UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DAINF - DEPARTAMENTO ACADÊMICO DE INFORMÁTICA CURSO DE BACHARELADO EM SISTEMAS DE INFORMAÇÃO

(1)

UNIVERSIDADE TECNOL ´

OGICA FEDERAL DO PARAN ´

A

DAINF - DEPARTAMENTO ACADˆ

EMICO DE INFORM ´

ATICA

CURSO DE BACHARELADO EM SISTEMAS DE INFORMA ¸

C ˜

AO

PEDRO HENRIQUE DE VARGAS VASCONCELOS

VICTOR GEORGE PRZIBICIEM DE MATTOS

VISUALIZA ¸

C ˜

AO DOS DADOS ABERTOS DA POL´

ICIA

RODOVI ´

ARIA FEDERAL SOBRE ACIDENTES NAS

RODOVIAS BRASILEIRAS

TRABALHO DE CONCLUS ˜

AO DE CURSO

CURITIBA

2019

(2)

PEDRO HENRIQUE DE VARGAS VASCONCELOS

VICTOR GEORGE PRZIBICIEM DE MATTOS

VISUALIZA ¸

C ˜

AO DOS DADOS ABERTOS DA POL´

ICIA

RODOVI ´

ARIA FEDERAL SOBRE ACIDENTES NAS

RODOVIAS BRASILEIRAS

Trabalho de conclusão de curso apresentado ao Curso de Bacharelado em Sistemas de Informa¸cão da Universidade Tecnológica Federal do Paraná, como requisito parcial para a obten¸cão do t´ıtulo de Bacharel.

Orientador: Prof.a Dr.a Nádia Puchalski Kozievitch DAINF - Departamento Acadêmico de In-formática - UTFPR

CURITIBA

2019

(3)

Ministério da Educação

UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ Câmpus Curitiba

Diretoria de Graduação e Educação Profissional

Departamento Acadêmico de Informática

Coordenação do Curso de Bacharelado em Sistemas de Informação

TERMO DE APROVAÇÃO

VISUALIZAÇÃO DOS DADOS ABERTOS DA POLÍCIA RODOVIÁRIA

FEDERAL SOBRE ACIDENTES NAS RODOVIAS BRASILEIRAS

por

Pedro Henrique de Vargas Vasconcelos e Victor George Przibiciem de

Mattos

Este Trabalho de Conclusão de Curso foi apresentado no dia 02deDezembro de2019 como requisito parcial à obtenção do grau de Bacharel em Sistemas de Informação na Universidade Tecnológica Federal do Paraná -UTFPR - Câmpus Curitiba. O(a)(s) aluno(a)(s) foi(ram) arguido(a)(s) pelos membros da Banca de Avaliação abaixo assinados. Após deliberação a Banca de Avaliação considerou o trabalho ________________________________________.

________________________________ <Profa. Nádia Puchalski Kozievitch>

(Presidente - UTFPR/Curitiba)

________________________________ <Prof. Marcelo de Oliveira Rosa>

(Avaliador(a) 1 - UTFPR/Curitiba)

________________________________

<Prof. Rafael Carvalho Barreto> (Avaliador 2(a) - UTFPR/Curitiba)

________________________________ <Profa. Leyza Baldo Dorini>

(Professora Responsável pelo TCC – UTFPR/Curitiba)

_____________________________ <Prof. Marcelo Mikosz Gonçalves>

(Coordenadordo curso de Bacharelado em Sistemas de Informação – UTFPR/Curitiba)

(4)

RESUMO

VASCONCELOS, P. H. V.; MATTOS, V. G. P.; KOZIEVITCH, N. P. Visualiza¸cão dos dados abertos da Pol´ıcia Rodoviária Federal sobre acidentes nas rodovias brasileiras. 2019. 53 f. Trabalho de conclusão de curso – Curso de Bacharelado em Sistemas de Informa¸cão, Universidade Tecnológica Federal do Paraná. Curitiba, 2019.

Os acidentes de trânsito são uma das principais causas de óbito no Brasil e, segundo dados da Confedera¸cão Nacional de Transporte, somente entre o per´ıodo de 2007 a 2017, foram registrados mais de 1.6 milhões de acidentes e mais de 83 mil mortes. Em particular, dados de acidentes possuem não só componentes geográficos e temporais, como também dinˆ ami-cas incluindo trecho de BR, classifica¸cão diferenciada de acidentes, ve´ıculos e passageiros envolvidos em agrega¸cões diferenciadas (pa´ıs, estado, cidade). Este trabalho propõe uma ferramenta visual de dados de acidentes da Pol´ıcia Rodoviária Federal (PRF) referentes ao per´ıodo de Janeiro de 2007 a Junho de 2018, com o objetivo de suprir o problema de sobreposi¸cão de acidentes em áreas e identifica¸cão de padrões. Para isto, a aplica¸cão foi inspirada aplica¸cões similares, bem como em estudos sobre banco de dados, cidades inteligentes, sistemas de informa¸cão geográfica, algoritmos de clusteriza¸cão e dados abertos. Palavras-chave: Cidades Inteligentes. SIG. Dados Abertos. Visualiza¸cão de dados. Clus-teriza¸cão.

(5)

ABSTRACT

VASCONCELOS, P. H. V.; MATTOS, V. G. P.; KOZIEVITCH, N. P. Visualization of open data from Federal Highway Police using accidents in Brazilian Highways. 2019. 53 f. Trabalho de conclusão de curso – Curso de Bacharelado em Sistemas de Informa¸cão, Universidade Tecnológica Federal do Paraná. Curitiba, 2019.

Traffic accidents are one of the leading causes of death in Brazil and, according to data from the Confedera¸c˜ao Nacional de Transporte, between 2007 and 2017 alone, more than 1.6 million accidents and more than 83,000 deaths were recorded. In particular, accident data have not only geographic and temporal components, but also dynamics including BR stretch, differentiated classification of accidents, vehicles and passengers involved in different aggregations (country, state, city). This paper proposes a visual interface of accident data from the Federal Highway Police from January 2007 to June 2018, with the objective of supplying the problem of accident overlap in areas and pattern identification. In this direction, this interface is inspired by similar applications, as well as studies on databases, smart cities, geographic information systems, cluster algorithms and open data. Keywords: Smart Cities. GIS. Open Data. Data visualization. Clustering.

(6)

LISTA DE FIGURAS

Figura 1 – Agrupamento dos pontos de ˆonibus da cidade de Curitiba. . . 2

Figura 2 – Interface de visualiza¸c˜ao de acidentes de trˆansito com v´ıtimas fatais no munic´ıpio de Curitiba. . . 3

Figura 3 – Mapeamento de temas abordados e suas rela¸c˜oes. . . 4

Figura 4 – Número de acidentes e número de óbitos ocorridos em rodovias federais policiadas entre 2007 e 2017. . . 5

Figura 5 – Visualiza¸c˜ao de acidentes no Google Maps em parceria com o Waze. . . 6

Figura 6 – Projeto piloto da parceria entre DNIT e Waze. . . 7

Figura 7 – Base de dados de acidentes do portal do The Police Data Initiative. . . 11

Figura 8 – Base de dados de acidentes do portal New York City Open Data. . . . 12

Figura 9 – Arquitetura de Sistemas de Informa¸c˜ao Geogr´afica. . . 14

Figura 10 – The Globe of Economic Complexity. . . 15

Figura 11 – Interface de consulta visual e sa´ıda do TaxiVis. . . 16

Figura 12 – Visualiza¸c˜ao dos voos pelo Flightradar24. . . 17

Figura 13 – Mapa de Londres com óbitos por cólera identificados por pontos e po¸cos de água representados por cruzes. . . 18

Figura 14 – Diagrama de fluxo do algoritmo Marker Clusterer. . . 20

Figura 15 – Visualiza¸c˜ao inicial (esquerda), HeatMap (centro) e Marker Clusterer (direita). . . 21

Figura 16 – Proje¸cão dos dados de destrui¸cão da cidade de Aleppo na cidade de Berlim. A cor avermelhada representa a reproje¸cão da destrui¸cão. . . . 22

Figura 17 – Mapa de migra¸c˜ao global de 2010 a 2015. . . 23

Figura 18 – Visualiza¸c˜ao da interface do Bike Share Map. . . 23

Figura 19 – Visualiza¸c˜ao da interface do Mapping 10 Years of Fatal Traffic Accidents. 25 Figura 20 – Visualiza¸c˜ao da interface do Seattle Collisions. . . 26

Figura 21 – Interface do New York City Open Data. Visualiza¸c˜ao de acidentes por pontos (cima), heat map (meio) e regi˜ao (baixo). . . 26

Figura 22 – Interface do The Boston Crash Model. . . 27

Figura 23 – Interface do Markercluster Pie Charts. . . 28

Figura 24 – Etapas da metodologia utilizada. . . 31

Figura 25 – Arquitetura da aplica¸c˜ao. . . 33

Figura 26 – Diagrama da base de dados. . . 34

Figura 27 – N´umero de acidentes x hor´ario. . . 35

Figura 28 – Tipos de acidentes mais relevantes. . . 36

Figura 29 – N´umero de mortes x dia da semana. . . 36

(7)

Figura 31 – Interface inicializada com os gr´aficos carregados com todos os dados

(2007 a 2018) e mapa carregado com os dados de 2018. . . 38

Figura 32 – Dados clusterizados. . . 38

Figura 33 – Cluster aproximado. . . 39

Figura 34 – Quantidade de acidentes por dia da semana. . . 39

Figura 35 – Quantidade de acidentes por ano. . . 40

Figura 36 – Cinco hor´arios mais comuns de acidentes. . . 40

Figura 37 – Dez causas mais comuns de acidentes. . . 40

Figura 38 – Dez BRs com maior n´umero de acidentes. . . 41

Figura 39 – Classifica¸c˜ao dos acidentes. . . 41

Figura 40 – Dez estados com maior n´umero de acidentes. . . 42

(8)

