Tendo em conta os objetivos e a solução obtida, recomenda-se daqui em diante o foco ex- clusivo sobre os algoritmos de previsão a desenvolver. Apesar dos resultados satisfatórios, é im- portante analisar outras abordagens que possam tirar partido dos dados de tráfego disponíveis e de outras fontes de informação externas adequadas. Perceber de que forma evolui o trânsito e a relação com a data/hora e com as condições atmosféricas poderá revelar-se útil para a situação
Conclusões e Trabalho Futuro
em estudo. É, ainda, importante analisar os valores da correlação apresentados na secção5.3.8, tornando-se o ponto de partida para determinar as relações existentes e desenhar uma abordagem mais eficaz.
Como objetivo a atingir posteriormente, seria fundamental que a aplicação pudesse estender as previsões a todos os pontos da VCI. As abordagens data-driven permitem apenas a realização de previsões nos pontos de recolha, o que poderá limitar a análise integrada do problema em causa. Recomenda-se, por isso, um estudo aprofundado sobre as abordagens híbridas (model-driven + data-driven) que permitem obter previsões para todos os pontos da rede e modelar situações exce- cionais, tais como acidentes e formação de filas [RBF+10]. Existem soluções que apresentam um algoritmo de deteção automática, permitindo assim a aplicação de uma abordagem data-driven em situações normais e a aplicação da abordagem model-driven para a simulação dos incidentes ocorridos e da respetiva propagação. Ainda deve-se considerar futuramente o estudo de métodos baseados na utilização de tensores, tal como apresentado por Dauwels et al. [DAA+14]. Neste trabalho, procedeu-se à realização de previsões para a velocidade numa rede de estradas em Sin- gapura, tendo-se verificado que é possível obter soluções satisfatórias. No entanto, é necessário analisar os recursos computacionais necessários, podendo não ser adequado para os meios técnicos e para o espaço temporal (a curto prazo) disponíveis.
Ainda é de considerar a limitação associada aos dados recolhidos através dos sensores em loop. Estes dados apenas permitem a monitorização de um conjunto pequeno de parâmetros, limitando assim os outputs obtidos. Assim, recomenda-se a utilização conjunta de floating-car data, permitindo acompanhar os trajetos dos condutores (através do posicionamento por GPS) e o tempo de viagem necessário. Por outro lado seria possível obter uma visão completa da rede, facilitando o processo de previsão [LAB+13].
A solução apresentada neste documento for desenvolvida com o propósito inicial de análise das metodologias mais adequadas a aplicar num sistema de previsão de tráfego. No entanto, a aplicação já se encontra preparada para utilização com dados em tempo real, permitindo assim a sua utilização em contextos reais.
No que se refere à VCI, o sistema desenvolvido poderá ser integrado na aplicação de gestão de tráfego utilizada atualmente para monitorização desta via. Com a introdução e pré-processamento dos dados recolhidos pelos sensores, é possível obter rapidamente previsões com erros médios quadrados baixos e, desta forma, tomar as melhores decisões no sentido de assegurar níveis ade- quados de serviço.
Para além da gestão do tráfego, os sistemas utilizados atualmente têm como um dos principais objetivos a redução da sinistralidade rodoviária. Dado que a VCI é considerada um dos "pontos negros"da rede de estradas portuguesa, torna-se importante a adoção de uma atitude preventiva que permita reduzir a ocorrência de acidentes. Assim, uma extensão futura deveria passar pela de- terminação da probabilidade da ocorrência de um incidente. Desta forma seria possível mobilizar os meios adequados e assegurar a segurança dos utilizadores.
Por fim, este sistema poderia ser utilizado para a geração automática de informações para via- jantes (ATIS) a partir das previsões obtidas. Desta forma seria possível determinar as mensagens
Conclusões e Trabalho Futuro
adequadas (a serem apresentadas em painéis eletrónicos, por exemplo) que permitiriam uma cor- reta distribuição do tráfego pela rede, assegurando a satisfação e a segurança dos seus utilizadores [LLP07].
