Resultados Alcançados

Esta tese investigou o problema de descobrir e monitorar padrões de mobilidade local e global em tempo real através de visualização interativa a partir de dados de trajetórias. Como visto anteriormente, agregar movimento empregando discretização do tempo em janelas pode apresentar inconsistências no tempo e no espaço com o fluxo de tráfego real. Embora essa agregação possibilite extrair conhecimento potencialmente útil, nesses casos, não é possível visualizar as dinâmicas de tráfego em tempo real, pois o resultado é exibido apenas no final de uma janela de tempo. Nesse sentido, a abordagem proposta representa o movimento de objetos sem usar as janelas de tempo empregando algoritmos otimizados que usam GPU para a análise de toda a dinâmica do movimento, o que é vital para os sistemas de monitoramento de tráfego. As principais contribuição desta tese são:

• Uma arquitetura para monitorar em tempo real objetos ativos em movimento através de dados coletados por dispositivos GPS. Nela, apenas as posições dos objetos ativos (TOM) e um buffer são temporariamente armazenados para serem visualizados, ou seja, os dados históricos não são mantidos. Portanto, diferentemente das abordagens encontradas na literatura, o modelo proposto é compacto e adequado para uma aplicação de monitoramento de dinâmicas de tráfego;

• Uma solução incremental baseada em grade que usa uma estrutura de dados indexada para rastrear os objetos ativos e suas posições atuais. Essa solução pode monitorar cenários dinâmicos com mais eficiência e requer um pequeno número de parâmetros: um período de análise e um limiar de densidade. Ambos os parâmetros podem ser ajustados em tempo real e as alterações são visualizadas instantaneamente. Diferentemente de outras abordagens, não é necessário que os dados sejam mapeados com map-matching ou submetidos a uma análise estatística prévia para a definição dos parâmetros;

de trajetória. A partir de dados brutos, ela pode ser utilizada para remover inconsistências nos dados, pré-processar atributos espaço-temporais, sincronizar as posições dos objetos ativos para a mesma unidade de tempo discreta, renderizar elementos gráficos para a visualização, e realçar os atributos das imagens geradas para facilitar a análise visual; • Uma solução para visualização de padrões de mobilidade global através do monitora-

mento das vias com tráfego pesado (rotas quentes). Uma validação experimental com dados reais e sintéticos demonstrou a eficácia dessa solução. Além disso, um estudo equiparou a eficácia da abordagem proposta com uma solução tradicional da literatura; • Uma proposta para analisar padrões de mobilidade local através da visualização de

ondas de tráfego. A eficácia dessa proposta foi avaliada por um especialista na percep- ção de anomalias em cenários simulados, identificando os benefícios e as limitações da visualização proposta;

• Algoritmos otimizados de renderização e filtragem que são executados em paralelo em GPU para manter taxas interativas de exibição de quadros, mesmo com grandes conjuntos de dados. Esses algoritmos exploram a capacidade das GPUs em processar paralelamente texturas (buffers) em altíssima velocidade. Os resultados demonstram que a abordagem proposta é escalonada linearmente com o tamanho do conjunto de dados. Assim, ela pode ser utilizada para visualizar o fluxo total de tráfego de uma grande cidade inteira, dependendo da plataforma de hardware utilizada.

Apesar dos bons resultados obtidos, a abordagem proposta neste trabalho apresenta algumas limitações discutidas a seguir:

• Dependência de um fluxo de alta densidade. Para visualização de rotas quentes, quando maior a quantidade de veículos circulando, menor será a contribuição de cada um e, assim, os erros GPS serão minimizados. Além disso, um fluxo de baixa densidade não gera rotas quentes significativas, pois, dependendo do limiar, ou quase todas as rotas serão quentes ou quase nenhuma será. Para a visualização de ondas de tráfego, é necessário uma representação significativa do fluxo do tráfego total. Caso contrário, com uma pequena amostra do fluxo, não é possível perceber as ondas de tráfego. Essa limitação afeta a eficácia da abordagem;

• Dependência de uma alta taxa de amostragem. As representações visuais de trajetórias terão melhor qualidade com altas taxas de amostragem. De fato, essa dependência existe para a maioria das abordagens de visualização de trajetórias que não usam map-matching.

As taxas de amostragem com frequência de coleta de posições entre um e cinco segundos são as ideais para este trabalho. No entanto, como dados históricos não são armazenados pelo método proposto, a taxa de amostragem não afeta o desempenho. Essa limitação afeta a qualidade visual dos resultados;

• Dependência da escala de representação do mapa, que é definida pelo nível de zoom. Como a abordagem utiliza uma solução baseada em grade, a qual agrega os dados em célu- las, utilizar um nível de zoom errado poderá afetar a eficácia e a qualidade da visualização. Para o monitoramento de rotas quentes de cidades, regiões e bairros, os níveis de 12 a 15 são geralmente os mais relevantes, enquanto que, para visualizar ondas de tráfego, são indicados os níveis 16, 17 e 18 em que as faixas são distinguíveis;

• Dependência de valores significativos para o limiar de densidade e o período de aná- lise para obter bons resultados na visualização de rotas quentes. De fato, essa dificuldade existe para a maioria das abordagens, incluindo a clusterização de trajetórias que geral- mente usa análise estatística prévia para definir esses valores. Na abordagem proposta, o ajuste desses valores é realizado em tempo real, e o resultado é visualizado instantanea- mente. Na visualização de ondas de tráfego, essa limitação não existe, já que esses valores podem ser definidos como constantes.