LISTA DE TABELAS

Tabela 1 – Comparativo de aplica¸cões de visualiza¸cão de dados geográficos. . . 24 Tabela 2 – Comparativo de aplica¸cões de visualiza¸cão de dados de acidentes de

(9)

SUM ÁRIO 1 – INTRODU ¸C ÃO . . . 1 1.1 OBJETIVOS . . . 3 1.1.1 OBJETIVO GERAL . . . 3 1.1.2 OBJETIVOS ESPECÍFICOS . . . 4 1.2 JUSTIFICATIVA . . . 5 2 – REVIS ÃO DE LITERATURA . . . 9 2.1 CIDADES INTELIGENTES . . . 9 2.1.1 DADOS ABERTOS . . . 9

2.1.2 DADOS ABERTOS DE ACIDENTES DE TR ˆANSITO . . . 11

2.2 SIG . . . 12

2.2.1 REPRESENTA ¸C ˜OES GR ´AFICAS . . . 14

2.2.2 APLICA ¸C ˜OES . . . 15

2.3 VISUALIZA ¸C ˜AO DE DADOS . . . 17

2.3.1 VISUALIZA ¸C ˜AO DE DADOS GEOGR ´AFICOS . . . 18

2.3.2 CLUSTERIZA ¸C ˜AO . . . 19

2.3.3 APLICA ¸C ˜OES . . . 21

2.3.4 VISUALIZA ¸C ˜AO DE DADOS DE ACIDENTES DE TR ˆANSITO 24 3 – METODOLOGIA . . . 30

4 – DESENVOLVIMENTO . . . 32

4.1 AN ´ALISE DO PROBLEMA . . . 32

4.2 ARQUITETURA . . . 33

4.2.1 BASE DE DADOS . . . 34

4.2.1.1 LIMPEZA DOS DADOS . . . 35

4.2.1.2 CARACTER´ISTICAS DOS DADOS . . . 35

4.3 INTERFACE DA APLICA ¸C ÃO . . . 37 4.3.1 PRINCIPAIS CONSULTAS . . . 39 4.4 AVALIA ¸C ÃO DA APLICA ¸C ÃO . . . 42 4.5 DESAFIOS ENCONTRADOS . . . 43 5 – CONCLUS ÃO . . . 44 Referências . . . 45

(10)

Apˆ

endices

48

APˆENDICE A–Question´ario inicial . . . 49

APÊNDICE B–Questionário final de avalia¸cão da interface . . . 51

APˆENDICE C–Tarefas . . . 52

(11)

1

1 INTRODU ¸C ˜AO

Cidade Inteligente é o termo dado à cidade que utiliza Tecnologias da Informa¸cão e Comunica¸cão (TIC) de forma criativa, inclusiva e eficiente na gestão pública, auxiliando nas tomadas de decisão, bem como na cria¸cão de inova¸cões que fa¸cam uso destas informa¸cões para gerar solu¸cões que facilitem a vida dos cidadãos (WEISS; BERNARDES; CONSONI, 2017).

Dentro do âmbito de Cidades Inteligentes, uma das pe¸cas-chave da gestão pública para a dissemina¸cão da informa¸cão e a promo¸cão da transparência é a abertura de dados públicos, os chamados dados abertos. A disponibiliza¸cão de informa¸cões para cidadãos e empresas contribui para a cria¸cão de um ambiente inovador e para a melhoria e cria¸cão de servi¸cos (CUNHA; PRZEYBILOVICZ; MACAYA; SANTOS, 2016). O aumento de dados públicos cria um cenário favorável à participa¸cão social, permitindo o cidadão ajudar a produzir informa¸cões que auxiliem na discussão e no mapeamento de problemas, bem como o poder público na identifica¸cão dos mesmos (LEMOS, 2013).

No Brasil, cidades como Curitiba1_{, Rio de Janeiro}2 _{e Porto Alegre}3 _j´_{a s˜}_ao

reconhe-cidas como cidades inteligentes, tanto no cenário nacional quanto no cenário internacional (WEISS; BERNARDES; CONSONI, 2017). Em Curitiba, por exemplo, a Prefeitura Muni-cipal (PMC) disponibiliza para a popula¸cão, através do seu portal online4_{, diversas bases}

de dados referentes ao munic´ıpio. Dados sobre o transporte coletivo, sa´ude e seguran¸ca municipal, dentre outros, s˜ao disponibilizados de forma irrestrita para consulta.

Bem como as prefeituras citadas, a Pol´ıcia Rodoviária Federal (PRF)5 possui dados abertos publicados sobre acidentes e infra¸cões de trânsito desde 2007. Segundo estes dados, por exemplo, para o ano de 2018 entre os meses de Janeiro e Abril, ocorreram mais de 35 mil acidentes de trânsito com um total de mais de 5 mil mortos, fazendo dos acidentes de trânsito uma das principais causas de morte no pa´ıs (IPEA – INSTITUTO DE PESQUISA ECON ÔMICA APLICADA; PRF – POLÍCIA RODOVI ÁRIA FEDERAL, 2015). Embora existam relatórios e dados referentes aos acidentes nas rodovias federais, não existe uma caracteriza¸cão sistemática e completa das situa¸cões que resultam nos acidentes com mortes e feridos, o que seria de fundamental importância para um programa efetivo de preven¸cão e redu¸cão destes eventos (BEZERRA; ROSENSTOCK, 2016).

Com o intuito de compreender melhor as caracter´ısticas dos acidentes registrados pela PRF, o uso de tecnologias geoespaciais como os Sistemas de Informa¸cão Geográfica (SIG) proporciona, além de facilidade na análise, um entendimento visual dos dados

1_{www.curitiba.pr.gov.br - Acessado em: 20 de agosto de 2018.} 2_{www.rio.rj.gov.br - Acessado em: 20 de agosto de 2018.} 3_{https://prefeitura.poa.br - Acessado em: 20 de agosto de 2018.}

4_{www.curitiba.pr.gov.br/dadosabertos - Acessado em: 20 de agosto de 2018.} 5_{www.prf.gov.br/portal/dados-abertos - Acessado em: 15 de agosto de 2018.}

(12)

Cap´ıtulo 1. INTRODU ¸C ˜AO 2

contidos em tabelas (VILA, 2016), bem como a cria¸cão de modelos espaciais que auxiliem no processo de tomada de decisões (TAO, 2013). Vila (2016) propôs uma interface de visualiza¸cão de dados geográficos com técnicas de clusteriza¸cão utilizando a base de dados de mobilidade urbana da cidade de Curitiba, como mostra a Figura 1. De acordo com Vila (2016), a clusteriza¸cão e visualiza¸cão de uma grande quantidade de dados abertos georreferenciados possibilita a resolu¸cão de problemas computacionais de sobreposi¸cão de pontos sobre um mapa. Assim, a visualiza¸cão espacial dos dados se torna mais intuitiva.

Figura 1 – Agrupamento dos pontos de ˆonibus da cidade de Curitiba.

Fonte: Vila (2016).

O IPPUC (Instituto de Pesquisa e Planejamento Urbano de Curitiba)6 disponi-bilizou, em 2018, uma interface7 de visualiza¸cão dos dados geográficos de acidentes de trânsito com v´ıtimas fatais no munic´ıpio de Curitiba e, para isso, utilizou os dados abertos da PRF, como mostra a Figura 2. Além da visualiza¸cão, o IPPUC também disponibilizou, em forma de gráficos, os dados mais relevantes destes acidentes, de modo que o usuário possa filtrar e definir quais dados devem aparecer nos gráficos.

Em particular, dados de acidentes possuem não só componentes geográficos e temporais, como também dinâmicas incluindo trecho de de rodovia federal, classifica¸cão

6_{www.ippuc.org.br - Acessado em: 09 de outubro de 2018.}

7_{www.ippuc.org.br/mapasinterativos/acidentesDeTransito/dashboard.html - Acessado em: 17 de abril}

(13)

diferenciada de acidentes, ve´ıculos e passageiros envolvidos em agrega¸cões diferenciadas (pa´ıs, estado, cidade). Neste sentido, este trabalho utiliza como base os trabalhos do IPPUC8 e Vila (2016) (juntamente com outros que serão citados posteriormente) para uma ferramenta visual de dados de acidentes, com o objetivo de suprir o problema de sobreposi¸cão de acidentes em áreas e identifica¸cão de padrões. Para isso, foram usados dados de mais de uma década da PRF.

Figura 2 – Interface de visualiza¸c˜ao de acidentes de trˆansito com v´ıtimas fatais no munic´ıpio de Curitiba.

Fonte: IPPUC.

1.1 OBJETIVOS

1.1.1 OBJETIVO GERAL

O objetivo geral deste projeto é adaptar, prototipar e desenvolver uma aplica¸cão Web, que permita a visualiza¸cão de uma grande massa de dados, evitando a sobreposi¸cão dos mesmos, e que possibilite a identifica¸cão dos locais de maior incidência de acidentes em rodovias brasileiras, a compreensão das causas destes de acidentes e a identifica¸cão de padrões. Para isto, a aplica¸cão foi inspirada nas interfaces de visualiza¸cão de Vila (2016), IPPUC, bem como em estudos sobre aplica¸cões similares, APIs, banco de dados, cidades inteligentes, SIG e dados abertos.

