Escolar Documentos
Profissional Documentos
Cultura Documentos
CURITIBA
2019
KARLA KIYOKO HASHIGUCHI
BRUNO DE FREITAS GAI
CURITIBA
2019
“A Folha de Aprovação assinada encontra-se na Coordenação do Curso”
Dedicamos este trabalho aos nossos amores,
pais, professores e melhores amigos.
AGRADECIMENTOS
Agradecemos à Deus, pela força e coragem... às nossas famı́lias, pela compreensão...
e em especial aos nossos companheiros que nos apoiaram em todos os momentos, por compre-
enderem a nossa falta presencial em muitos compromissos, ou nos eventos familiares com o
notebook para estudar ou dar continuidade aos trabalhos, e pelo tempo que nos ausentamos
para nos dedicarmos inteiramente (realmente de corpo e alma) à empreitada que foi a nossa
segunda graduação.
“A alegria está na luta,
na tentativa, no sofrimento envolvido
e não na vitória propriamente dita. ”
(Mahatma Gandhi)
RESUMO
HASHIGUCHI, Karla K.; GAI, Bruno F.. Mobilidade Urbana em Curitiba: um estudo focado em
análise de dados da rede de transporte público. 2019. 92 p. Trabalho de Conclusão de Curso –
Curso Superior de Tecnologia em Sistemas de Telecomunicações, Universidade Tecnológica
Federal do Paraná. Curitiba, 2019.
A dinâmica entre as tecnologias e a vida cotidiana é cada vez mais volátil, exigindo maior
conveniência e facilidade de processos triviais e complexos. Uma consequência da ampla
implementação dos dispositivos baseados na Internet das Coisas reflete claramente a dinâmica
mencionada pela enorme quantidade de dados gerados. Para extrair informações úteis de tais
dados, uma abordagem potencial é conduzir estudos baseados em metodologias estatı́sticas.
Este trabalho aborda tanto IoT quanto mobilidade urbana, visando contribuir para o processo
de decisão de rotas de transporte coletivo ou individual em ambientes urbanos. Revisou-se
as atuais abordagens de IoT sobre mobilidade urbana em Curitiba. Identificou-se os tipos de
transporte público em Curitiba, fazendo a conexão entre IoT e mobilidade urbana. Utilizou-se
a linguagem Python, fez-se uma prova de conceito, com dados quantitativos, analisando dados
históricos com o objetivo de encontrar informações importantes para usuários e gestores da
rede de transporte público em Curitiba.
Palavras-chave: Curitiba URBS. Internet das Coisas. Mobilidade Urbana. Transporte Público.
Python.
ABSTRACT
HASHIGUCHI, Karla K.; GAI, Bruno F.. Urban Mobility in Curitiba: a study focused on data
analysis of the public transport network. 2019. 92 p. Trabalho de Conclusão de Curso – Curso
Superior de Tecnologia em Sistemas de Telecomunicações, Universidade Tecnológica Federal
do Paraná. Curitiba, 2019.
The dynamics between technologies and everyday life is increasingly volatile, pushing for
greater convenience and ease of both trivial and complex processes. A consequence of the wide
implementation of the Internet of Things-based devices clearly reflect the dynamics mentioned
by the huge amount of generated data. To extract useful information from such data, a potential
approach is to conduct studies based on statistical methodologies. This work addresses both
IoT and urban mobility aiming at contributing to the process of route decision for collective or
individual public transportation in urban environments. We reviewed the current IoT approaches
on urban mobility in Curitiba. We identified the types of public transportation in our city making
the connection of IoT and urban mobility. Using Python we have done a proof of concept as a
research application, using quantitative data, followed by analysis of historic data, aiming to
find important information for users and managers of the public transport network in Curitiba.
Keywords: Curitiba URBS. IoT. Urban Mobility. Public Transportation. Python.
LISTA DE FIGURAS
1 – INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.1 MOTIVAÇÃO E JUSTIFICATIVA . . . . . . . . . . . . . . . . . 14
1.2 OBJETIVOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.2.1 Objetivos Gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . .16
1.2.2 Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3 ESTRUTURA DO TEXTO . . . . . . . . . . . . . . . . . . . . . . . 17
2 – REVISÃO DA LITERATURA . . . . . . . . . . . . . . . . . . . . . 18
2.1 INTERNET DAS COISAS . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.1 Surgimento da Internet das Coisas . . . . . . . . . . . . . . . . . . 18
2.1.2 Aplicações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18.
2.1.3 As Tecnologias IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.1.3.1 OnStar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 .
