Devemos Considerar Distâncias em Rede ou Anisotropia na Estimativa Espacial de Dados Faltantes de Tráfego?
DOI:
https://doi.org/10.58922/transportes.v31i1.2822Palavras-chave:
Volume Médio Diário Anual, Krigagem Ordinária, Distâncias em rede, AnisotropiaResumo
Tendo em vista a indisponibilidade de dados de volume de tráfego para todos os trechos viários, a literatura científica propõe a estimativa dessa variável a partir de interpoladores espaciais. Contudo, a maioria das abordagens encontradas utiliza a distância euclidiana entre os pontos do banco de dados e ignora a anisotropia do fenômeno. Dessa forma, o objetivo do presente trabalho foi aplicar a Krigagem Ordinária (KO) com distâncias em rede e KO anisotrópica ao volume de tráfego em rodovias do estado de São Paulo, comparando seus resultados aos da abordagem isotrópica com distâncias euclidianas. Métricas de aderência confirmaram o bom desempenho e melhor adequabilidade da KO com distâncias em rede, em detrimento das análises com distâncias euclidianas. Tratar a anisotropia do volume de tráfego também contribuiu para a melhoria dos resultados. O método proposto pode servir efetivamente como suporte à estimativa do volume de tráfego em trechos sem dados de fluxo.
Downloads
Referências
Apronti, D.; K. Ksaibati; K. Gerow et al. (2016) Estimating traffic volume on Wyoming low volume roads using linear and logistic regression methods. Journal of Traffic and Transportation Engineering, v. 3, n. 6, p. 493-506. DOI: 10.1016/j.jtte.2016.02.004. DOI: https://doi.org/10.1016/j.jtte.2016.02.004
Box, G.E.P. and D.R. Cox (1964) An analysis of transformations. Journal of the Royal Statistical Society. Series A (General), v. 26, n. 2, p. 211-52. DOI: https://doi.org/10.1111/j.2517-6161.1964.tb00553.x
Carvalho, S.D.P.C.; L.C.E. Rodriguez; L.D. Silva et al. (2015) Predição do volume de árvores integrando Lidar e Geoestatística. Scientia Forestalis, v. 43, n. 107, p. 627-37.
Chi, G. and Y. Zheng (2013) Estimating transport footprint along highways at local levels: a combination of network analysis and kriging methods. International Journal of Sustainable Transportation, v. 7, n. 3, p. 261-73. DOI: 10.1080/15568318.2013.710150. DOI: https://doi.org/10.1080/15568318.2013.710150
Chiles, J. and P. Delfiner (2012) Geostatistics: Modeling Spatial Uncertainty (2nd ed). New Jersey: John Wiley & Sons. DOI: 10.1002/9781118136188. DOI: https://doi.org/10.1002/9781118136188
Cressie, N. and D.M. Hawkins (1980) Robust estimation of the variogram: I. Journal of the International Association for Mathematical Geology, v. 12, n. 2, p. 115-25. DOI: 10.1007/BF01035243. DOI: https://doi.org/10.1007/BF01035243
Cressie, N.A.C. (1993) Statistics for Spatial Data. New Jersey: John Wiley & Sons. DOI: https://doi.org/10.1002/9781119115151
Deutsch, C.V. and A.G. Journel (1998) GSLIB: Geostatistical Software Library and User’s Guide (2nd ed). New York: Oxford University Press.
DNIT (2006) Manual de Estudos de Tráfego. Rio de Janeiro: Departamento Nacional de Infraestrutura de Transportes. Available at: <https://www.gov.br/dnit/pt-br/assuntos/planejamento-e-pesquisa/ipr/coletanea-demanuais/vigentes/723_manual_estudos_trafego.pdf> (accessed 06/03/2023).