8_{www.ippuc.org.br/mapasinterativos/acidentesDeTransito/dashboard.html - Acessado em: 17 de abril}

(14)

1.1.2 OBJETIVOS ESPEC´IFICOS

Com o intuito de atingir o objetivo geral, s˜ao considerados os seguintes objetivos espec´ıficos:

a) Realizar uma revisão bibliográfica acerca dos conceitos de cidades inteligentes, SIG e visualiza¸cão de dados, como mostrados na Figura 3;

b) Criar um questionário de valida¸cão do projeto que será destinado ao público em geral;

c) Desenvolver uma interface de visualiza¸c˜ao adaptando conceitos das interfaces de Vila (2016), IPPUC e dos demais trabalhos citados, utilizando a base de dados da PRF,

gerados por Kozievitch, Berardi e Kageyama (2019), e listar as principais dificuldades encontradas durante o desenvolvimento;

d) Realizar testes na interface;

e) Apresentar o protótipo criado para um grupo de usuários para a avalia¸cão do funcionamento da aplica¸cão;

f) Indicar conclusões acerca dos resultados obtidos na visualiza¸cão e análise dos dados. Figura 3 – Mapeamento de temas abordados e suas rela¸cões.

(15)

1.2 JUSTIFICATIVA

Segundo uma pesquisa realizada pela Confedera¸cão Nacional de Transporte (CNT)9 os acidentes de trânsito são uma das principais causas de óbitos no Brasil e, somente nas rodovias federais policiadas, no per´ıodo entre 2007 e 2017, foram registrados 1.652.403 acidentes e 83.481 mortes, como mostra o gráfico da Figura 4. A pesquisa ainda aponta que as mortes em acidentes ocorridos nas rodovias federais brasileiras correspondem, em média, a 26,0% do total de mortes dos acidentes de trânsito no pa´ıs e estima-se que os custos médios anuais consequentes desses acidentes giram em torno de R$ 10 bilhões. Esse número alt´ıssimo de mortes e acidentes acaba causando preju´ızo para toda a sociedade e, um pa´ıs que busca o desenvolvimento, necessita de medidas capazes de minimizar todos esses danos.

Figura 4 – Número de acidentes e número de óbitos ocorridos em rodovias federais policia-das entre 2007 e 2017.

Fonte: Adaptado de CNT - Confedera¸c˜ao Nacional de Trˆansito (2018).

No entanto, a maior dificuldade encontrada nos estudos e análises técnicas mais profundas de acidentes se dá por estes serem, em geral, acontecimentos imprevis´ıveis, somados a circunstâncias aleatórias e podendo ser somente observados após as suas ocorrências. As causas que levam ao acidente podem também estar correlacionadas a diversas circunstâncias e fatores aleatórios, dificultando ainda mais na defini¸cão de medidas que sejam eficientes para a sua redu¸cão e a de seus danos (CNT - CONFEDERA ¸C ÃO NACIONAL DE TR ÂNSITO, 2018).

E, em meio às dificuldades citadas, os SIGs têm sido uma ferramenta popular para visualiza¸cão de dados de acidentes e análise de hotspots em rodovias. Segundo Erdogan, Yilmaz, Baybura e Gullu (2008), diversas agências de tráfego já têm usado os SIGs para

(16)

análise de acidentes. Estudos de análise de acidentes visam identificar locais com uma alta taxa de acidentes e também áreas com deficiência de seguran¸ca nas rodovias. Desta forma, as autoridades de trânsito responsáveis podem implementar medidas de precau¸cão e provisões para a seguran¸ca no trânsito.

Dois dos maiores aplicativos de navega¸cão do mercado, o Google Maps10e o Waze11, fizeram uma parceria12 na qual é poss´ıvel, dentro do Google Maps, obter a localiza¸cão dos acidentes reportados pelos usuários do Waze, como mostra a Figura 5.

Figura 5 – Visualiza¸c˜ao de acidentes no Google Maps em parceria com o Waze.

Fonte: Canaltech (2018).

O Departamento Nacional de Infraestrutura de Transportes (DNIT)13_{, em 2018,}

também fez uma parceria com o Waze com o intuito de conectar órgãos e operadores oficiais a plataforma, bem como trocar informa¸cões em tempo real entres os aplicativos sobre vias interditadas, obras planejadas e acidentes, tornando a comunica¸cão mais rápida, fornecendo ao governo dados para a gestão e planejamento viário. A implanta¸cão do projeto encontra-se em fase piloto, como mostra a Figura 6.

Todos os aplicativos citados já utilizam algum mecanismo de visualiza¸cão de acidentes de trânsito, e a grande semelhan¸ca entre eles é que, até o momento, todos dependem dos seus usuários para que sejam registrados estes acidentes, bem como a atualiza¸cão da sua situa¸cão, em tempo real. Porém, no que diz respeito à análise e

10_{www.google.com.br/maps - Acessado em: 08 de setembro de 2018.} 11_{www.waze.com/pt-BR - Acessado em: 08 de setembro de 2018.}

12

www.canaltech.com.br/apps/veja-informacoes-sobre-acidentes-de-transito-pelo-waze-no-google-maps - Acessado em: 08 de setembro de 2018.

(17)

Figura 6 – Projeto piloto da parceria entre DNIT e Waze.

Fonte: DNIT - Departamento Nacional de Infraestrutura de Transportes (2018).

visualiza¸cão destes acidentes, esses aplicativos acabam por não serem a melhor alternativa, pois o intuito da divulga¸cão destes acidentes é de utilidade a curto prazo, ou seja, não há um aprofundamento histórico nos locais de maior incidência ou nas causas dos acidentes, tornando estas informa¸cões relevantes somente para o caso de desvio de rotas, com o objetivo de ganhar tempo contornando eventuais engarrafamentos ocasionados por estes acidentes.

Portanto, o propósito deste projeto é criar uma solu¸cão alternativa às aplica¸cões citadas, possuindo foco total nos acidentes de trânsito,contemplando diversas variáveis que irão permitir ao usuário identificar as principais caracter´ısticas referentes aos acidentes de trânsito de Janeiro de 2007 a Junho de 2018 nas rodovias brasileiras. O intuito desta aplica¸cão é, através da visualiza¸cão dos trechos historicamente mais perigosos, utilizar técnicas de clusteriza¸cão para suprir o problema de sobreposi¸cão dos dados de acidentes e possibilitar a identifica¸cão de padrões dos mesmos. Diferente da maioria das aplica¸cões revisadas neste trabalho, esta possui código aberto para a livre utiliza¸cão.

Este trabalho está dividido em cinco se¸cões. Na próxima se¸cão serão abordados os principais temas acerca dos objetivos e suas aplica¸cões. Na se¸cão 3 será apresentada a metodologia. Na se¸cão 4 será apresentado todo o desenvolvimento da interface e os

(18)

resultados dos testes com usuários. Na última se¸cão são apresentadas as dificuldades encontradas e as considera¸cões finais do estudo realizado.

(19)

9

2 REVIS ˜AO DE LITERATURA

Nesta se¸cão são apresentados os principais conceitos relacionados a este trabalho: cidades inteligentes, dados abertos, sistemas de informa¸cão geográfica (SIG) e visualiza¸cão de dados.

2.1 CIDADES INTELIGENTES

Segundo proje¸cões da Organiza¸cão das Na¸cões Unidas (ONU)1_{, 55% da popula¸c˜}_ao

mundial estará residindo em cidades em 2018 e, para 2050, projeta-se que este número suba para 68% (ONU - ORGANIZA ¸C ÃO DAS NA ¸C ÕES UNIDAS, 2018). Este aumento populacional dentro das cidades representa um grande desafio para os governos na gestão pública. A intensa urbaniza¸cão pode causar precariedade, ou até perda, de servi¸cos básicos, como gestão de res´ıduos, gestão de recursos naturais, educa¸cão, seguran¸ca pública, saúde, mobilidade urbana, etc, afetando significativamente a qualidade de vida da popula¸cão (WEISS; BERNARDES; CONSONI, 2017).

As cidades inteligentes utilizam a tecnologia como um meio para prestar, de forma mais eficiente, os servi¸cos urbanos e melhorar a qualidade de vida dos cidadãos. À medida que o mundo se torna cada vez mais instrumentado, interconectado e inteligente, as cidades têm a chance fazer uso de novas solu¸cões e práticas de gerenciamento “inteligentes” (DIRKS; KEELING; DENCIK, 2009). O uso das TICs pelos governos proporciona ganhos de efici-ˆ

encia e eficácia na gestão pública, melhorando processos e fluxo de informa¸cões, bem como amplia¸cão e a qualidade da presta¸cão de servi¸cos públicos (CUNHA; PRZEYBILOVICZ; MACAYA; SANTOS, 2016).

Ainda quanto ao uso das TICs pelas cidades, Weiss, Bernardes e Consoni (2013) dizem que o uso inteligente dessas tecnologias está aprimorando as formas de produ¸cão e a realiza¸cão de negócios, estimulando as intera¸cões sociais entre a popula¸cão e os governos, promovendo a transparência, as melhorias nos servi¸cos e a comunica¸cão entre os responsáveis que atuam nas cidades.

Lemos (2013) complementa que as TICs servem como referência e guia para as tomadas de decisão de governos, empresas e cidadãos, tornando as atividades urbanas mais eficientes e sustentáveis nas esferas econômicas, pol´ıticas, sociais e ecológicas. 2.1.1 DADOS ABERTOS

A Open Knowledge International2 _{define que, para um dado ser considerado aberto,}

qualquer pessoa pode ter acesso a ele, bem como deve ser poss´ıvel utiliz´a-lo, modific´a-lo

1_{www.un.org/en - Acessado em: 12 de setembro de 2018.}

(20)

Cap´ıtulo 2. REVIS ˜AO DE LITERATURA 10

e compartilh´a-lo para qualquer finalidade, desde que se preserve a integridade de sua abertura e origem.