2.1.3.2 Nest . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.3.3 Tesla . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 .
2.2 MOBILIDADE URBANA . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.1 Mobilidade Urbana no Brasil e no Mundo . . . . . . . . . . . . . . 23
2.2.2 Mobilidade Urbana em Curitiba . . . . . . . . . . . . . . . . . . . . 23
2.2.3 Integração Smartphone e IoT no Sistema de Transporte . . . . . 24
2.2.4 IoT no Sistema de Transporte de Curitiba . . . . . . . . . . . . . . .24
2.2.5 Sistemas de Informação da URBS . . . . . . . . . . . . . . . . . . . 26
2.3 LINGUAGEM PYTHON . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4 PROJETOS SIMILARES . . . . . . . . . . . . . . . . . . . . . . . . 28
3 – METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.1 CÓDIGO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .37.
5 – CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.1 DIFICULDADES ENCONTRADAS . . . . . . . . . . . . . . . . . . 55
5.2 TRABALHOS FUTUROS . . . . . . . . . . . . . . . . . . . . . . . . 55
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
APÊNDICES 60
1 INTRODUÇÃO
Figura 1 – Foto de uma estação tubo, ônibus “ligeirinho” e ao fundo, um ı́cone de Curitiba, o
MON (Museu Oscar Niemeyer)
1
URBS: Urbanização de Curitiba S/A, empresa de economia mista que controla o sistema de transporte
público de Curitiba
2
C3SL: Centro de Computação Cientı́fica e Software Livre
Capı́tulo 1. INTRODUÇÃO 16
1.2 OBJETIVOS
Este trabalho tem a finalidade de efetuar uma revisão sobre a mobilidade urbana em
Curitiba e propor uma análise e manipulação para os dados da URBS baseados na geolocalização
(do ponto de parada), data e horário dos veı́culos do transporte público, criando um algoritmo
para uma aplicação que possa determinar o horário de chegada em paradas especı́ficas em
relação ao horário estimado com base no histórico das viagens.
2 REVISÃO DA LITERATURA
São muitos os objetos que utilizam a internet para comunicação. No cotidiano, exemplos
dessa conectividade: o despertador, as notı́cias e mensagens no smartphone (telefones celulares
inteligentes, com tecnologias avançadas, que pode ser comparado a um computador pois inclui
programas em forma de aplicativos), Netflix, quando se escolhe a melhor rota para o trabalho
em algum aplicativo, dentre muitos outros equipamentos que se conectam à internet e realizam
atividades especı́ficas, como as câmeras de segurança de residências, lojas ou estabelecimentos
segundo Alecrim (2018).
2.1.2 Aplicações
A proposta das aplicações é que a conectividade faça com que os objetos possam ficar
mais eficientes ou receber implementações. Por exemplo, na Figura 3 pode se observar uma
geladeira inteligente com internet capaz de avisar quando um alimento está próximo do fim
do prazo de validade, ou pesquisar na internet em quais mercados se encontra determinado
produto e a que preço. Apenas acessar as notı́cias na tela da geladeira não seria tão interessante
e nem tão prático quanto se essas informações pudessem estar disponı́veis no momento em
que se está no supermercado. Pode-se ainda citar a facilidade de poder visualizar o interior da
geladeira na tela do celular, permitindo que cardápios possam ser elaborados antes mesmo de
voltar para casa, sugere Barros (2016).
Capı́tulo 2. REVISÃO DA LITERATURA 19
A tecnologia da Internet das Coisas não é apenas uma única tecnologia, mas sim uma
gama de fatores para definir como é constituı́do, segundo Alecrim (2018). Três componentes,
como se pode observar no esquema conceitual da Figura 4, precisam ser combinados para se
ter uma aplicação de IoT:
• os dispositivos,
• as redes de comunicação,
• e os sistemas de controle
2.1.3.1 OnStar
2.1.3.2 Nest
A Nest, criada em 2010 e adquirida pela Google em 2014 por 3,2 bilhões de dólares, é
uma empresa que desenvolve dispositivos inteligentes para escritórios e residências desde seu
inı́cio Metz (2016).
Um dos produtos mais conhecidos são os termostatos, demonstrados na Figura 7, e
detectores de fumaça que são integrados aos smartphones. O ajuste do termostato à temperatura
do local, seja ele de trabalho ou do lar, se dá a partir da temperatura previamente estipulada.