Duddu, V.R. and S.S. Pulugurtha (2013) Principle of demographic gravitation to estimate annual average daily traffic: comparison of statistical and neural network models. Journal of Transportation Engineering, v. 139, n. 6, p. 585-95. DOI: 10.1061/(ASCE)TE.1943-5436.0000537. DOI: https://doi.org/10.1061/(ASCE)TE.1943-5436.0000537
Eom, J.K.; M.S. Park; T. Heo et al. (2006) Improving the prediction of annual average daily traffic for nonfreeway facilities by applying a spatial statistical method. Transportation Research Record: Journal of the Transportation Research Board, v. 1968, n. 1, p. 20-9. DOI: 10.1177/0361198106196800103. DOI: https://doi.org/10.1177/0361198106196800103
Eriksson, M. and P.P. Siska (2000) Understanding anisotropy computations. Mathematical Geology, v. 32, n. 6, p. 683-700. DOI: 10.1023/A:1007590322263. DOI: https://doi.org/10.1023/A:1007590322263
Evans, J.S. (2021) _spatialEco_. R package version 1.3-6. Available at: <https://github.com/jeffreyevans/spatialEco> (accessed 06/03/2023).
Gomes, M.M.; C.S. Pitombo; A. Pirdavani et al. (2018) Geostatistical approach to estimate car occupant fatalities in traffic accidents. Revista Brasileira de Cartografia, v. 70, n. 4, p. 1231-56. DOI: 10.14393/rbcv70n4-46140. DOI: https://doi.org/10.14393/rbcv70n4-46140
Goovaerts, P. (2009) Medical geography: a promising field of application for geostatistics. Mathematical Geosciences, v. 41, n. 3, p. 243-64. DOI: 10.1007/s11004-008-9211-3. PMid:19412347. DOI: https://doi.org/10.1007/s11004-008-9211-3
Hollander, Y. and R. Liu (2008) The principles of calibrating traffic microsimulation models. Transportation, v. 35, n. 3, p. 347-62. DOI: 10.1007/s11116-007-9156-2. DOI: https://doi.org/10.1007/s11116-007-9156-2
IBGE (2021) IBGE Cidades. Available at: <https://cidades.ibge.gov.br/brasil/sp/sao-paulo/panorama> (accessed 06/03/2023).
Isaaks, E.H. and R.M. Srivastava (1989) An Introduction to Applied Geostatistics (1st ed). New York: Oxford University Press. Available at: <https://books.google.com.br/books?id=t62mtgAACAAJ> (accessed 06/03/2023).
Kerry, R.; P. Goovaerts; D. Giménez et al. (2016) Investigating geostatistical methods to model within-field yield variability of cranberries for potential management zones. Precision Agriculture, v. 17, n. 3, p. 247-73. DOI: 10.1007/s11119-015-9408-7. DOI: https://doi.org/10.1007/s11119-015-9408-7
Khan, S.M.; S. Islam; M.D.Z. Khan et al. (2018) Development of statewide annual average daily traffic estimation model from short-term counts: a comparative study for South Carolina. Transportation Research Record: Journal of the Transportation Research Board, v. 2672, n. 43, p. 55-64. DOI: 10.1177/0361198118798979. DOI: https://doi.org/10.1177/0361198118798979
Kim, S.; D. Park; T. Heo et al. (2016) Estimating vehicle miles traveled (VMT) in urban areas using regression kriging. Journal of Advanced Transportation, v. 50, n. 5, p. 769-85. DOI: 10.1002/atr.1374. DOI: https://doi.org/10.1002/atr.1374
Klatko, T.J.; T.U. Saeed; M. Volovski et al.(2017) Addressing the local-road VMT estimation problem using spatial interpolation techniques. Journal of Transportation Engineering, Part A: Systems, v. 143, n. 8, p. 4017038. DOI: 10.1061/JTEPBS.0000064. DOI: https://doi.org/10.1061/JTEPBS.0000064
Krige, D.G. (1951) A statistical approach to some basic mine valuation problems on the Witwatersrand. Journal of the Southern African Institute of Mining and Metallurgy, v. 52, n. 6, p. 119-39.
