Universidade Federal do Rio de Janeiro - UFRJ

Coordenao de Ps-Graduao e Pesquisa em Engenharia COPPE

Programa de Engenharia de Transporte

Anlise do Padro de Mobilidade

por Meio de Dados do Mozilla
Location Service

Aluno: Frank L. M. J. de Oliveira Queiroz

Orientador: Paulo C. Martins Ribeiro
Contextualizao
Mtodos tradicionais de coleta de dados em transporte tem grandes limitaes...

Referente ao uso de uma pequena amostra e uma limitao espacial e temporal dos dados
coletados, no possvel obter um cronograma completo das viagens, tampouco variaes
sazonais. (Calabrese et al., 2013)

Referente a participao ativa daqueles que participam de tais pesquisas que podem ou no
lembrar corretamente ou ter razes para no reportar honestamente as informaes.
(Mellegard, 2011)

Referente ao tempo de coleta e processamento, que fica entre 6 a 12 meses (Feriancic, 2015)

Em resumo os mtodos tradicionais so caros, demorados e, por isso, so atualizados numa

frequncia baixa

A busca por um mtodo alternativo constante

 Autor Dados Objetivo
Bonnel, et al. (2012) CDR Matriz OD para Paris
Bar-Gera (2007) Handover Deteco de congestionamentos
McNeill, et al. (2016) Twitter Tweets com geolocalizao
Sparks, et al. (2016) Twitter Utilizao da minerao de texto para inferncia de localizaes
Rojas e Ribeiro (2012) RFID Estudar OD para cargas
Melo, et al. (2015) Bluetooth
Estimativa de OD para transporte pblico
Guerra, et al. (2015) Bilhatagem
Objetivo geral
Analisar o padro de mobilidade do Rio de Janeiro por meio de dados do
Mozilla Location Service

Objetivos especficos
Identificar informaes teis no banco de dados do Mozilla Location Service
Elaborar um procedimento de minerao de informaes dos dados de
localizao do MLS

Justificativa
Alimentar a capacidade de resposta do administrador pblico ao:
Rpido crescimento metropolitano
Mudanas de infraestrutura
Mudana de comportamento das viagens
Propor uso para um dado pblico e pouco explorado at o momento
Mozilla Location Service
um servio de localizao
Estes servios so normalmente baseados em GPS
Servem como API para criao de aplicativos (Runtastic, Moovit por exemplo usam API
do Google Maps)
A inteno do Mozilla fornecer um API gratuito baseado em antenas telefnicas,
pontos de wi-fi pblicos e bluetooths
Obter a localizao de cada um dos pontos uma tarefa impossvel para uma empresa
Ento o Mozilla criou a plataforma baseada em Crowdsourcing a fim de estimar a
posio de antenas telefnicas, pontos de wi-fi pblicos e bluetooths
Os aplicativos so capazes de estimar a posio das antenas de telefonia celular que
cobrem a rea na qual o dispositivo est

Maior colaborao... Maior preciso

Amostra 1 Amostra 10

Posio
estimada
Posio
MozStumbler MozStumbler estimada

Posio real Posio real

Amostra 100

Amostra ->

Posio estimada -> Posio real

MozStumbler A preciso do nvel de antena no o ideal, entretanto,

Posio suficiente para permitir uma estimativa adequada em
estimada estudos de transporte (Caceres et al., 2013)
Posio real
 Todas estas informaes so compiladas para criar uma espcie de mapa global de
antenas e wi-fi pblicos.

Desta forma, qualquer dispositivo que acessar uma das redes

identificadas poder obter a sua geolocalizao aproximada

A cada vez que o indivduo passa pela rea de cobertura de uma antena, a posio da
antena fica mais exata

No futuro o Mozilla ter um banco de dados de localizao de antenas e pontos wi-fi

pblicos suficientemente preciso para localizar qualquer dispositivo

Os dados fornecidos publicamente so (mais importantes):

Hora de atualizao da localizao
Localizao atualizada da torre de telefonia
Materiais e mtodos
1. Extrair da base de dados MLS os dados de localizao da cidade por meio de
coordenadas de latitude e longitude (Microsoft Access)
2. Converter hora do registro de UTC Unix para dia, ms e ano para a cidade do
Rio de Janeiro (Microsoft Excel)
3. Dividir dados filtrados considerando os horrios provveis de casa-trabalho ou
casa-estudo (MySQL)
4. Plotar registros no mapa da cidade do Rio de Janeiro a fim de obter mapas de
calor para horrios usuais de casa-trabalho ou casa-estudo (Quantum GIS)

Os horrios provveis de casa, trabalho ou estudo sero:

Casa: vinte s oito (20h 8h)
Trabalho ou estudo: onze s dezoito (11h 18h)
Resultados