Caso esteja muito calor, o termostato se ajustará automaticamente, aprendendo os horários
que os usuários costumam sair e chegar em casa e deixando o interior da residência agradável
para o retorno dos usuários. As tecnologias inovadoras da Nest a colocaram em posição de
vanguarda no que diz respeito à Internet das Coisas, segundo Nest (2018). No caso da Nest, os
termostatos e os detectores de fumaça são os dispositivos. A internet é a rede de comunicação
e o monitoramento dessas informações é parte do sistema de controle da Nest.
2.1.3.3 Tesla
Um grupo de engenheiros com o objetivo de provar que um veı́culo elétrico poderia ter
uma performance melhor do que os carros a gasolina, fundaram a Tesla em 2003. A empresa
Tesla crê que o quanto antes o mundo deixar de depender de combustı́veis fósseis e ir em
direção a um futuro de emissão zero será melhor. O design de um dos modelos Tesla pode ser
visto na Figura 8. A esperança da Tesla é que no futuro, tanto a geração e armazenamento de
energia quanto as baterias, sejam combinadas aos carros elétricos, fazendo com que o meio
ambiente fique menos poluı́do, o transporte e a energia sejam mais limpos. A Tesla trata as
baterias e o mecanismo de recarga de uma maneira diferenciada, possuindo sensores para
avisar quando necessita de carga ou substituição das mesmas, incluindo informações como
geolocalização para funcionarem de modo autônomo, Tesla (2018).
Considera-se a gestão do tráfego não como uma questão individual, mas como uma
questão globalizada a ser enfrentada diplomaticamente. Sutar, Koul e Suryavanshi (2016)
apresentam a estrutura eficiente de um sistema de gerenciamento de transporte público
inteligente que rastreia dinamicamente a localização de todos os ônibus e estima o tempo
de chegada do próximo ônibus no terminal de ônibus. Estas informações, são os passageiros
que enviam solicitações usando um aplicativo de smartphone ou por SMS. Com esse serviço
de informações, os passageiros podem planejar melhor sua viagem com certa antecedência,
economizando, assim, tempo e tornando o indivı́duo mais produtivo.
Wilheim (2013) referindo-se à defesa de que a polı́tica pública deveria priorizar o
transporte público sobre o transporte privado. Investimentos deveriam focar na qualidade
dos veı́culos e dos combustı́veis não-poluentes, o autor sugere também que os polı́ticos,
principalmente vereadores, e os funcionários públicos, utilizem mais o transporte público, para
Capı́tulo 2. REVISÃO DA LITERATURA 23
serviço de aluguel de patinetes elétricas Paula Nader, explica que várias questões são levadas
em conta antes de iniciar a operação em qualquer cidade. Por exemplo, a topografia, o ı́ndice
pluviométrico, a escolha da área de cobertura, o perfil do público, a densidade populacional, a
distribuição residencial, a atividade comercial, a infraestrutura de ciclovias é todo um conjunto
de critérios, todos analisados de forma combinada. Paula também explica que o serviço oferecido
não é inovador, mas sim que tiveram coragem de trazê-lo para a América Latina. Segundo a
diretora das empresas, não há vilão no transporte e ressalta que o importante é compartilhar,
segundo Machado (2019).
Usuários que utilizam as linhas de ônibus e cruzam os terminais Vila Oficinas, Cabral,
Boa vista e Centenário a partir de 2018, contam com os painéis eletrônicos para indicar os
horários, de acordo com a URBS (2018).
São 694 painéis luminosos instalados nas estações tubo e nos terminais. Nos pontos
de parada no Terminal do Cabral (ver Figura 12), com informações sobre a linha, o sentido e
Capı́tulo 2. REVISÃO DA LITERATURA 27
as previsões de saı́da, esses painéis fazem com que os usuários consigam prever em quanto
tempo o ônibus chega, segundo URBS (2018).
Os ônibus são acompanhados em tempo real pela Central de Operações, pois existem
computadores de bordo, GPS e sensores. Com esses dados é possı́vel saber as velocidades, os
horários, o tempo estimado de viagem até determinado terminal ou ponto. A Figura 13 mostra
uma tela do sı́tio da URBS, onde estão disponibilizados os aplicativos. Já a Figura 14 mostra a
versão móvel de alguns desses aplicativos URBS (2018).
Como o tema desta pesquisa tem como palco a cidade de Curitiba, não é estranho
que trabalhos similares tenham sido feitos na mesma instituição de ensino dos autores.