Lindner, A. and C.S. Pitombo (2019) Sequential Gaussian simulation as a promising tool in travel demand modeling. Journal of Geovisualization and Spatial Analysis, v. 3, n. 2, p. 15. DOI: 10.1007/s41651-019-0038-x. DOI: https://doi.org/10.1007/s41651-019-0038-x
Marques, S.F. and C.S. Pitombo (2020) Intersecting geostatistics with transport demand modeling: a bibliographic survey. Revista Brasileira de Cartografia, v. 72, p. 1028-50. DOI: 10.14393/rbcv72nespecial50anos-56467. DOI: https://doi.org/10.14393/rbcv72nespecial50anos-56467
Marques, S. de F. and C.S. Pitombo (2021a) Applying multivariate Geostatistics for transit ridership modeling at the bus stop level. Boletim de Ciências Geodésicas, v. 27, n. 2, p. e2021019. DOI: 10.1590/1982-2170-2020-0069. DOI: https://doi.org/10.1590/1982-2170-2020-0069
Marques, S.F. and C.S. Pitombo (2021b) Ridership estimation along bus transit lines based on kriging: comparative analysis between network and euclidean distances. Journal of Geovisualization and Spatial Analysis, v. 5, n. 1, p. 7. DOI: 10.1007/s41651-021-00075-w. DOI: https://doi.org/10.1007/s41651-021-00075-w
Marques, S.F. and C.S. Pitombo (2021c) Spatial modeling of transit ridership along bus lines with overlapping sections. In: Anais do 35o Congresso de Pesquisa e Ensino em Transportes. p. 1568-80. Available at: <https://www.researchgate.net/publication/357517939_SPATIAL_MODELING_OF_TRANSIT_RIDERSHIP_ALONG_BUS_LINES_WITH_OVERLAPPING_SECTIONS> (accessed 06/03/2023).
Matheron, G. (1971) The Theory of Regionalized Variables and its Applications. Paris: Les Cahiers du Centre de Morphologie Mathematique in Fontainebleu.
Mathew, S. and S.S. Pulugurtha (2021) Comparative assessment of geospatial and statistical methods to estimate local road annual average daily traffic. Journal of Transportation Engineering, Part A: Systems, v. 147, n. 7, p. 04021035. DOI: 10.1061/JTEPBS.0000542. DOI: https://doi.org/10.1061/JTEPBS.0000542
Millard, S.P. (2013) EnvStats: an R Package for Environmental Statistics. New York: Springer. DOI: https://doi.org/10.1007/978-1-4614-8456-1
Moran, P.A.P. (1948) The interpretation of statistical maps. Journal of the Royal Statistical Society. Series B. Methodological, v. 10, n. 2, p. 243-51. DOI: 10.1111/j.2517-6161.1948.tb00012.x. DOI: https://doi.org/10.1111/j.2517-6161.1948.tb00012.x
Olea, R.A. (2006) A six-step practical approach to semivariogram modeling. Stochastic Environmental Research and Risk Assessment, v. 20, n. 5, p. 307-18. DOI: 10.1007/s00477-005-0026-1. DOI: https://doi.org/10.1007/s00477-005-0026-1
Oliver, M.A. and R. Webster (2015) Basic Steps in Geostatistics: The Variogram and Kriging. Cham: Springer. DOI: 10.1007/978-3-319-15865-5. DOI: https://doi.org/10.1007/978-3-319-15865-5
Ortúzar, J. de D. and L.G. Willumsen (2011) Modelling Transport. Oxford: John Wiley & Sons. DOI: 10.1002/9781119993308. DOI: https://doi.org/10.1002/9781119993308
Paradis, E.; J. Claude and K. Strimmer (2004) APE: Analyses of Phylogenetics and Evolution in R language. Bioinformatics, v. 20, n. 2, p. 289-90. DOI: 10.1093/bioinformatics/btg412. PMid:14734327. DOI: https://doi.org/10.1093/bioinformatics/btg412
Pebesma, E.J. (2004) Multivariable geostatistics in S: the gstat package. Computers & Geosciences, v. 30, n. 7, p. 683-91. DOI: 10.1016/j.cageo.2004.03.012. DOI: https://doi.org/10.1016/j.cageo.2004.03.012
Pulugurtha, S.S. and P.R. Kusam (2012) Modeling annual average daily traffic with integrated spatial data from multiple network buffer bandwidths. Transportation Research Record: Journal of the Transportation Research Board, v. 2291, n. 1, p. 53-60. DOI: 10.3141/2291-07. DOI: https://doi.org/10.3141/2291-07
Pulugurtha, S.S. and S. Mathew (2021) Modeling AADT on local functionally classified roads using land use, road density, and nearest nonlocal road data. Journal of Transport Geography, v. 93, p. 103071. DOI: 10.1016/j.jtrangeo.2021.103071. DOI: https://doi.org/10.1016/j.jtrangeo.2021.103071
R Core Team (2021) R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. Available at: <https://www.r-project.org/> (accessed 06/03/2023).