Eaves (2009) propôs três leis a respeito de dados abertos governamentais: 1. Se o dado não pode ser encontrado e indexado na Web, ele não existe;

2. O dado não poderá ser aproveitado caso não esteja aberto e dispon´ıvel em formato compreens´ıvel por máquina;

3. Se houver algum dispositivo legal que não permita a replica¸cão do dado, ele se torna inútil.

`

A medida que as cidades se fazem mais inteligentes, uma grande quantidade de dados pode ser colocada à disposi¸cão da popula¸cão e empresas, impulsionando o desenvolvimento de aplica¸cões comerciais, pesquisas e apoio à tomada de decisões complexas (LOPES; VIDAL; OLIVEIRA, 2016), contribuindo para o desenvolvimento de novos servi¸cos de utilidade para cidadãos e gestores municipais (CUNHA; PRZEYBILOVICZ; MACAYA; SANTOS, 2016).

Com aux´ılio das TICs, como a Internet, a promo¸cão da transparência pode ser potencializada, pois os meios eletrônicos proporcionam uma maior facilidade de acesso aos dados e informa¸cões da administra¸cão pública, permitindo bases de dados brutas serem livremente manipuladas, filtradas ou cruzadas, construindo novas aplica¸cões e conhecimentos pela sociedade (VAZ; RIBEIRO; MATHEUS, 2010).

Os conceitos de dados abertos já estão presentes na legisla¸cão brasileira através da Lei Complementar 131/2009, conhecida como Lei da Transparência3_{, que determina que}

sejam dispon´ıveis, em tempo real, informa¸cões sobre a execu¸cão or¸camentária e financeira da União, dos Estados, do Distrito Federal e dos Munic´ıpios. E também através da Lei 12.527/2011, conhecida como Lei de Acesso à Informa¸cão4, que possibilita, sem necessidade de apresentar um motivo, a qualquer pessoa, f´ısica ou jur´ıdica, o recebimento de informa¸cões públicas dos órgãos e entidades.

Diversas prefeituras de cidades do Brasil e do mundo j´a possuem portais de dados abertos, como por exemplo: Curitiba5_{, S˜}_{ao Paulo}6_{, Rio de Janeiro}7_{, Paris}8 _{e Nova Iorque}9_.

Ainda no cen´ario brasileiro, o Tribunal de Contas da Uni˜ao (TCU)10 _elaborou

em 2015 uma publica¸c˜ao11 _{apresentando cinco raz˜}_{oes para que as organiza¸c˜}_{oes p´}_ublicas

investissem em iniciativas de abertura de dados governamentais. Os cinco motivos propostos

3_{www.leidatransparencia.cnm.org.br - Acessado em: 12 de setembro de 2018.}

4_{www.acessoainformacao.gov.br/assuntos/conheca-seu-direito/a-lei-de-acesso-a-informacao - Acessado}

em: 12 de setembro de 2018.

5_{http://www.curitiba.pr.gov.br/dadosabertos - Acessado em: 07 de novembro de 2018.} 6_{http://dados.prefeitura.sp.gov.br - Acessado em: 07 de novembro de 2018.}

7_{http://portalgeo.pcrj.opendata.arcgis.com - Acessado em: 07 de novembro de 2018.} 8_{https://opendata.paris.fr/explore - Acessado em: 07 de novembro de 2018.}

9_{https://opendata.cityofnewyork.us - Acessado em: 07 de novembro de 2018.} 10_{www.portal.tcu.gov.br/inicio - Acessado em: 12 de setembro de 2018.}

11

(21)

pelo TCU s˜ao, em suma:

1. Transparência na gestão pública;

2. Contribui¸cão da sociedade com servi¸cos inovadores ao cidadão; 3. Aprimoramento na qualidade dos dados governamentais; 4. Viabiliza¸cão de novos negócios;

5. Obrigatoriedade por lei.

2.1.2 DADOS ABERTOS DE ACIDENTES DE TR ˆANSITO

Diversas cidades já disponibilizam os dados sobre acidentes de trânsito para a popula¸cão, nos Estados Unidos, por exemplo, o The Police Data Initiative (PDI)12

disponibiliza, através do seu site, a base de dados de acidentes de trânsito, tanto entre ve´ıculos, como acidentes envolvendo pedestres e ciclistas. Esta base de dados é composta pelos dados de acidentes reportados por diversos departamentos de pol´ıcia de cidades dos Estados Unidos, como mostra a Figura 7.

Figura 7 – Base de dados de acidentes do portal do The Police Data Initiative.

Fonte: The Police Data Initiative (2018).

Ainda nos Estados Unidos, a cidade de Nova Iorque possui um portal chamado New York City Open Data13_{, que disponibiliza para a popula¸c˜}_{ao diversas informa¸c˜}_oes

sobre a cidade, ´e poss´ıvel ter acesso a dados de diversas categorias, como neg´ocios, sobre o

12_{www.policedatainitiative.org - Acessado em: 18 de setembro de 2018.} 13_{www.opendata.cityofnewyork.us - Acessado em: 18 de setembro de 2018.}

(22)

governo, educa¸cão, transporte, meio ambiente e saúde, bem como dados sobre os acidentes de trânsito14_{. A Figura 8 mostra como est´}_{a estruturada a tabela com estes dados dentro}

do portal.

Figura 8 – Base de dados de acidentes do portal New York City Open Data.

Fonte: New York City Open Data (2018).

No Brasil, a PRF possui, como citado anteriormente, uma base de dados dos acidentes de trânsito ocorridos nas rodovias brasileiras. O modelo apresentado pela PRF se assemelha ao implantado pelo New York City Open Data, mostrando os dados de localiza¸cão do acidente (latitude e longitude), os ve´ıculos envolvidos, a causa do acidente, a quantidade de pessoas envolvidas, v´ıtimas (fatais ou não), hora do ocorrido, etc.

2.2 SIG

Os Sistemas de Informa¸cão Geográfica (SIG) possuem como funcionalidades principais a captura, armazenamento, consulta, análise e exibi¸cão de dados geoespaciais (CHANG, 2015). Os dados geoespaciais representam objetos e fenômenos em que a

locali-14_{www.data.cityofnewyork.us/Public-Safety/NYPD-Motor-Vehicle-Collisions/h9gi-nx95/data -}

(23)

za¸cão geográfica é a uma caracter´ıstica essencial para tratá-los (C ÂMARA; CASANOVA; MAGALH ÃES, 1996).

Longley, Goodchild, Maguire e Rhind (2005) definem os SIGs como uma extensão de sistemas de informa¸cão, que armazena não só eventos e atividades, mas também onde estes acontecem. Para um acidente de trânsito em uma rodovia brasileira, por exemplo, esses dados geoespaciais descrevem, além da localiza¸cão, informa¸cões relacionadas como: em que BR ocorreu, em que Quilômetro ocorreu, qual era o sentido da pista, o horário, a data, etc.

Câmara, Casanova e Magalhães (1996) argumentam que os SIGs abrangem dife-rentes tipos de dados e aplica¸cões, em diversas áreas do conhecimento. Alguns exemplos citados são: otimiza¸cão de tráfego, gerenciamento de servi¸cos de utilidade pública, demogra-fia, cartogrademogra-fia, administra¸cão de recursos naturais, controle de epidemias e planejamento urbano.

Fox e Leidig (2014) dividem a arquitetura de um SIG nas trˆes seguintes camadas: • Camada de apresenta¸c˜ao

– Elemento pelo qual é feita a intera¸cão do usuário com o sistema, sendo poss´ıvel entrar com parâmetros para consultas e, consequentemente, visualizar seus resultados.

• Camada de processamento

– É a camada responsável por tratar as entradas do usuário, transformando-as em consultas para o banco de dados. Também é responsável por tratar os resultados de acordo com o escopo da aplica¸cão antes de retornar o resultado ao usuário. • Camada de dados

– Local onde é armazenado dados espaciais e semânticos. Os dados espaciais consistem em pontos, pol´ıgonos e arestas em algum sistema de coordenadas. Já os semânticos representam os nomes e dados relacionados à esses locais. Estas camadas foram ilustradas por Druck (2004) na arquitetura dos SIGs da Figura 9.

(24)

Figura 9 – Arquitetura de Sistemas de Informa¸c˜ao Geogr´afica.

Fonte: Druck (2004).

A organiza¸cão de banco de dados geográficos mais popular é o modelo geo-relacional. Este modelo utiliza um Sistema Gerenciador de Banco de Dados (SGBDs) relacionais para, através de plugins e extensões, introduzir atributos de objetos geográficos (DRUCK, 2004).

2.2.1 REPRESENTA ¸C ˜OES GR ´AFICAS

Algumas das representa¸cões gráficas utilizados por SIGs são: • Pontos

– Representados por um par ordenado de coordenadas espaciais;

– Ex.: (x,y). Um ponto indica um local de ocorrˆencia de um evento (DRUCK, 2004).

• Pol´ıgonos

– Um conjunto de pares ordenados em que o primeiro e o último são iguais, assim formando uma região fechada no plano;

– Ex.: [(3,4),(3,6),(2,2),(3,4)] (HAMADA; GON ¸CALVES, 2007). • Amostras

– Uma tripla ordenada (x,y,z), onde (x,y) representa coordenadas como em um ponto e z representa um valor relacionado a essa coordenada. Seu conceito pode ser generalizado para o caso de m´ultiplas medidas em uma mesma localidade (DRUCK, 2004).

