework. Os resultados da análise confirmam a confiabilidade dos métodos estudados. O estudo também introduz novos algoritmos à análise, que demonstram ser promissores na detecção de pontos de parada, além de identificar áreas para melhorias futuras. Destacam-se a necessidade de explorar análises adicionais que considerem métodos alternativos de aquisição de dados e avaliem seus impactos na detecção de pontos de parada.
Publisher
Sociedade Brasileira de Computação - SBC
Reference21 articles.
1. Aslak, U. and Alessandretti, L. (2020). Infostop: scalable stop-location detection in multi-user mobility data. arXiv preprint arXiv:2003.14370.
2. Bráz, M. C. (2020). Implementação de algoritmos para análise de similaridade de trajetória na biblioteca pymove. Monografia. Universidade Federal do Ceará.
3. Custers, B., Kerkhof, M. V. D., Meulemans, W., Speckmann, B., and Staals, F. (2021). Maximum physically consistent trajectories. ACM Transactions on Spatial Algorithms and Systems, 7(4):1–33.
4. Deng, D., Leung, C. K., Zhao, C., Wen, Y., and Zheng, H. (2021). Spatial-temporal data science of covid-19 data. In 2021 IEEE 15th International Conference on Big Data Science and Engineering (BigDataSE), pages 7–14. IEEE.
5. Duarte, M. M. and Sakr, M. (2023). Outlier detection and cleaning in trajectories: A benchmark of existing tools. In EDBT/ICDT Workshops.