Referências
[BaBKM98] Moshe Ben-akiva, Michel Bierlaire, Haris Koutsopoulos e Rabi Mishalani. Dy- naMIT: a simulation-based system for traffic prediction. DACCORD Short Term Forecasting Workshop, pages 1–12, 1998.
[BABW13] Sébastien Blandin, Juan Argote, Alexandre M. Bayen e Daniel B. Work. Phase transition model of non-stationary traffic flow: Definition, properties and solution method. Transportation Research Part B: Methodological, 52:31–55, June 2013. doi:10.1016/j.trb.2013.02.005.
[Bal06] Ramachandran Balakrishna. Off-line calibration of dynamic traffic assignment mo- dels. PhD thesis, Massachusetts Institute of Technology, 2006.
[BAR15] Joaquim Barros, Miguel Araujo e Rosaldo J F Rossetti. Short-term real-time traf- fic prediction methods : a survey. 2015 International Conference on Models and Technologies for Intelligent Transportation Systems (MT-ITS), June 2015.
[BF12] Ella Bolshinsky e Roy Freidman. Traffic Flow Forecast Survey. Technical report, Technion - Computer Science Department, 2012.
[Bla08] Sarah Blatnig. Microscopic Traffic Simulation with Intelligent Agents. PhD the- sis, Alpen-Adria-Universität Klagenfurt at Fakultät für Technische Wissenschaften, 2008.
[BM00] Mark Brackstone e Mike Mcdonald. Car-following : a historical review. 2(1999):181–196, 2000.
[Bur04] Wilco Burghout. Hybrid microscopic-mesoscopic traffic simulation. PhD thesis, Royal Institute of Technology, 2004.
[Bur05] Wilco Burghout. Mesoscopic simulation models for short-term prediction. PRE- DIKT project report CTR2005, 2005.
[BY00] Sharon Adams Boxill e Lei Yu. An Evaluation of Traffic Simulation Models for Supporting ITS Development. Technical Report 2, Center for Transportation Trai- ning and Research, Houston, Texas, 2000.
[CC05] Hsin-li Chang e Pin-chuan Chen. The Impact of Traffic Information on Drivers ’ Route Choice-Using Competence Sets Analysis. Journal of the Eastern Asia Society for Transportation Studies, 6:2425 – 2440, 2005.
[CMZB05] Steven I. Chien, Kyriacos C. Mouskos, Athanasios K. Ziliaskopoulos e K Brodtd- man. Development of a Simulation / Assignment Model for the NJDOT I-80 ITS Priority Corridor. Technical Report June, New Jersey Department of Transportation, 2005.
REFERÊNCIAS
[CR14] Hao Chen e Hesham a. Rakha. Real-time travel time prediction using particle fil- tering with a non-explicit state-transition model. Transportation Research Part C: Emerging Technologies, 43:112–126, 2014. doi:10.1016/j.trc.2014.02.008.
[Cro15] least squares - Is minimizing squared error equivalent to minimizing ab- solute error? Why squared error is more popular than the latter?, 2015. URL: http://stats.stackexchange.com/questions/147001/ is-minimizing-squared-error-equivalent-to-minimizing-/ absolute-error-why-squared.
[DAA+14] Justin Dauwels, Aamer Aslam, Muhammad Tayyab Asif, Xinyue Zhao, Nikola Mi- trovic, Andrzej Cichocki e Patrick Jaillet. Predicting traffic speed in urban trans- portation subnetworks for multiple horizons. In 13th International Conference on Control, Automation, Robotics & Vision, pages 1–6, Marina Bay Sands, Singapore, 2014.
[dOBdS+06] Denise de Oliveira, Ana L. C. Bazzan, Bruno C. da Silva, Eduardo W. Basso, Luis Nunes, Rosaldo Rossetti, Eugénio de Oliveira, Roberto da Silva e Luis Lamb. Reinforcement Learning based Control of Traffic Lights in Non-stationary Environ- ments: A Case Study in a Microscopic Simulator. Eumas, page 12, 2006.