Capı́tulo 2. REVISÃO DA LITERATURA 29
Em seu trabalho de conclusão de curso, a autora Koda (2018) propõe uma ferramenta
computacional para avaliação das conexões entre ônibus. A implementação utiliza grafos
temporais, conhecidos como link streams, que representam a permanência dos ônibus no
mesmo local durante determinados intervalos de tempo, permitindo a adequada transferência
de passageiros.
Na mesma linha de pesquisa, Curzel (2019), em sua tese de mestrado, propõe a
utilização dos registros de intersecção entre os ônibus em seus terminais (cliques) para a
obtenção de indicadores de desempenho do transporte, tais como tempo de transferência,
formação de comboios, congestionamento e número de passageiros transferidos.
Os projetos similares citados, assim como a presente pesquisa, têm como parte de
seus objetivos prestar suporte aos planejadores urbanos, para melhoria de operação e gestão do
transporte coletivo.
30
3 METODOLOGIA
Para a elaboração deste Trabalho de Conclusão de Curso foi realizada uma pesquisa
exploratória, qualitativa e descritiva sobre os assuntos IoT, mobilidade urbana e transporte
público. Através de pesquisa bibliográfica disponı́vel, selecionou-se artigos relacionados aos
assuntos Internet das Coisas e Mobilidade Urbana. Uma aplicação de pesquisa, utiliza multimé-
todo, com dados quantitativos, para desenvolver uma pesquisa exploratória descritiva, como
sugere Rocha (2017).
Uma vez concluı́da a pesquisa inicial, utilizou-se de análise quantitativa para atingir as
conclusões pertinentes ao escopo do trabalho que estão alinhadas à discussão apresentada por
Corsar et al. (2014) sobre o desenvolvimento de um sistema de informações de passageiros em
tempo real e que integra informações de transporte com localizações de veı́culos de origem
coletiva, fornecidos a partir de dispositivos móveis.
Em posse de uma revisão sobre os temas que tangem o objetivo desta pesquisa e os
métodos a serem utilizados para a análise de dados, procedeu-se analisar quais dados seriam
necessários para realizar uma verificação sobre o desempenho dos veı́culos do transporte público
de Curitiba. São dados relacionados à geolocalização e de apoio que permitem uma correta
categorização dos mesmos.
Para este trabalho, definiu-se como“ponto”o local de parada dos veı́culos do transporte
coletivo para o embarque e desembarque de passageiros. Da mesma forma, definiu-se como
“ocorrência” a verificação de presença fı́sica do veı́culo nas proximidades do ponto.
Estes dados foram obtidos no repositório da UFPR, mantido pelo C3SL, onde são
armazenados pela URBS metadados de geoposicionamento de todos os veı́culos de sua frota
(1.226 veı́culos) ao longo de suas rotas (251 linhas), um dia após a coleta. Estes dados são
compilados em um arquivo chamado data_veiculo.json. Da mesma forma, são gerados
arquivos contendo a geolocalização dos pontos de cada linha e os horários previstos por ponto
(URBS, 2018). Cabe ressaltar, ainda, que o formato utilizado para encapsular os metadados
é o JSON, muito utilizado para o envio de dados serializados. Estes contêm até 500 MB de
dados e chegam a conter cerca de 5 milhões de registros.
Em análise preliminar aos arquivos, percebeu-se que seriam necessárias algumas adap-
tações na estrutura para que pudessem ser lidos corretamente pela linguagem de programação
Python, uma vez que objetos JSON demandam uma estrutura mı́nima, como afirmam Abdel e
Kannan (2014). Os arquivos utilizados necessitavam dessa estrutura e tiveram que ser corrigidos.
Isto se dá porque são efetuados cortes em um arquivo principal para segmentação por datas, o
que elimina o cabeçalho e o rodapé necessários para a identificação do objeto dentro de um
arquivo menor. Para executar esta correção foi utilizado o algoritmo apresentado no Apêndice
G.
Foi considerado o perı́odo entre fevereiro a abril de 2019 para análise desta pesquisa.
Capı́tulo 3. METODOLOGIA 31
De maneira a garantir a consistência dos dados desta faixa (existência de registros em todas as
datas), utilizou-se o algoritmo apresentado no Apêndice F.
De maneira a reduzir a quantidade de dados a serem processados ao longo das rotinas,
foi definido um raio de 50 metros (testou-se diversos raios para se chegar a esse tamanho)
onde pelo menos uma ocorrência do veı́culo é computada, como na situação A descrita na
Figura 15 em contraposição a situação B da mesma figura onde o raio é muito pequeno e pode
causar a não ocorrência do veı́culo no ponto durante o perı́odo analisado.