(25)

– Uma matriz em que cada elemento é associado a um valor numérico. A matriz em si é associada a uma região da superf´ıcie terrestre, a partir da coordenada inicial e de espa¸camentos regulares na horizontal e vertical (DRUCK, 2004). • Imagem

– Matriz em que cada elemento está associado a um valor numérico inteiro (geralmente em uma faixa de 0 a 255). Esta matriz é utilizada para apresenta¸cão

gr´afica de uma grade regular (DRUCK, 2004). 2.2.2 APLICA ¸C ˜OES

OLAYA (2011) classifica as aplica¸c˜oes de SIG em categorias, dentre estas destacam-se:

• SIG como uma ferramenta de modelagem

– Diversos processos de análise espacial podem ser aplicados em um SIG, permi-tindo análises geográficas complexas. Um exemplo de aplica¸cão é o projeto “O Globo de Complexidade Econômica” (The Globe of Economic Complexity)15_,

que consiste em um globo interativo que mapeia a economia mundial através de detalhes sobre as rela¸cões comerciais entre na¸cões, quais produtos cada região importa e exporta e seus respectivos valores, ilustrado na Figura 10.

Figura 10 – The Globe of Economic Complexity.

Fonte: International Development, Harvard University (2015). • SIG como ferramenta para difusão de informa¸cão geográfica

(26)

– Uma das caracter´ısticas mais interessantes do SIG é a capacidade de exibir dados geográficos em um formato mais compreens´ıvel, possibilitando uma maior difusão de diversos tipos de informa¸cão geográfica.

• SIG como ferramenta para tomada de decis˜oes

– Um exemplo de SIG para tomada de decisões é apresentado por Ferreira, Poco, Vo, Freire e Silva (2013) que propõe o TaxiVis, um sistema visual que analisa um conjunto de dados geográficos de viagens de táxi na cidade de Nova Iorque. Destes dados, são extra´ıdas informa¸cões sobre o deslocamento entre pessoas, bairros, horários, etc. Esta aplica¸cão permite a realiza¸cão de consultas visuais a esses dados com diversos filtros, assim, possibilitando a obten¸cão de diversas informa¸cões. A interface do sistema é representada na Figura 11.

Figura 11 – Interface de consulta visual e sa´ıda do TaxiVis.

Fonte: Ferreira, Poco, Vo, Freire e Silva (2013). • SIG para desktops

– É a forma mais tradicional de SIG que executa a¸cões como a gestão de dados, visualiza¸cão, edi¸cão, análise e gera¸cão de mapeamento.

• SIG para plataformas Web

– São tecnologias que possibilitam inserir funcionalidades do SIG dentro de páginas web. Um exemplo deste tipo de aplica¸cão é o site Flightradar2416 que disponibiliza a visualiza¸cão de aviões em sua respectiva localiza¸cão pelo mundo todo, em tempo real, como mostra a Figura 12.

(27)

Figura 12 – Visualiza¸c˜ao dos voos pelo Flightradar24.

Fonte: Flightradar24 (2009).

• SIG para plataformas m´oveis

– São tecnologias que permitem a demonstra¸cão dos SIGs dentro de plataformas móveis, através de aplicativos ou páginas Web, como nos aplicativos Waze e Google Maps, citados anteriormente.

2.3 VISUALIZA ¸C ˜AO DE DADOS

Com o aumento da quantidade de dados e informa¸cões dispon´ıveis, torna-se cada vez mais necessário o uso de ferramentas e técnicas que ajudem a fazer uso efetivo desse excesso de informa¸cão, como por exemplo, a visualiza¸cão de dados. Em praticamente qualquer dom´ınio, a visualiza¸cão pode ser e está se tornando uma ferramenta eficaz para auxiliar na análise e na comunica¸cão de dados (WARD; GRINSTEIN; KEIM, 2015).

Ward, Grinstein e Keim (2015) definem a visualiza¸cão como a comunica¸cão de informa¸cões usando representa¸cões gráficas. A visualiza¸cão possibilita, por exemplo, que uma única imagem possua uma quantidade enorme de informa¸cões e seja mais rapidamente assimilada e compreendida pelo sistema perceptivo humano, se comparada a palavras em um texto. Outra caracter´ıstica das imagens é que elas podem ser interpretadas independente de uma linguagem espec´ıfica, por exemplo, um mapa pode ser compreendido por pessoas sem l´ıngua comum. Alexandre e Tavares (2007) complementam que a constru¸cão de uma imagem visual na mente humana se torna um artif´ıcio externo para a constru¸cão de conhecimento utilizando as capacidades perceptivas e cognitivas humanas.

A visualiza¸cão cient´ıfica faz uso da tecnologia computacional para a cria¸cão de visualiza¸cões, com o intuito de facilitar a compreensão, o racioc´ınio e a resolu¸cão de problemas onde a ênfase não está no armazenamento da informa¸cão, mas sim na constru¸cão do pensamento (EARNSHAW; WISEMAN, 2012).

(28)

No que diz respeito a visualiza¸cão geográfica ou cartográfica, Ramos (2005) define como o processo de realizar representa¸cões visuais concretas, seja em papel, por meio de computador, ou outra m´ıdia, para tornar contextos e problemas espaciais vis´ıveis. A visualiza¸cão de dados geográficos se baseia em dados espaciais, ou seja, dados de posi¸cão de GPS e dados de aplica¸cões de sensoriamento remoto. Essencialmente, são dados que podem ser representados em uma mapa ou gráfico (ELLIS; MANSMANN, 2010).

2.3.1 VISUALIZA ¸C ˜AO DE DADOS GEOGR ´AFICOS

Um dos exemplos mais antigos, e até então pioneiro sobre visualiza¸cão e análise de dados, foi realizado por John Snow em 1854, em Londres, onde ocorria, na época, uma grave epidemia de cólera, cuja as causas da doen¸ca eram ainda pouco compreendidas. Snow mapeou a localiza¸cão das residências onde houve óbitos relacionados à doen¸ca e constatou que havia uma grande concentra¸cão destas mortes nas residências ao redor da bomba de água, e que a cólera atingiu majoritariamente as pessoas que moravam próximo ou beberam desta bomba da Broad Street, como mostra a Figura 13.

Figura 13 – Mapa de Londres com ´obitos por c´olera identificados por pontos e po¸cos de ´

agua representados por cruzes.

Fonte: Druck (2004).

Baseado nesta informa¸c˜ao, Snow mandou remover a bomba, diminuindo conside-ravelmente a epidemia que j´a havia matado mais de 500 pessoas (WARD; GRINSTEIN; KEIM, 2015). Este caso documentado pelo Dr. John Snow, foi um dos primeiros exemplos

(29)

que comprovou que a rela¸cão espacial entre os dados contribuiu significativamente para o avan¸co na compreensão do fenômeno (DRUCK, 2004).

Em ambientes altamente interdisciplinares com aplica¸c˜oes sendo utilizadas em ´

areas tão distintas, emerge o grande desafio de identificar os princ´ıpios, métodos e técnicas fundamentais para o gerenciamento de grande volume de dados, suplantando as dificuldades inerentes à análise de dados (JACOBS, 2009) (LAZER; KENNEDY; KING; VESPIGNANI, 2014). Segundo Vila et al. (2016) os esfor¸cos de integrar diferentes conjuntos de dados incluem:

• do ponto de vista do SIG:

– O desafio é como integrar efetivamente diferentes fontes, como abordar diferentes semânticas, como maximizar a eficiência da integra¸cão de dados e como construir uma estrutura robusta capaz de lidar com a integra¸cão.

• da perspectiva da integra¸c˜ao:

– O desafio ´e como evitar um gargalo. • do ponto de vista de dados:

– O desafio é detectar a qualidade dos dados, encontrar metadados confiáveis, entender a limita¸cão dos dados capturados e fornecer uma visão unificada para a navega¸cão dos dados.

• da perspectiva pedag´ogica:

– O desafio é poder explorar todos esses conjuntos de dados enquanto preserva sua semântica. Outro desafio é como criar um ambiente de aprendizagem que incorpore esses dados para fomentar a aprendizagem interdisciplinar e a pesquisa.

2.3.2 CLUSTERIZA ¸C ˜AO

Za¨ıane, Foss, Lee e Wang (2002) descreve o processo de clusteriza¸cão de dados como um agrupamento de informa¸cões, considerando: (i) existência de uma forte similaridade entre os elementos pertencentes ao mesmo grupo e (ii) existência de uma fraca similaridade de elementos pertencentes a grupos diferentes.

A clusteriza¸cão geográfica define dois conceitos importantes em sua defini¸cão: • Markers

– São os pontos que representam a localiza¸cão geográfica de um determinado elemento.

• Clusters

– Representam o agrupamento de markers.

A interface de Vila (2016), dentre os algoritmos e t´ecnicas de clusteriza¸c˜ao, utilizou: • K-means

– Consiste no particionamento de observa¸cões e a aloca¸cão destas em diversos clusters esféricos de forma que cada observa¸cão perten¸ca ao grupo mais próximo

(30)

da média. Para a correta distribui¸cão de markers, é necessário que os clusters esféricos sejam do mesmo tamanho e dimensão. Para utilizar o algoritmo é necessário conhecer o parâmetro K (número de clusters a ser utilizado) (ANDRADE; PEREIRA; WANNER, 2014).

• Marker Clusterer

– O algoritmo Marker Clusterer consiste no agrupamento markers dentro de clusters através de itera¸cões. O primeiro marker é colocado em um cluster e os seguintes são inseridos em um cluster apenas se estiverem determinada distância de qualquer cluster existente. Caso contrário, é criado um novo cluster que agrupa esse marker espec´ıfico (VILA, 2016). O processo geral do algoritmo, em diagrama de fluxo, é representado na Figura 14.

Figura 14 – Diagrama de fluxo do algoritmo Marker Clusterer.

Fonte: Vila (2016).

Um exemplo dessas técnicas pode ser visto na Figura 15, onde se compara uma visualiza¸cão inicial de um conjunto de pontos com a implementa¸cão do heatmap e do algoritmo de clusteriza¸cão Marker Clusterer.