[DRO06] Nuno Duarte, Rosaldo J.F. Rossetti e Eugénio C. Oliveira. A communication-based model for perception and action in car traffic simulation. In Agent-Based Modeling and Simulation Symposium (ABModSim), 18th European Meeting on Cybernetic Science and Systems Research, pages 731–736, Vienna, Austria, 2006.
[FERO08] Paulo a. Ferreira, Edgar F. Esteves, Rosaldo J. F. Rossetti e Eugenio C. Oliveira. Extending Microscopic Traffic Modelling With the Concept of Situated Agents. In The 5th Workshop on Agents in Traffic and Transportation (ATT), 7th Internatio- nal Conference on Autonomous Agents and Multi-Agent Systems, page 8, Estoril, Portugal, 2008.
[FL02] Richard Fujimoto e John Leonard II. Grand Challenges in Modeling and Simulating Urban Transportation Systems. 2002. doi:10.1.1.11.5768.
[GHW14] Jianhua Guo, Wei Huang e Billy M. Williams. Adaptive Kalman filter appro- ach for stochastic short-term traffic flow rate prediction and uncertainty quantifi- cation. Transportation Research Part C: Emerging Technologies, 43:50–64, 2014. doi:10.1016/j.trc.2014.02.006.
[HTF13] Trevor Hastie, Robert Tibshirani e Jerome Friedman. The elements of statistical learning: data mining, inference and prediction. 2013.
[JWHT13] Gareth James, Daniela Witten, Trevor Hastie e Robert Tibshirani. An Introduction to Statistical Learning, volume 103 of Springer Texts in Statistics. Springer New York, New York, NY, 2013. doi:10.1007/978-1-4614-7138-7.
[KPRG11] Zafeiris Kokkinogenis, Lúcio Sanchez Passos, Rosaldo Rossetti e Joaquim Gabriel. Towards the next-generation traffic simulation tools : a first evaluation Future Urban Transport. In 6th Doctoral Symposium in Informatics Engineering, 2011.
REFERÊNCIAS
[LAB+13] Siyuan Liu, Miguel Araujo, Emma Brunskill, Rosaldo Rossetti, Joao Barros e Ra- mayya Krishnan. Understanding sequential decisions via inverse reinforcement le- arning. Proceedings - IEEE International Conference on Mobile Data Management, 1:177–186, 2013. doi:10.1109/MDM.2013.28.
[LEM14] Kwang Sub Lee, Jin Ki Eom e Dae-seop Moon. Applications of TRANSIMS in Transportation: A Literature Review. Procedia Computer Science, 32:769–773, 2014. doi:10.1016/j.procs.2014.05.489.
[LK09] L Liu e Mohammed Khalilia. Traffic pattern forecasting using time series analysis between spatially adjacent sensor clusters. Proceedings of the Eighth International Conference on Machine Learning and Cybernetics, (July):12–15, 2009.
[LLP07] Dongmin Lee, Chungwon Lee e Martin T Pietrucha. Evaluation of Driver Satisfac- tion of Travel Information on Variable Message Signs Using Fuzzy Aggregation. Journal of Advanced Transportation, 42(1):5–22, 2007.
[Lop11] Jorge Lopes. Traffic prediction for unplanned events on highways. 2011.
[Mah01] HS Mahmassani. Dynamic network traffic assignment and simulation methodology for advanced system management applications. Networks and Spatial Economics, pages 267–292, 2001.
[MFE+05] Hani S Mahmassani, Xiang Fei, Stacy Eisenman, Xuesong Zhou e Xiao Qin. DYNASMART-X Evaluation for Real-Time TMC Application: Chart Test Bed. Te- chnical Report July, University of Maryland, Maryland, 2005.