Curitiba tem uma extensa malha de transporte público que conta com 1.226 carros
compondo a frota de 2018 e 251 linhas diferentes com rotas e horários para atender a demanda
de cada região. A Figura 17 mostra a composição da frota de Curitiba em 2018.
Capı́tulo 3. METODOLOGIA 33
Dada a complexidade criada pelas várias linhas mostradas na Figura 18, foram
selecionadas três linhas com diferentes caracterı́sticas que pudessem descrever o comportamento
de horários de pico, demonstradas, por sua vez, no Capı́tulo 4: Análise e Discussão dos
Resultados, na Tabela 4. Isso, em primeira análise, permitiu validar o conceito de funcionamento
do algoritmo aplicado. Como este comportamento varia dependendo do dia da semana e da
incidência de feriados, foram considerados somente dias entre segunda e sexta-feira, excluindo
os sábados, domingos e feriados. As linhas selecionadas foram:
Capı́tulo 3. METODOLOGIA 35
• Santa Felicidade;
• Santa Cândida (ver a Figura 22);
• Sı́tio Cercado;
• Boqueirão;
• Pinheirinho;
• Guadalupe;
• Campo Comprido;
• Centenário.
3.1 CÓDIGO
Arquivo JSON
Data Loop
Arquivos JSON
Arquivo CSV Data Útil
Se: Dia Útil
Condição
Lista Nome
Arquivo
Variável
Registro Loop
Coordenadas
Se: Raio < 50
Ocorrência
HorariosLinha.json
Ocorrências
Horários
Previstos
Ocorrência Loop
Horário
Previsto
Horários Previstos *Se: -350 > Diferença < 350
Hora
Média Positiva
Média Negativa Se: -60 > Diferença < 60
Qnt. OK
Qnt. Positiva
Diferença
Qnt. Negativa
Resultado.csv
Foram utilizadas algumas bibliotecas Python para a elaboração das rotinas (ver Figura
24):
Capı́tulo 3. METODOLOGIA 39
Como foram utilizadas várias rotinas, tornaram-se necessárias variáveis globais, podendo
ser acessadas em diversas partes do código (ver figura 25). O código completo deste trecho
pode ser consultado no Apêndice A.
• raio: define raio em metros no qual a ocorrência do veı́culo no ponto analisado deve ser
considerada;
• margem: intervalo de tempo em segundos, anterior ou posterior, no qual as ocorrências
delimitadas pelo raio serão calculadas;
• acerto: intervalo de tempo em segundos em que uma ocorrência do veı́culo no ponto é
considerada conforme;
• Linha: valor inteiro declarado como texto que identifica a linha a qual o ponto pertence;
• NomePonto: texto contendo o nome do ponto;
• dados1: lista onde são armazenados os dados intermediárias obtidos;
• Ponto: valor inteiro declarado como texto que identifica o ponto;
• path_Geral, path_Arquivos, path_Linhas: caminho onde os arquivos devem ser
localizados.
Capı́tulo 3. METODOLOGIA 40
A rotina principal se chama DeltaPonto, sendo ela que concatena todas as demais
(ver Figura 26). O código completo desta rotina pode ser consultado no Apêndice B.
Como nos próximos passos são necessários vários loops, devido à grande quantidade
arquivos contendo até 5 milhões de elementos, foram utilizadas threads que efetuam rotinas
de forma paralela e assı́ncrona (ver Figura 29) que reduziu o tempo de execução de cerca de 2
horas para 10 minutos.
Com a string contendo a localização e o nome do arquivo (linha 2), várias thre-
ads são criadas utilizando a rotina thread_DeltaPonto (linha 3), que percorre os aquivos
(veiculo.json), recebendo como parâmetros a lista de datas e a geolocalização do ponto
(ver Figura 30):
DTHR contendo a data e a hora da ocorrência é separado em duas variáveis (linha 4) para que,
em outro loop aninhado, possa verificar se a data é um dia da semana válido (linha 5 a 8) (ver
Figura 32).
Esta distância deve ser menor que o raio declarado. Se este for o caso, a informação
de data, hora e a identificação do veı́culo são armazenadas em uma lista chamada dados1
(variável global) (ver Figura 34).
Neste ponto um método da classe Thread aguarda que todas as threads sejam
concluı́das (ver Figura 35).
Em seguida o nome do arquivo que contém os horários previstos para a linha analisada
é composto e a rotina Calculo é chamada (linha 2) enviando como parâmetros a lista de dados
ordenada, a margem, o acerto e o NomeArquivo (ver Figura 37).