Deteces no horrio de casa

Concentrao de deteces nos Concentrao de deteces nos Concentrao menor em bairros da

bairros da zona sul (Flamengo e bairros da zona norte (Iraj, Vila da zona oeste (Bangu, Realengo e
Ipanema) Penha e Vista Alegre) Campo Grande)
 Deteces no horrio de trabalho

Concentrao de deteces na Concentrao de deteces nos

regio da Grande Tijuca bairros da regio central
Concluses
Padro de mobilidade relativamente condizente com a realidade da cidade do Rio de Janeiro
Leva-se a inferir uma tendncia de movimentao a regio central da cidade nos horrios
teoricamente referentes ao trabalho ou estudo
Tem potencial ao clculo de matriz OD diria

Prximos passos da pesquisa

1. Processar uma amostra de 60 dias, separando dias teis e finais de semana a fim de analisar quais
alteraes no padro e em qual grau elas ocorrem;

2. Definir fluxo de viagens entre macrozonas com base no mtodo gravitacional, considerando como
produo as deteces no horrio de casa e atrao as deteces no horrio de trabalho ou estudo;

3. Comparar propores de viagens obtidas pelo MLS com dados do Plano Diretor de Transportes
Urbanos do Rio de Janeiro, a fim de analisar se, atravs de testes estatsticos, h correlao entre os
dados das duas fontes.
Referncias bibliogrficas
Asakura, Y., Hato, E., & Sugino, K. (2005). Simulating travel behaviour using location positioning data collected with a mobile phone system. In Simulation Approaches in
Transportation Analysis (pp. 183-204). Springer US.
Associao Nacional das Empresas de Transportes Urbanos - NTU (2015). Revista NTU Urbano Edio N13.
Bar-Gera, H. (2007). Evaluation of a cellular phone-based system for measurements of traffic speeds and travel times: A case study from Israel. Transportation Research Part C: Emerging
Technologies, 15(6), 380-391.
Bekhor, S., Cohen, Y., & Solomon, C. (2013). Evaluating long distance travel patterns in Israel by tracking cellular phone positions. Journal of Advanced Transportation, 47(4), 435-446.
Bonnel, P., Hombourger, E., Olteanu-Raimond, A. M., & Smoreda, Z. (2015). Passive mobile phone dataset to construct origin-destination matrix: potentials and limitations.
Transportation Research Procedia, 11, 381-398.
Calabrese, F., Diao, M., Di Lorenzo, G., Ferreira, J., & Ratti, C. (2013). Understanding individual mobility patterns from urban sensing data: A mobile phone trace example.
Transportation research part C: emerging technologies, 26, 301-313.
Feriancic, G., Celeiro, F. R., & Silva, L. N. B. (2015). Planejamento da Mobilidade com Big Data de Telefonia Mvel. In 20 Congresso Brasileiro de Transporte e Trnsito, Santos.
Guerra, A. L., Barbosa, H. M., & de Oliveira, L. K. (2014). Estimativa de matriz origem/destino utilizando dados do sistema de bilhetagem eletrnica: proposta metodolgica.
TRANSPORTES, 22(3), 26-38.
Mellegrd, E. (2011). Obtaining Origin/Destination-matrices from cellular network data.
McNeill, G., Bright, J., & Hale, S. A. (2016). Estimating Local Commuting Patterns From Geolocated Twitter Data.
Qiu, Z., & Cheng, P. (2007, January). State of the art and practice: cellular probe technology applied in advanced traveler information system. In 86th Annual Meeting of the
Transportation Research Board, Washington, DC (No. 0223)
Rojas, A., & Ribeiro, P. C. M. (2012). Freight Truck Assignment from RFID Flow Analysis. In 19th ITS World Congress.
Sparks, K. A., Li, R. G., Thakur, G. S., Stewart, R. N., & Urban, M. L. (2016, October). Facility detection and popularity assessment from text classification of social media and
crowdsourced data. In Proceedings of the 10th Workshop on Geographic Information Retrieval (p. 2). ACM.
Toole, J. L., Colak, S., Sturt, B., Alexander, L. P., Evsukoff, A., & Gonzlez, M. C. (2015). The path most traveled: Travel demand estimation using big data resources. Transportation
Research Part C: Emerging Technologies, 58, 162-177.
Wang, M. H., Schrock, S. D., Vander Broek, N., & Mulinazzi, T. (2013). Estimating dynamic origin-destination data and travel demand using cell phone network data. International
Journal of Intelligent Transportation Systems Research, 11(2), 76-86.
White, J., & Wells, I. (2002). Extracting origin destination information from mobile phone data.
 Frank de Oliveira Queiroz
Universidade Federal do Rio de Janeiro - UFRJ
Programa de Engenharia de Transporte - PET
frank@pet.coppe.ufrj.br
(65) 99630 4879
(21) 96568 4998