[MHA+10] Martin Milkovits, Eric Huang, Constantinos Antoniou, Moshe Ben-Akiva e Jorge Alves Lopes. DynaMIT 2.0: The Next Generation Real-Time Dynamic Traffic Assignment System. 2010 Second International Conference on Advances in System Simulation, pages 45–51, August 2010. doi:10.1109/SIMUL.2010.28.
[MHPZ94] Hani S. Mahmassani, Ta-Yin Hu, Srinivas Peeta e Athanasios Ziliaskopoulos. De- velopment and testing of dynamic traffic assignment and simulation procedures for ATIS/ATMS applications. (June 1993), 1994.
[MKS+13] Jose Macedo, Zafeiris Kokkinogenis, Guilherme Soares, Deborah Perrotta e Rosaldo J F Rossetti. A HLA-based multi-resolution approach to simula- ting electric vehicles in simulink and SUMO. IEEE Conference on Intel- ligent Transportation Systems, Proceedings, ITSC, pages 2367–2372, 2013. doi:10.1109/ITSC.2013.6728581.
[MR06] Tom V. Mathew e K V Krishna Rao. Fundamental relations of traffic flow. In Introduction to Transportation Engineering, volume 1, chapter 31, pages 1–8. 2006. [MW11] Wanli Min e Laura Wynter. Real-time road traffic prediction with spatio-temporal correlations. Transportation Research Part C: Emerging Technologies, 19(4):606– 616, 2011. doi:10.1016/j.trc.2010.10.002.
[NS92] Kai Nagel e Michael Schreckenberg. A cellular automaton model for freeway traf- fic. Journal de Physique I, 2(12):2221–2229, 1992. doi:10.1051/jp1:1992277. [NS02] Klaus Nökel e Matthias Schmidt. Parallel DYNEMO : Meso-Scopic Traffic Flow
REFERÊNCIAS
[PK11] Byungkyu Brian Park e Jaeyoung Kwak. Calibration and validation of TRANSIMS microsimulator for an urban arterial network. KSCE Journal of Civil Engineering, 15(6):1091–1100, 2011. doi:10.1007/s12205-011-1002-6.
[PRK11] Lucio Sanchez Passos, Rosaldo J. F. Rossetti e Zafeiris Kokkinogenis. Towards the next-generation traffic simulation tools: a first appraisal. 6th Iberian Conference on Information Systems and Technologies (CISTI 2011), pages 1–6, 2011.
[PRRA12] Deborah Perrotta, Bernardo Ribeiro, Rosaldo J.F. Rossetti e João L. Afonso. On the Potential of Regenerative Braking of Electric Buses as a Function of Their Itinerary. Procedia - Social and Behavioral Sciences, 54:1156–1167, 2012. doi:10.1016/j.sbspro.2012.09.830.
[Pur99] Matti Pursula. Simulation of Traffic Systems - An Overview, 1999.
[QI14] Yan Qi e Sherif Ishak. A Hidden Markov Model for short term prediction of traffic conditions on freeways. Transportation Research Part C: Emerging Technologies, 43:95–111, 2014. doi:10.1016/j.trc.2014.02.007.
[Qin06] Xiao Qin. Traffic flow modeling with real-time data for on-line network traffic estimation and prediction. 2006.
[RBF+10] Shuyun Ren, Jun Bi, Y. F. Fung, Xuran Ivan Li e T. K. Ho. Freeway traf- fic estimation in Beijing based on particle filter. Proceedings - 2010 6th In- ternational Conference on Natural Computation, ICNC 2010, 1:292–296, 2010. doi:10.1109/ICNC.2010.5583834.
[RL15] Rosaldo J. F. Rossetti e Ronghui Liu (Eds.). Advances in Artificial Transportation Systems and Simulation. Boston: Academic Press, 2015.