A exemplo de Vila (2016), aplica¸cões como Seattle Collisions, NYPD Motor Vehicle Collisions e Markercluster Pie Charts também fazem uso de clusteriza¸cão em suas interfaces de visualiza¸cão de dados. Estas aplica¸cões serão abordadas detalhadamente nas

(31)

Figura 15 – Visualiza¸c˜ao inicial (esquerda), HeatMap (centro) e Marker Clusterer (direita).

Fonte: Vila (2016).

se¸cões seguintes, onde serão apresentados exemplos de aplica¸cões de visualiza¸cão de dados. 2.3.3 APLICA ¸C ÕES

Nesta se¸cão serão apresentados alguns exemplos, de diversos contextos, de aplica-¸cões que utilizam visualiza¸cão de dados. No final da se¸cão será apresentada uma tabela de compara¸cão das aplica¸cões citadas com o trabalho proposto neste projeto.

A aplica¸c˜ao web Aleppo in Berlin17 _{utilizou imagens de sat´}_{elite que mostravam}

danos de toda a cidade (edif´ıcios e infraestrutura) de Aleppo, na S´ıria, e as projetou em mapas das cidades de Berlim e Londres, como mostra a Figura 16. Para isso, foi utilizado um Choropleth Map (mapa coroplético) que representa a proporcionalidade da variável estat´ıstica em causa, neste caso, a densidade dos estragos. O código da aplica¸cão não é aberto e, além do OpenStreetMap, para o desenvolvimento desta aplica¸cão fora usado a plataforma Carto18_{, que ´}_{e um servi¸co com ferramentas de SIG e mapeamento da Web}

para exibi¸c˜ao em um browser.

Com a utiliza¸cão de dados abertos sobre migra¸cão l´ıquida mundial entre 2010 e 2015, fornecidos pela Divisão de Popula¸cão das Na¸cões Unidas19_{, Max Galka}20 _planejou

visualizar esse grande volume de dados em um mapa chamado World Migration Map21 (Mapa de Migra¸c˜ao Mundial). Este mapa de bolhas (o tamanho da bolha indica a

con-centra¸cão dos dados) mostra a imigra¸cão l´ıquida estimada (entradas menos sa´ıdas) por pa´ıs de origem e destino entre 2010 e 2015. Os c´ırculos azuis significam migra¸cão l´ıquida positiva (migrante), os c´ırculos vermelhos significam migra¸cão l´ıquida negativa (emigrante) e cada ponto amarelo representa 1.000 pessoas, como mostra a Figura 17. Este mapa foi constru´ıdo em Javascript, utilizando as bibliotecas D322_{, three.js}23 _{e MapboxGL}24_{. O}

17_{http://hanshack.com/aleppo/#berlin - Acessado em: 09 de outubro de 2018.} 18_{https://www.carto.com - Acessado em: 23 de novembro de 2018.}

19_{www.un.org/en/development/desa/population - Acessado em: 09 de outubro de 2018.} 20_{www.metrocosm.com/about - Acessado em: 09 de outubro de 2018.}

21_{www.metrocosm.com/global-migration-map.html - Acessado em: 09 de outubro de 2018.} 22_{www.d3js.org - Acessado em: 05 de novembro de 2018.}

23_{www.threejs.org - Acessado em: 05 de novembro de 2018.}

(32)

Figura 16 – Proje¸cão dos dados de destrui¸cão da cidade de Aleppo na cidade de Berlim. A cor avermelhada representa a reproje¸cão da destrui¸cão.

Fonte: Aleppo in Berlin (2017).

código da aplica¸cão é fechado, porém a aplica¸cão é colaborativa, visto que os usuários podem sugerir diversas altera¸cões nas localiza¸cões.

O Bike Share Map25 _{(Mapa de Compartilhamento de Bicicletas) ´}_{e uma aplica¸c˜}_ao

web que mostra os locais das esta¸cões de acoplamento associadas aos sistemas de com-partilhamento de bicicletas de mais de 300 cidades em todo o mundo. Cada esta¸cão de acoplamento é representada por um c´ırculo, seu tamanho e cor, dependendo do tamanho e do número de bicicletas atualmente nele, como mostra a Figura 18. O código da aplica¸cão não é aberto e, além do OpenStreetMap26_{, para o desenvolvimento desta aplica¸c˜}_{ao fora}

usado a ferramenta de desenvolvimento de mapas Mapnik27, e principalmente para o desenho dos c´ırculos de forma dinˆamica, fora usado a biblioteca OpenLayers 428.

Como citado anteriormente, Vila (2016) propôs uma interface de visualiza¸cão de dados integrando diversas bases de dados abertos, como IPPUC, URBS (Urbaniza¸cão de Curitiba)29_{, Open Street Map e Google Maps, todas relacionadas a mobilidade urbana da}

cidade de Curitiba. O maior desafio era criar uma interface de visualiza¸cão e consulta única, que permitisse apresentar esses dados integrados sem perder a semântica. A visualiza¸cão de

25_{www.bikes.oobrien.com - Acessado em: 09 de outubro de 2018.} 26_{www.openstreetmap.org - Acessado em: 09 de outubro de 2018.}

27_{www.github.com/mapnik/mapnik - Acessado em: 09 de novembro de 2018.} 28_{www.openlayers.org/ - Acessado em: 09 de novembro de 2018.}

(33)

Figura 17 – Mapa de migra¸c˜ao global de 2010 a 2015.

Fonte: Max Galka (2016).

Figura 18 – Visualiza¸c˜ao da interface do Bike Share Map.

Fonte: Bike Share Map (2013).

Vila (2016) utilizou clusteriza¸cão de dados por k-means e pelo algoritmo de clusteriza¸cão Marker Clusterer, que serão abordados a seguir.

A Tabela 1 abaixo apresenta um comparativo das aplica¸cões de visualiza¸cão de dados geográficos citados anteriormente em rela¸cão ao trabalho proposto neste projeto. A tabela leva em considera¸cão a interatividade dos dados (se os dados visualizados na

(34)

tela são animados, comportam-se em tempo real ou permanecem estáticos), as principais de técnicas de visualiza¸cão de dados no mapa (técnicas como clusteriza¸cão, Heat Map, geometria vetorial, etc) e se a aplica¸cão é colaborativa (se usuários podem contribuir com informa¸cões para a aplica¸cão).

Tabela 1 – Comparativo de aplica¸cões de visualiza¸cão de dados geográficos.

Vila (2016)

Google

Maps Waze Flightradar24

Aleppo in Berlin World Migration Map Bike Share Map The Globe of Economic Complexity Este trabalho

Interatividade Est´atico Animado/ Tempo real

Animado/ Tempo real

Animado/

Tempo real Est´atico Animado Tempo

real Animado Est´atico Principais

t´ecnicas de Visualiza¸c˜ao

Clusteriza¸c˜ao Dot Map Dot Map Dot Map Chloropleth Map

Bubble Map

Bubble

Map Dot Map Clusteriza¸c˜ao

Colaborativo Não Sim Sim Não Não Não Não Não Não

Dados

abertos Sim Não Não Não Sim Sim Sim Sim Sim

Fonte: Autoria pr´opria.

2.3.4 VISUALIZA ¸C ˜AO DE DADOS DE ACIDENTES DE TR ˆANSITO

Nesta se¸cão, ainda dentro do âmbito de visualiza¸cão de dados e como foco principal deste trabalho, serão apresentados alguns exemplos de aplica¸cões que utilizam visualiza¸cão de acidentes de trânsito e, ao fim da se¸cão, será apresentada uma tabela de compara¸cão das aplica¸cões citadas com o trabalho proposto neste projeto.

Com base nos dados do Fatality Analysis Reporting System (FARS)30 _{do US}

Department of Transportation (Departamento de Transporte dos Estados Unidos)31_{, o}

Mapping 10 Years of Fatal Traffic Accidents32é um mapa virtual que mostra a localiza¸cão de todos os acidentes de trânsito fatais dos Estados Unidos entre os anos de 2004 e 2013. Para o desenvolvimento desta aplica¸cão fora usado a ferramenta MapBox33 e o OpenStreetMap. Cada ´ıcone no mapa corresponde a um acidente fatal. A forma do ´ıcone relaciona-se com o indiv´ıduo que morreu no acidente: homem, mulher, crian¸ca (menor de 16 anos) ou múltiplos. A cor identifica se a pessoa era motorista, passageiro, pedestre ou ciclista. O mapa ainda permite destacar falhas por fator contribuinte: álcool, excesso de velocidade ou dire¸cão distra´ıda, como mostra a Figura 19. Dentre as causas do acidente repassadas pela FARS, três se destacam como as mais significativas e evitáveis: o álcool foi um fator que contribuiu para 31,1% dos acidentes fatais, enquanto o excesso de velocidade contribuiu com 31,2% e a dire¸cão distra´ıda envolveu 17,6% dos acidentes fatais.

30_{www.nhtsa.gov/research-data/fatality-analysis-reporting-system-fars - Acessado em: 10 de outubro}

de 2018.

31_{www.transportation.gov - Acessado em: 10 de outubro de 2018.}

32_{www.metrocosm.com/10-years-of-traffic-accidents-mapped.html - Acessado em: 10 de outubro de}

2018.

(35)

Figura 19 – Visualiza¸c˜ao da interface do Mapping 10 Years of Fatal Traffic Accidents.

Fonte: Mapping 10 Years of Fatal Traffic Accidents (2015).