Para cada horário (linha 1) e para cada ocorrência (linha 2) são armazenadas a data e
hora da ocorrência atual (linha 3) e da próxima (linha 5) calculando a sua diferença (linha 6)
em segundos (ver Figura 39).
Capı́tulo 3. METODOLOGIA 44
Se a diferença estiver dentro da margem, este valor é armazenado em uma lista (ver
Figura 40).
Figura 47 – Linha 924 - Term. Sta. Cândida - Previsto (h) versus Médias + e - (s)
6,0
4,0
Variação Média (min)
2,0
0,0
-2,0
-4,0
-6,0
10:36
11:28
13:46
16:00
17:33
18:14
19:15
20:10
21:53
22:59
10:10
11:02
11:55
12:22
12:50
13:18
14:12
14:39
15:06
15:36
16:20
16:37
16:54
17:13
17:53
18:35
18:55
19:35
20:45
21:19
22:26
23:32
5:05
5:30
5:50
6:10
6:25
6:40
6:58
7:16
7:34
7:52
8:10
8:28
8:48
9:16
9:43
0:05
Horário Previsto
Média de Atraso (min)
Média de Adiant. (min)
Figura 48 – Linha 924 - Term. Sta. Cândida - Previsto (h) versus Média (s)
5,0
4,0
3,0
2,0
Variação Média (min)
1,0
0,0
-1,0
-2,0
-3,0
-4,0
-5,0
5:30
6:25
7:16
8:28
9:43
11:02
12:22
13:46
15:36
16:37
17:33
18:35
19:35
21:53
23:32
5:05
5:50
6:10
6:40
6:58
7:34
7:52
8:10
8:48
9:16
10:10
10:36
11:28
11:55
12:50
13:18
14:12
14:39
15:06
16:00
16:20
16:54
17:13
17:53
18:14
18:55
19:15
20:10
20:45
21:19
22:26
22:59
0:05
Horário Previsto
Percepção do Usuário (min)
Para tornar as informações dos gráficos citados acima mais compreensı́veis, foram
geradas as tabelas exibidas nas Figuras 48 e 50, onde pode-se visualmente perceber a diferença
entre o horário previsto com a média (soma aritmética entre o atraso e o adiantamento) através
de valores positivos que seriam os atrasos em minutos e os adiantamentos com valores negativos
em minutos.
Capı́tulo 4. ANÁLISE E DISCUSSÃO DOS RESULTADOS 51
Figura 49 – Linha 924 - Term. Sta. Felicidade - Previsto (h) versus Médias + e - (s)
6,0
4,0
Variação Média (min)
2,0
0,0
-2,0
-4,0
-6,0
-8,0
10:36
11:28
13:46
16:00
17:33
18:14
19:15
20:10
21:53
22:59
10:10
11:02
11:55
12:22
12:50
13:18
14:12
14:39
15:06
15:36
16:20
16:37
16:54
17:13
17:53
18:35
18:55
19:35
20:45
21:19
22:26
23:32
5:05
5:30
5:50
6:10
6:25
6:40
6:58
7:16
7:34
7:52
8:10
8:28
8:48
9:16
9:43
0:05
Horário Previsto
Média de Atraso (min)
Média de Adiant. (min)
Figura 50 – Linha 924 - Term. Sta. Felicidade - Previsto (h) versus Média (s)
4,0
2,0
Variação Média (min)
0,0
-2,0
-4,0
-6,0
5:30
6:25
7:16
8:28
9:43
11:02
12:22
13:46
15:36
16:37
17:33
18:35
19:35
21:53
23:32
5:05
5:50
6:10
6:40
6:58
7:34
7:52
8:10
8:48
9:16
10:10
10:36
11:28
11:55
12:50
13:18
14:12
14:39
15:06
16:00
16:20
16:54
17:13
17:53
18:14
18:55
19:15
20:10
20:45
21:19
22:26
22:59
0:05
Horário Previsto
Percepção do Usuário (min)
Horário
05:00
05:30
06:00
06:30
07:00
07:30
08:00
08:30
09:00
09:30
10:00
10:30
11:00
11:30
12:00
12:30
13:00
13:30
14:00
14:30
15:00
15:30
16:00
16:30
17:00
17:30
18:00
18:30
19:00
19:30
20:00
20:30
21:00
21:30
22:00
22:30
23:00
23:30
00:00
00:30
Terminal
Santa Felicidade
Santa Cândida
Campo Comprido
Centenário
Boqueirão
Sítio Cercado
Pinheirinho
Guadalupe
Legenda:
Horário de Pico Previsto
Horário de Pico Real
5 CONCLUSÃO
De maneira a complementar o estudo proposto por este trabalho, sugere-se que sejam
feitas análises mais amplas dos pontos da malha viária da URBS sempre e quando a causa
raiz da ausência de dados de uma parte dos veı́culos seja solucionada. É importante para a
Capı́tulo 5. CONCLUSÃO 56
população que se possa definir critérios de avaliação para o serviço de mobilidade urbana, assim
como foi e é válido buscar formas eficientes de medição do desempenho desses serviços.