Remy, N.; A. Boucher and J. Wu (2009) Applied Geostatistics with Sgems: A User’s Guide. Cambridge: Cambridge University Press. DOI: 10.1017/CBO9781139150019. DOI: https://doi.org/10.1017/CBO9781139150019
Ribeiro Jr, P.J. and P.J. Diggle (2016). geoR: Analysis of Geostatistical Data. R package version 1.7-5.2. Available at: <https://CRAN.R-project.org/package=geoR> (accessed 06/03/2023).
Sarlas, G. and K. W. Axhausen (2015) Prediction of AADT on a nationwide network based on an accessibility-weighted centrality measure. Arbeitsberichte Verkehrs- und Raumplanung, 1094, 1-21.
Selby, B. and K.M. Kockelman (2013) Spatial prediction of traffic levels in unmeasured locations: applications of universal kriging and geographically weighted regression. Journal of Transport Geography, v. 29, p. 24-32. DOI: 10.1016/j.jtrangeo.2012.12.009. DOI: https://doi.org/10.1016/j.jtrangeo.2012.12.009
Shamo, B.; E. Asa and J. Membah (2015) Linear spatial interpolation and analysis of annual average daily traffic data. Journal of Computing in Civil Engineering, v. 29, n. 1, p. 4014022. DOI: 10.1061/(ASCE)CP.1943-5487.0000281. DOI: https://doi.org/10.1061/(ASCE)CP.1943-5487.0000281
Sharma, S.; P. Lingras; F. Xu et al. (2001) Application of neural networks to estimate AADT on low-volume roads. Journal of Transportation Engineering, v. 127, n. 5, p. 426-32. DOI: 10.1061/(ASCE)0733-947X(2001)127:5(426). DOI: https://doi.org/10.1061/(ASCE)0733-947X(2001)127:5(426)
Song, I. and D. Kim (2022) Three common machine learning algorithms neither enhance prediction accuracy nor reduce spatial autocorrelation in residuals: an analysis of twenty-five socioeconomic data sets. Geographical Analysis, p. gean.12351. DOI: 10.1111/gean.12351. DOI: https://doi.org/10.1111/gean.12351
Song, Y.; X. Wang; G. Wright et al. (2019) Traffic volume prediction with segment-based regression kriging and its implementation in assessing the impact of heavy vehicles. IEEE Transactions on Intelligent Transportation Systems, v. 20, n. 1, p. 232-43. DOI: 10.1109/TITS.2018.2805817. DOI: https://doi.org/10.1109/TITS.2018.2805817
Souza, V.H.P. and M.R. Silveira (2009) Aspectos econômicos e infraestrutura rodoviária no estado de São Paulo: uma relação solidária. In: XII Encuentro de Geógrafos da América Latina - Caminando a una América Latina en Trasnformación (p. 1–16). Montevideo, Uruguay: Universidad de la República.
Stelzenmüller, V.; S. Ehrich and G.P. Zauke (2005) Impact of additional small-scale survey data on the geostatistical analyses of demersal fish species in the North Sea. Scientia Marina, v. 69, n. 4, p. 587-602. DOI: 10.3989/scimar.2005.69n4587. DOI: https://doi.org/10.3989/scimar.2005.69n4587
Tobler, W.R. (1970) A computer movie simulating urban growth in the detroit region. Economic Geography, v. 46, p. 234-40. DOI: 10.2307/143141. DOI: https://doi.org/10.2307/143141
UFRJ (2018) Nota Técnica Nº 003/2018/DE: Síntese do Desenvolvimento Técnico-Científico da Metodologia para Estimativa do Volume Médio Diário Anual - VMDa em Toda a Malha Rodoviária Federal Pavimentada. Rio de Janeiro: Universidade Federal do Rio de Janeiro.