Utilizando dados abertos do departamento de trˆansito34 _{sobre acidentes, dados}

estat´ısticos35 _{de les˜}_{oes e mortes e seus custos relacionados a acidentes de trˆ}_{ansito e dados}

sobre delimita¸cões espaciais dos bairros, todos relacionados a cidade de Seattle (EUA), o Seattle Collisions36 é um mapa virtual que mostra a visualiza¸cão, utilizando clusteriza¸cão, destes dados nos últimos 10 anos, como mostra a Figura 20. O desenvolvimento desta aplica¸cão foi realizado com a tecnologia OpenStreetMaps, em conjunto da biblioteca javascript Leaflet37_.

Citado anteriormente, o New York City Open Data é um portal que disponibiliza diversos tipos de dados abertos sobre a cidade de Nova Iorque. Além da disponibiliza¸cão dos dados abertos sobre acidentes de trânsito, o portal também oferece uma visualiza¸cão destes dados de forma customizada, permitindo a visualiza¸cão por pontos, heat map e região, como mostra a Figura 21. As tecnologias utilizadas na implementa¸cão das visualiza¸cões foram as já citadas OpenStreetMap e Carto.

O The Boston Crash Model38é um projeto liderado por voluntários que trabalham em parceria com a cidade de Boston (EUA), que tem como objetivo eliminar acidentes fatais e graves até 2030. A prefeitura espera que a ciência de dados torne poss´ıvel entender

34_{www.data-seattlecitygis.opendata.arcgis.com/datasets?t=transportation - Acessado em: 15 de outubro}

de 2018.

35_{www.injuryfacts.nsc.org/motor-vehicle/overview/introduction - Acessado em: 15 de outubro de 2018.} 36_{www.seattlecollisions.timganter.io/collisions - Acessado em: 15 de outubro de 2018.}

37_{www.leafletjs.com/- Acessado em: 23 de novembro de 2018}

(36)

Figura 20 – Visualiza¸c˜ao da interface do Seattle Collisions.

Fonte: Seattle Collisions (2017).

Figura 21 – Interface do New York City Open Data. Visualiza¸c˜ao de acidentes por pontos (cima), heat map (meio) e regi˜ao (baixo).

Fonte: New York City Open Data (2017).

o que torna alguns locais mais perigosos que outros em termos de acidentes de trˆansito. Al´em do mapeamento dos dados abertos39 _{de acidentes, o modelo ainda prevˆ}_{e, para cada}

(37)

segmento de estrada e interse¸cão, para cada semana, a chance de ocorrência de um acidente, como mostra a Figura 22. Toda a parte de visualiza¸cão fora feita através da ferramenta de cria¸cão de mapas interativos ArcGis40, da empresa Esri41.

Figura 22 – Interface do The Boston Crash Model.

Fonte: The Boston Crash Model (2018).

O IPPUC, como citado anteriormente, desenvolveu uma interface de visualiza¸cão de dados geográficos de acidentes de trânsito com v´ıtimas fatais no munic´ıpio de Curitiba, utilizando os dados abertos da PRF, como mostrado na Figura 2. Para o desenvolvimento da interface, foram utilizadas as ferramentas Tableau42 _{para a os gr´}_{aficos e MapBox para}

o mapa interativo. Diferente do que foi proposto por Vila (2016), por exemplo, o projeto do IPPUC não utilizou técnicas de clusteriza¸cão.

Em 2013, B˚ard Romstad propˆos uma interface43 _{de visualiza¸c˜}_{ao dos dados de}

acidentes de trânsito daquele ano na cidade de Oslo, na Noruega, chamada de Markercluster Pie Charts. Esta aplica¸cão utiliza gráficos de rosca na customiza¸cão do cluster, separando-o em partes cseparando-omseparando-o mseparando-ostra a Figura 23, separando-onde separando-os acidentes fseparando-oram divididseparando-os cseparando-onfseparando-orme mostra o ´ındice da figura. Para tal, foi utilizada a biblioteca D3.js do Javascript. Para o desenvolvimento da interface proposta neste trabalho, utilizou-se o código aberto da aplica¸cão Markercluster Pie Charts. Com isso, foi poss´ıvel adaptar os gráficos de rosca citados acima.

40_{https://www.arcgis.com/index.html - Acessado em: 23 de novembro de 2018.} 41_{https://www.esri.com/en-us/home - Acessado em: 24 de novembro de 2018.} 42_{www.tableau.com - Acessado em: 12 de abril de 2019.}

(38)

Figura 23 – Interface do Markercluster Pie Charts.

Fonte: Markercluster Pie Charts (2013).

Durante o levantamento das informa¸cões das aplica¸cões de visualiza¸cão de acidentes, constatou-se que na pesquisa por aplica¸cões que possuem foco em acidentes de trânsito, muito pouco, ou nada, existe de concreto a n´ıvel de Brasil nesta área, com grande predom´ınio de aplica¸cões feitas nos Estados Unidos.

A Tabela 2 abaixo mostra um comparativo das aplica¸cões de visualiza¸cão de acidentes de trânsito citadas nesta se¸cão e anteriormente no decorrer do projeto. A tabela leva em considera¸cão, a exemplo da Tabela 1, a interatividade dos dados (se os dados visualizados na tela são animados, comportam-se em tempo real ou permanecem estáticos), as principais técnicas de visualiza¸cão de dados no mapa (técnicas como clusteriza¸cão, Heat Map, Dot Map, etc.), se a aplica¸cão é colaborativa (se usuários podem contribuir com informa¸cões para a aplica¸cão), se utiliza dados abertos, se a aplica¸cão possui foco em acidentes de trânsito e disponibiliza¸cão histórica de acidentes.

Google Maps e Waze são duas das aplica¸cões mais populares no Brasil quando se trata se trata de visualiza¸cão de dados de trânsito e, como ilustrado na Tabela 2, ambos possuem ferramentas de visualiza¸cão de acidentes de trânsito. Porém, como citado anteriormente, esse não é o foco destas aplica¸cões, fazendo com que esses dados não se aprofundem nos acidentes, mas sim na localiza¸cão do acidente, proporcionando ao usuário uma rota alternativa para desvio. Além disso, ambos dependem das informa¸cões disponibilizadas pelos seus usuários para o mapeamento de acidentes, o que torna todo o sistema vulnerável a usuários mal-intencionados que podem tentar alterar ou fornecer informa¸cões falsas ao sistema. Sob estas condi¸cões, estes servi¸cos enfrentam uma série de vulnerabilidades de seguran¸ca e qualidade de dados (VILA, 2016).

(39)

Tabela 2 – Comparativo de aplica¸cões de visualiza¸cão de dados de acidentes de trânsito.

Google Maps Waze Mapping 10 Years of Fatal Traffic Accidents Seattle Collisions NYPD Motor Vehicle Collisions The Boston Crash Model IPPUC Markercluster Pie Charts Este trabalho Interatividade Animado/ Tempo real Animado/ Tempo real

Estático Estático Estático Estático Estático Estático Estático

Técnica de visualiza¸cão Dot Map Dot Map Dot Map Clusteriza¸cão Heat Map/ Clusteriza¸cão Heat Map Dot

Map Clusteriza¸c˜ao Clusteriza¸c˜ao

Colaborativo Sim Sim Não Não Não Não Não Não Não

Dados

abertos N˜ao N˜ao Sim Sim Sim Sim Sim Sim Sim

Foco em acidentes de trˆansito

N˜ao N˜ao Sim Sim Sim Sim Sim Sim Sim

Hist´orico

de acidentes Não Não Sim Sim Sim Sim Sim Não Sim

Todas as aplica¸cões citadas na Tabela 2 utilizam o OpenStreetMap e, com exce¸cão do Seattle Collisions e Markercluster Pie Charts, que fazem uso de bibliotecas do Javascript, são utilizadas ferramentas pagas especializadas em visualiza¸cão de mapas. Além disso, a maioria delas não faz uso de ferramentas de clusteriza¸cão (o que gera sobreposi¸cão dos dados e dificulta o entendimento dos mesmos), além de não possu´ırem código aberto.

Este trabalho prop˜oe, inspirado pelas interfaces de visualiza¸c˜ao de IPPUC44

e Markercluster Pie Charts45_{, bem como na t´}_{ecnica de clusteriza¸}_c˜_{ao de Vila (2016),}

utilizando a base de dados da PRF, gerados por Kozievitch, Berardi e Kageyama (2019), uma ferramenta de visualiza¸cão, de código aberto, com o intuito de facilitar a identifica¸cão de padrões visuais nos acidentes.

44_{www.ippuc.org.br/mapasinterativos/acidentesDeTransito/dashboard.html} 45_{http://bl.ocks.org/gisminister/10001728}

(40)

30

3 METODOLOGIA

A metodologia deste trabalho est´a dividida em 05 etapas, como ilustrado abaixo na Figura 24.

A primeira etapa consistiu no levantamento bibliográfico de diversas publica¸cões e aplica¸cões, cujos temas estão fortemente relacionados com os objetivos deste trabalho. Os principais conceitos acerca de cidades inteligentes, visualiza¸cão de dados geográficos e de acidentes, SIG e dados abertos foram retirados destes trabalhos, com o intuito de contextualizar parte da problemática levantada neste projeto.

A segunda etapa consistiu no aprofundamento da análise dos dados abertos de acidentes de trânsito disponibilizados pela PRF e gerados por Kozievitch, Berardi e Kageyama (2019), na análise das aplica¸cões de visualiza¸cão de acidentes de trânsito e das interfaces de visualiza¸cão desenvolvidas por Vila (2016), IPPUC e MarkerCluster Pie Charts1, que serviram de guia para este projeto. Nesta etapa também foi desenvolvido um questionário direcionado a comunidade em geral com o intuito de investigar a relevância do projeto proposto, bem como adquirir informa¸cões que viessem a auxiliar o restante do projeto.