Uma consideração pontual que pode auxiliar na continuidade da pesquisa é incluir um
método para distinguir o sentido do movimento dos veı́culos e assim analisar as ocorrências
que são atribuı́das ao mesmo raio de um ponto, mas que, na verdade, pertencem ao ponto do
sentido oposto (na outra margem da rua) que está fisicamente próximo.
57
REFERÊNCIAS
MACHADO, C. ”Corajoso foi vir para a América Latina”, diz diretora da pati-
netes Grin. 2019. Disponı́vel em: <https://www.gazetadopovo.com.br/haus/inovacao/
paula-nader-grin-yellow-explica-que-servico-nao-e-inovador/>. Citado 2 vezes nas páginas 25
e 26.
METZ, R. O maior problema da Nest não foi Tony Fadell. 2016. Disponı́vel em: <http:
//www.technologyreview.com.br/read article.aspx?id=50495>. Citado na página 21.
PYSCIENCE-BRASIL. ”Python: O que é? Por que usar? 2017. Disponı́vel em: <http:
//pyscience-brasil.wikidot.com/python:python-oq-e-pq>. Citado na página 28.
ROCHA, E. M. da. Análise da satisfação dos usuários de infraestrutura urbana: caso de vias
públicas com pavimento anti-pó e pavimento em concreto asfáltico no municı́pio de Curitiba.
2017. Disponı́vel em: <http://repositorio.utfpr.edu.br/jspui/bitstream/1/3114/1/CT/PPGEC/
M/Rocha Edson Maikon Da 2017.pdf>. Citado na página 30.
SUTAR, S. H.; KOUL, R.; SURYAVANSHI, R. Integration of Smart Phone and IOT for
development of smart public transportation system. In: 2016 International Conference on
Internet of Things and Applications (IOTA). IEEE, 2016. p. 73–78. ISBN 978-1-5090-
0044-9. Disponı́vel em: <http://ieeexplore.ieee.org/document/7562698/>. Citado 2 vezes nas
páginas 22 e 24.
ZAMBARDA, P. ‘Internet das Coisas’: entenda o conceito e o que muda com a tecno-
logia | Notı́cias | TechTudo. 2019. Disponı́vel em: <https://www.techtudo.com.br/noticias/
noticia/2014/08/internet-das-coisas-entenda-o-conceito-e-o-que-muda-com-tecnologia.
html>. Citado na página 18.
Apêndices
61
0,0
1,0
3,0
-3,0
-2,0
-1,0
2,0
3,0
4,0
-4,0
-3,0
-2,0
0,0
1,0
2,0
4,0
5,0
-5,0
-4,0
-5,0
-1,0
5:10 5:10
5:51 5:51
6:12 6:12
6:32 6:32
6:55 6:55
7:12 7:12
7:28 7:28
8:40 8:40
9:05 9:05
9:29 9:29
9:53 9:53
10:17 10:17
10:40 10:40
11:04 11:04
11:28 11:28
11:52 11:52
12:16 12:16
12:40 12:40
13:04 13:04
13:28 13:28
13:52 13:52
14:16 14:16
Horário Previsto
Horário Previsto
Percepção do Usuário
14:40 14:40
Atrasos e Adiantamentos
15:04 15:04
15:28 15:28
Linha 303 - Terminal Campo Comprido
Linha 303 - Terminal Campo Comprido
15:51 15:51
16:15 16:15
16:36 16:36
16:59 16:59
17:24 17:24
17:48 17:48
18:08 18:08
18:28 18:28
18:49 18:49
19:08 19:08
19:31 19:31
20:03 20:03
20:36 20:36
21:10 21:10
21:44 21:44
22:20 22:20
23:02
Gráficos Linha 303 - Terminal Campo Comprido
