Detecc{c}~ao de comunidades em redes complexas para identificar gargalos e desperdicio de recursos em sistemas de ^onibus

📝 Abstract

We propose here a methodology to help to understand the shortcomings of public transportation in a city via the mining of complex networks representing the supply and demand of public transport. We show how to build these networks based upon data on smart card use in buses via the application of algorithms that estimate an OD and reconstruct the complete itinerary of the passengers. The overlapping of the two networks sheds light in potential overload and waste in the offer of resources that can be mitigated with strategies for balancing supply and demand.

💡 Analysis

We propose here a methodology to help to understand the shortcomings of public transportation in a city via the mining of complex networks representing the supply and demand of public transport. We show how to build these networks based upon data on smart card use in buses via the application of algorithms that estimate an OD and reconstruct the complete itinerary of the passengers. The overlapping of the two networks sheds light in potential overload and waste in the offer of resources that can be mitigated with strategies for balancing supply and demand.

📄 Content

Detecção de comunidades em redes complexas para identificar gargalos e desperdício de recursos em sistemas de ônibus Carlos Caminha, Vasco Furtado, Vládia Pinheiro, Caio Ponte Laboratório de Engenharia do Conhecimento – Universidade de Fortaleza (UNIFOR) – Caixa Postal 60811-905 – Edson Queiroz, Fortaleza – CE – Brazil Abstract. We propose here a methodology to help to understand the shortcomings of public transportation in a city via the mining of complex networks representing the supply and demand of public transport. A process of characterization of the supply and demand networks of the bus system of a large Brazilian metropolis was conducted and it also shed light on the potential overload of demand and waste in the supply of resources that can be mitigated through strategies of supply and demand balance. Resumo. Aqui se propõe uma metodologia para ajudar a compreender as deficiências do transporte público através da mineração de redes complexas que representam a oferta e a demanda de transportes públicos. Foi conduzido um processo de caracterização de redes de oferta e demanda do sistema de ônibus de uma grande metrópole brasileira e o mesmo lançou uma luz sobre potencial sobrecarga da demanda e desperdício na oferta de recursos que podem ser mitigados com estratégias de equilíbrio entre oferta e demanda.

1. Introdução A era da informação digital trouxe a necessidade de, a partir de dados diversos e volumosos, criar meios para gerar conhecimento e aplicá-lo com eficácia. Uma das áreas que melhor exemplificam esse contexto é a mobilidade urbana. Sensores e meios digitais registram informações diárias sobre trilhas de pessoas, tornando-se uma entrada rica para a realização de estudos para a compreensão da mobilidade humana e seu impacto no transporte público.

Um exemplo de sistema largamente sensoriado é o sistema de ônibus de uma grande metrópole. Com sensores como GPS (Global Positioning System), que registram por onde os veículos trafegam, e sistema de bilhetagem, que registram o pagamento e tarifas por parte dos passageiros, são gerados diariamente imensos bancos de dados e um grande desafio é extrair informações que tenham potencial de identificar falhas que deixam usuários do sistema insatisfeitos, como por exemplo a superlotação de veículos.

Ao longo dos anos inúmeros trabalhos trataram de analisar oferta e demanda de sistemas de ônibus [Chang and Schonfeld 1991], [Oppenheim 1995], [Domencich and McFadden 1975] e dois aspectos se mostraram particularmente desafiadores ao avaliar ocupação extrema (veículos lotados ou vazios). Primeiro, a ausência de sensores que permitam que a demanda seja mensurada por completo. Em muitos sistemas de bilhetagem só é registrado o momento em que o usuário sobe nos veículos, sendo necessário fazer uso de heurísticas para estimar onde o usuário desceu [Gordillo 2006],

[Hua-ling 2007]. Essa limitação dificulta a avaliação da lotação dos veículos, obrigando analistas a comparar a oferta, que é completamente conhecida, com a demanda que muitas vezes é analisada com amostras pouco significativas. O segundo desafio ao avaliar ocupação extrema em redes de transporte coletivo é que a complexidade das conexões desses sistemas dificulta a percepção de gargalos. Nesse tipo de sistema é comum avaliar conexões fracas de oferta como possíveis pontos de gargalo, no entanto somente uma avaliação topológica dos subcomponentes que cercam essas arestas pode confirmar a existência do problema [GAO et al 2005].

Diante dessa problemática, uma estratégia que se mostra adequada para compreensão desse tipo de fenômeno é a utilização de redes complexas. O potencial desse tipo de instrumento para tratar problemas que exigem a necessidade de abstração de aspectos como o desconhecimento de parte dos dados, aliado a riqueza de métricas e algoritmos já existentes no estado da arte, justificam sua aplicação para resolver uma série de problemas. Observa-se recentemente uma quantidade significativa de trabalhos que modelam redes para compreensão de sistemas complexos no contexto de transporte aéreo [Wang et al. 2011], ferroviário [Lenormand et al. 2014], urbano [Munizaga and Palma 2012] e bicicletas [Hamon et al. 2013]. Em geral, estes estudos visam caracterizar redes utilizando métricas como a distribuição de peso, comprimento médio do caminho e coeficiente de agrupamento. O trabalho de [Sienkiewicz and Hołyst 2005], por exemplo, comparou o sistema de transporte público em 22 cidades da Polônia. Entre outras características, os autores mostraram que a distribuição de graus e pesos segue uma lei de potência hierarquicamente organizada.

O trabalho apresentado em [Elmasry and McCann 2003] é particularmente relevante neste contexto e é complementar ao nosso. O artigo apresenta um algoritmo para detectar gargalos em uma rede congestionada de grande escala comutada por pacotes. A abordagem baseia-se na estimativa do valor esperado

This content is AI-processed based on ArXiv data.