A terceira etapa consistiu na modelagem e desenvolvimento da interface de visualiza¸c˜ao proposta, adaptando os conceitos e ferramentas relevantes das interfaces de Vila (2016), IPPUC e MarkerCluster Pie Charts, gerando um prot´otipo para a quarta etapa.

Na quarta etapa foram realizados testes na interface do protótipo, assim como houve uma avalia¸cão da mesma por um grupo de usuários com o intuito de verificar a sua funcionalidade, identificar eventuais falhas e sugestões de melhoria.

A quinta etapa consistiu na análise dos resultados obtidos em todas as etapas do projeto e da visualiza¸cão em si, bem como o apontamento de conclusões, informa¸cões relevantes obtidas na etapa de análise e considera¸cões a respeito das dificuldades encontradas durante o projeto.

(41)

Cap´ıtulo 3. METODOLOGIA 31

Figura 24 – Etapas da metodologia utilizada.

(42)

32

4 DESENVOLVIMENTO

Nesta se¸cão são apresentados os resultados obtidos com a aplica¸cão dos question´ a-rios elaborados, a arquitetura da aplica¸cão e quais tecnologias foram usadas, a descri¸cão da base de dados, a descri¸cão da interface, as principais consultas utilizadas e os desafios encontrados nesta etapa.

4.1 AN ´ALISE DO PROBLEMA

Com base em um questionário aplicado de 30/04/2019 à 17/09/2019, com 30 respostas de usuários escolhidos aleatoriamente, nota-se que as rodovias brasileiras tem sido amplamente utilizadas e que elas se mostram perigosas para a maioria dos usuários. Ao todo foram 8 perguntas, sendo 7 obrigatórias e 1 opcional. O objetivo principal da pesquisa foi o levantar informa¸cões acerca do perfil, opiniões e sugestões de usuários das rodovias federais brasileiras (passageiro, motorista, etc), bem como dimensionar o interesse na aplica¸cão desenvolvida. O questionário pode ser encontrado no Apêndice A.

Algumas caracter´ısticas relevantes da amostra s˜ao:

• A respeito da idade, 15 possuem entre 18 e 21 anos (50%), 7 entre 25 e 29 anos (23,3%), 6 entre 22 e 24 anos (20%), 1 entre 40 e 49 anos (3,33%) e 1 com 50 anos

ou acima (3,33%).

• A respeito do gênero, 24 são do sexo masculino (80%) e 6 são do sexo feminino (20%).

• A respeito do uso de rodovias federais, 27 fazem uso de alguma rodovia, seja como motorista ou passageiro (90%), enquanto 3 n˜ao usam nenhuma (10%).

• A respeito de acidentes nas rodovias, 24 j´a sofreram, ou possuem algum conhe-cido/familiar que se envolveu em algum acidente em rodovias brasileiras (80%), 6 n˜ao possuem (20%).

• A respeito de seguran¸ca nas rodovias brasileiras, 21 as consideram perigosas (70%), 5 as acham seguras (16,7%) e 4 n˜ao sabem opinar (13,3%).

• A respeito da aplica¸cão desenvolvida, dada a descri¸cão, 21 fariam uso da aplica¸cão (70%), 6 não souberam opinar (20%) e 3 não fariam uso (10%).

• A respeito da capacidade da aplica¸cão em auxiliar a identifica¸cão de padrões de acidentes e, possivelmente, ajudar na redu¸cão dos mesmos, 20 acham que a aplica¸cão ajudaria na redu¸cão (66,7%), 6 não souberam opinar (20%) e 4 acham que não ajudaria (13,3%).

A pergunta opcional do questionário se tratava de sugestões do usuário sobre qual tipo de informa¸cão este gostaria de visualizar na aplica¸cão. As respostas estão resumidas na lista a seguir:

(43)

Cap´ıtulo 4. DESENVOLVIMENTO 33

• Qualidade das rodovias (estado do asfalto, ilumina¸c˜ao, etc.), tipos de via (simples, dupla, etc.), sinaliza¸c˜ao e radares (quantidade de multas).

• Gr´afico com os n´umeros de acidentes ao longo dos anos.

• Número de óbitos, causas, locais, horários e datas com maior incidência de acidentes. • Interface sem polui¸cão visual.

• Desvio de rota com acidentes, como no aplicativo Waze. • Dicas de preven¸c˜ao de acidentes.

Com exce¸cão de informa¸cões espec´ıficas que não se encontram na base de dados de acidentes da PRF, como estado de asfalto, ilumina¸cão e infra¸cões de trânsito, as demais informa¸cões foram disponibilizadas na aplica¸cão. A sugestão de desvio de rotas de acidentes, como no aplicativo Waze, faz mais sentido em uma aplica¸cão que utilize algum sistema de GPS, o que não é o caso. As dicas de preven¸cão de acidentes poderiam ser implementadas,

levando-se em considera¸c˜ao os tipos de acidentes, em um trabalho futuro.

4.2 ARQUITETURA

A arquitetura da aplica¸c˜ao ´e uma arquitetura espec´ıfica para SIGs, como citado no Cap´ıtulo 2, na Figura 9, e adaptado para a arquitetura ilustrada na Figura 25 abaixo.

O prot´otipo de visualiza¸c˜ao foi desenvolvido para a web e utiliza a arquitetura apresentada na Figura 25: PostgreSQL 11.01 _{e PostGIS 6.5.2}2 _{(camada de dados); Node.js}

8.12.03 _{e Express 4.17.0}4 _{(camada de processamento); HTML, CSS, JavaScript, D3 3.5.17}

e Leaflet 0.7.2 e OpenStreetMap (camada de apresenta¸c˜ao). Figura 25 – Arquitetura da aplica¸c˜ao.

1_{www.postgresql.org - Acessado em: 31 de outubro de 2018.} 2_{www.postgis.net - Acessado em: 31 de outubro de 2018.} 3_{www.nodejs.org/en - Acessado em: 31 de outubro de 2018.} 4_{www.expressjs.com/pt-br - Acessado em: 31 de outubro de 2018.}

(44)

O servidor de banco de dados utilizado ´e composto por dois cores AMD EPYC 7401 com 1.5GB e mem´oria, sistema operacional Debian 9 e Kernel 5.1.

A máquina utilizada para o desenvolvimento da interface possui as seguintes caracter´ısticas: processador Intel i5 7500, armazenamento de 1TB de HD, 24GB de memória RAM e sistema operacional Windows 10 Home. Para o desenvolvimento dos testes com o usuário, foi utilizado uma máquina com as seguintes caracter´ısticas: processador Intel i3 3220, armazenamento de 1TB de HD, 6GB de memória RAM e sistema operacional Ubuntu 12.04.5 LTS.

4.2.1 BASE DE DADOS

A base de dados referente aos acidentes de trânsito da PRF utilizadas neste trabalho foram, anteriormente a esta proposta, inseridos em uma base PostgresSQL por Kozievitch, Berardi e Kageyama (2019). Neste trabalho, Kozievitch, Berardi e Kageyama (2019) desenvolveram o script de cria¸cão da tabela de acidentes da PRF, que pode ser visto no Apêndice D. Neste trabalho foram inseridos 10 anos e meio de dados em um servidor PostgresSQL, com mais de 1.5 milhões de tuplas. A Figura 26 apresenta os dados da PRF. Os principais ´ındices criados foram para: ano, BR, KM, entre outros.

Figura 26 – Diagrama da base de dados.

(45)

4.2.1.1 LIMPEZA DOS DADOS

Após a inser¸cão dos dados na base, percebeu-se que alguns dados não poderiam ser utilizados na aplica¸cão. Por exemplo, alguns dados possu´ıam latitude e longitude incorretas, apontando para locais fora do Brasil, até mesmo no oceano. Dados com latitude ou longitude faltando (nulos) também foram descartados. Ao todo foram exclu´ıdos 124.892 dados de acidentes.

Também foi feito uma padroniza¸cão nas colunas referentes ao dia da semana e a causa do acidente, pois as mesmas apresentavam dados que, apesar de representar a mesma coisa, estavam registrados de forma diferente. Ex: ”Sábado” e ”sábado”, ”pista escorregadia” e ”Pista escorregadia”.

Como a visualiza¸cão trabalha com as horas inteiras (das 18:00 às 18:59, por exemplo), também fora criado um campo extra espec´ıfico para esse dado, pois extrair apenas a hora da coluna ”data inversa” em todas as consultas é extremamente custoso. 4.2.1.2 CARACTERÍSTICAS DOS DADOS

Uma breve análise dos dados está listada a seguir. Para o exemplo, foram feitas as consultas de números de acidentes por horário, tipos de acidentes mais relevantes, número de mortes por dia da semana e número de acidentes por dia da semana.

A Figura 27 mostra a quantidade de acidentes em rela¸cão ao horário em que ocorreram. Nota-se que a maior parte dos acidentes ocorre às 18h00, o que costuma ser comum na maioria dos pa´ıses, como visto em Kozievitch, Berardi e Kageyama (2019).

Figura 27 – N´umero de acidentes x hor´ario.

(46)

A Figura 28 mostra quais tipos de acidentes mais ocorreram no per´ıodo. Nota-se que colis˜ao traseira lidera como a maior causa de acidentes nas rodovias.

Figura 28 – Tipos de acidentes mais relevantes.

Fonte: Kozievitch, Berardi e Kageyama (2019).

A Figura 29 mostra a quantidade de óbitos em rela¸cão aos dias da semana. Nota-se que a maioria dos acidentes com óbitos ocorre aos finais de semana.

Figura 29 – N´umero de mortes x dia da semana.

Fonte: Kozievitch, Berardi e Kageyama (2019).

A Figura 30 mostra a quantidade de acidentes em rela¸c˜ao aos dias da semana. Nota-se que, a exemplo da Figura 29, a maioria dos acidentes acontece nos finais de semana,