[RLT11] Rosaldo J F Rossetti, Ronghui Liu e Shuming Tang. Guest editorial special issue on artificial transportation systems and simulation. IEEE Transactions on Intelligent Transportation Systems, 12(2):309–312, 2011. doi:10.1109/TITS.2011.2143770. [RN01] Marcus Rickert e Kai Nagel. Dynamic traffic assignment on parallel computers in
TRANSIMS. Future Generation Computer Systems, 17(5):637–648, March 2001. doi:10.1016/S0167-739X(00)00032-7.
[Rou] Margaret Rouse. What is Data Analytics (DA)? http: //searchdatamanagement.techtarget.com/definition/
data-analytics[Online. Último acesso: 2014-12-23].
[RR09] Nedal T Ratrout e Syed Masiur Rahman. A Comparative Analysis of Currently Used Microscopic and Macroscopic Traffic Simulation Software. The Arabian Journal for Science and Engineering, 34(1):121–133, 2009.
[Sch] T Schwerdtfeger. DYNEMO: A model for the simulation of traffic flow in motorway networks. Ninth International Symposium on Transportation and Traffic Theory. [Sis12] Virginia P Sisiopiku. Active Traffic Management as a Tool for Addressing Traffic
Congestion. InTech, Intelligent Transportation Systems, 2012.
[SUM] Theory/Traffic Simulations - SUMO. http://sumo.dlr.de/wiki/Theory/ Traffic_Simulations[Online. Último acesso: 2014-12-07].
REFERÊNCIAS
[TW07] U.W. Tang e Z.S. Wang. Influences of urban forms on traffic-induced noise and air pollution: Results from a modelling system. Environmental Modelling & Software, 22(12):1750–1764, December 2007. doi:10.1016/j.envsoft.2007.02.003.
[TWX+09] Man Chun Tan, S. C. Wong, Jian Min Xu, Zhan Rong Guan e Peng Zhang. An aggregation approach to short-term traffic flow prediction. IEEE Transactions on Intelligent Transportation Systems, 10(1):60–69, 2009. doi:10.1109/TITS.2008.2011693.
[VKG05] Eleni I. Vlahogianni, Matthew G. Karlaftis e John C. Golias. Optimized and meta- optimized neural networks for short-term traffic flow prediction: A genetic appro- ach. Transportation Research Part C: Emerging Technologies, 13(3):211–234, June 2005. doi:10.1016/j.trc.2005.04.007.
[Wan96] Yuhao Wang. Synopsis of Traffic Simulation Models. 1996.
[Wat91] David Watling. A Review Of Models Of Urban Traffic Networks (With Particular Reference To The Requirements For Modelling Dynamic Route Guidance Systems). 1991.
[WBK06] G. Wang, F. H. M. Van Den Bosch e M. Kuffer. Modelling Urban Traffic Air Pollu- tion Dispersion. pages 153–158, 2006.
[XKL13] Yanyan Xu, Qing-Jie Kong e Yuncai Liu. Short-term traffic volume prediction using classification and regression trees. 2013 IEEE Intelligent Vehicles Symposium (IV), (Iv):493–498, June 2013. doi:10.1109/IVS.2013.6629516.
[ZLS06] Weizhong Zheng, Der-Horng Lee e Qixin Shi. Short-Term Freeway Traffic Flow Prediction: Bayesian Combined Neural Network Approach. Journal of Trans- portation Engineering, 132(February):114–121, 2006. doi:10.1061/(ASCE)0733- 947X(2006)132:2(114).
[ZLY+13] Lun Zhang, Qiuchen Liu, Wenchen Yang, Nai Wei e Decun Dong. An Improved K-nearest Neighbor Model for Short-term Traffic Flow Predic- tion. Procedia - Social and Behavioral Sciences, 96(Cictp):653–662, 2013. doi:10.1016/j.sbspro.2013.08.076.
[ZW00] Athanasios K Ziliaskopoulos e S.Travis Waller. An Internet-based geographic infor- mation system that integrates data, models and users for transportation applications. Transportation Research Part C: Emerging Technologies, 8(1-6):427–444, February 2000. doi:10.1016/S0968-090X(00)00027-9.