Ver Hoef, J.M. (2018) Kriging models for linear networks and non-Euclidean distances: cautions and solutions. Methods in Ecology and Evolution, v. 9, n. 6, p. 1600-13. DOI: 10.1111/2041-210X.12979. DOI: https://doi.org/10.1111/2041-210X.12979
Wang, T.; A. Gan and P.Alluri(2013) Estimating annual average daily traffic for local roads for highway safety analysis. Transportation Research Record: Journal of the Transportation Research Board, v. 2398, n. 1, p. 60-6. DOI: 10.3141/2398-07. DOI: https://doi.org/10.3141/2398-07
Wang, X. and K. Kockelman (2009) Forecasting network data. Transportation Research Record: Journal of the Transportation Research Board, v. 2105, n. 1, p. 100-8. DOI: 10.3141/2105-13. DOI: https://doi.org/10.3141/2105-13
Wong, A.H. and T.J. Kwon (2021) Advances in regression kriging-based methods for estimating statewide winter weather collisions: an empirical investigation. Future Transportation, v. 1, n. 3, p. 570-89. DOI: 10.3390/futuretransp1030030. DOI: https://doi.org/10.3390/futuretransp1030030
Yang, H.; J. Yang; L.D. Han et al. (2018) A Kriging based spatiotemporal approach for traffic volume data imputation. PLoS One, v. 13, n. 4, e0195957. DOI: 10.1371/journal.pone.0195957. PMid:29664928. DOI: https://doi.org/10.1371/journal.pone.0195957
Zhang, D. and X.C. Wang (2014) Transit ridership estimation with network Kriging: a case study of Second Avenue Subway, NYC. Journal of Transport Geography, v. 41, p. 107-15. DOI: 10.1016/j.jtrangeo.2014.08.021. DOI: https://doi.org/10.1016/j.jtrangeo.2014.08.021
Zou, H.; Y. Yue; Q. Li et al. (2012) An improved distance metric for the interpolation of link-based traffic data using kriging: a case study of a large-scale urban road network. International Journal of Geographical Information Science, v. 26, n. 4, p. 667-89. DOI: 10.1080/13658816.2011.609488 DOI: https://doi.org/10.1080/13658816.2011.609488
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Samuel de França Marques, Renan Favero, Cira Souza Pitombo
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Ao submeter um manuscrito para publicação neste periódico, todos os seus autores concordam, antecipada e irrestritamente, com os seguintes termos:
- Os autores mantém os direitos autorais e concedem à Revista TRANSPORTES o direito de primeira publicação do manuscrito, sem nenhum ônus financeiro, e abrem mão de qualquer outra remuneração pela sua publicação pela ANPET.
- Ao ser submetido à Revista TRANSPORTES, o manuscrito fica automaticamente licenciado sob a Licença Creative Commons Attribution, que permite o compartilhamento do trabalho com reconhecimento da autoria e da publicação inicial neste periódico.
- Os autores têm autorização para assumir contratos adicionais separadamente, para distribuição não exclusiva da versão do trabalho publicada neste periódico (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento da publicação inicial nesta revista, desde que tal contrato não implique num endosso do conteúdo do manuscrito ou do novo veículo pela ANPET.
- Os autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) depois de concluído o processo editorial. Como a Revista TRANSPORTES é de acesso livre, os autores são estimulados a usar links para o site da Revista TRANSPORTES nesses casos.
- Os autores garantem ter obtido a devida autorização dos seus empregadores para a transferência dos direitos nos termos deste acordo, caso esses empregadores possuam algum direito autoral sobre o manuscrito. Além disso, os autores assumem toda e qualquer responsabilidade sobre possíveis infrações ao direito autoral desses empregadores, isentando a ANPET e a Revista TRANSPORTES de toda e qualquer responsabilidade neste sentido.
- Os autores assumem toda responsabilidade sobre o conteúdo do trabalho, incluindo as devidas e necessárias autorizações para divulgação de dados coletados e resultados obtidos, isentando a ANPET e a Revista TRANSPORTES de toda e qualquer responsabilidade neste sentido.