23:02
87
Variação Média (min) Variação Média (min)
-5,0
-4,0
-3,0
-2,0
-1,0
0,0
1,0
2,0
3,0
4,0
5,0
0,0
1,0
-3,0
-2,0
-1,0
2,0
3,0
4,0
-5,0
-4,0
5:10 5:10
5:51 5:51
6:12 6:12
6:32 6:32
6:55 6:55
7:12 7:12
7:28 7:28
9:53 9:53
10:17 10:17
10:40 10:40
11:04 11:04
11:28 11:28
11:52 11:52
12:16 12:16
12:40 12:40
13:04 13:04
13:28 13:28
13:52 13:52
Percepção do Usuário
14:16 14:16
Atrasos e Adiantamentos
Horário Previsto
Horário Previsto
14:40 14:40
15:04 15:04
15:28 15:28
15:51 15:51
16:15 16:15
16:36 16:36
16:59 16:59
17:24 17:24
17:48 17:48
18:08 18:08
18:28 18:28
18:49
18:49
19:08
19:08
19:31
19:31
20:03
20:03
20:36
20:36
Gráficos Linha 303 - Terminal Centenário
21:10
21:10
21:44
21:44
22:20
22:20
23:02
23:02
88
Variação Média (min) Variação Média (min)
-6,0
-4,0
-2,0
0,0
2,0
4,0
6,0
-6,0
-4,0
-2,0
0,0
2,0
4,0
6,0
5:40 5:40
5:53 5:53
6:06 6:06
6:19 6:19
6:31 6:31
6:44 6:44
6:58 6:58
8:32 8:32
9:00 9:00
9:28 9:28
9:56 9:56
10:24 10:24
10:52 10:52
11:20 11:20
11:48 11:48
12:16 12:16
12:44 12:44
13:12 13:12
13:40 13:40
Percepção do Usuário
Atrasos e Adiantamentos
Horário Previsto
Horário Previsto
14:08 14:08
14:36 14:36
Linha 507 - Terminal Pinheirinho
20:50 20:50
21:26 21:26
22:02 22:02
89
Variação Média (min) Variação Média (min)
0,0
4,0
6,0
2,0
-6,0
-4,0
-2,0
-4,0
-3,0
-2,0
-1,0
0,0
1,0
2,0
3,0
4,0
5,0
5:40 5:40
5:53 5:53
6:06 6:06
6:19 6:19
6:31 6:31
6:44 6:44
6:58 6:58
9:00 9:00
9:28 9:28
9:56 9:56
10:24 10:24
10:52 10:52
11:20 11:20
11:48 11:48
12:16 12:16
12:44 12:44
13:12 13:12
13:40 13:40
Percepção do Usuário
Atrasos e Adiantamentos
Horário Previsto
Horário Previsto
14:08 14:08
Linha 507 - Terminal Guadalupe
20:25 20:25
20:50 20:50
21:26 21:26
22:02 22:02
90
Variação Média (min) Variação Média (min)
0,0
2,0
4,0
6,0
-4,0
-2,0
-6,0
-6,0
-4,0
-2,0
0,0
2,0
4,0
6,0
5:40 5:40
5:53 5:53
6:06 6:06
6:19 6:19
6:31 6:31
6:44 6:44
6:58 6:58
7:12
9:28 9:28
9:56 9:56
10:24 10:24
10:52 10:52
11:20 11:20
11:48 11:48
12:16 12:16
12:44 12:44
13:12 13:12
13:40 13:40
14:08 14:08
14:36 14:36
Percepção do Usuário
Atrasos e Adiantamentos
15:04 15:04
Horário Previsto
Horário Previsto
15:32 15:32
Linha 507 - Terminal Boqueirão
22:02
22:38 22:38
23:14 23:14
23:50 23:50
0:26 0:26
91
Variação Média (min) Variação Média (min)
-6,0
-4,0
-2,0
0,0
2,0
4,0
6,0
-6,0
-4,0
-2,0
0,0
2,0
4,0
6,0
5:40 5:40
5:53 5:53
6:06 6:06
6:19 6:19
6:31 6:31
6:44 6:44
6:58 6:58
8:32 8:32
9:00 9:00
9:28 9:28
9:56 9:56
10:24 10:24
10:52 10:52
11:20 11:20
11:48 11:48
12:16 12:16
12:44 12:44
13:12 13:12
13:40 13:40
Percepção do Usuário
Horário Previsto
Horário Previsto
14:08 14:08
Atrasos e Adiantamentos
14:36 14:36
Linha 507 - Terminal Sítio Cercado
21:26 21:26
22:02 22:02
92