Classificação de indivíduos segundo comportamento individual relativo a viagens a partir de dados em painel obtidos por smartphones

Autores

  • Lucas Assirati Universidade de São Paulo
  • Cira Souza Pitombo Universidade de São Paulo

DOI:

https://doi.org/10.14295/transportes.v27i2.1679

Palavras-chave:

Comportamento individual relativo a viagens, Coleta de dados passiva, Smartphones, Análise de Cluster, K-médias.

Resumo

A caracterização comportamental relativa a viagens é uma questão importante nas análises baseadas em atividades e, comumente, é a variável dependente nos modelos de estimativa de demanda por transportes. A classificação individual, segundo comportamentos relacionados aos deslocamentos, pode ser realizada com dados seccionais, considerando diferentes fatores como distâncias, modos utilizados e atividades realizadas, ou com dados em painel, através de valores médios nos múltiplos dias ou atividades frequentes, por exemplo. Dados em painel constituem importante ferramenta em análises comportamentais relativas às viagens urbanas, propiciando dimensão analítica extra relativo à heterogeneidade temporal individual. Todavia, a obtenção desses dados não é trivial, demandando recursos monetários e de tempo. Assim, o objetivo principal deste trabalho é classificar indivíduos segundo comportamento relativo a viagens a partir de dados em painel. O objetivo secundário associa-se à obtenção do painel através de smartphones. A potencialidade da proposta é validada por um estudo de caso contemplando estudantes universitários em São Carlos – SP, Brasil. Mediante dados fornecidos pelos estudantes, utilizou-se o algoritmo k-médias considerando quatro variáveis associadas às viagens realizadas em três dias úteis consecutivos. Obtiveram-se três grupos comportamentais distintos com diferenças quanto ao grau de motorização, recorrência de localidades, número de viagens realizadas e distâncias médias percorridas.

Downloads

Não há dados estatísticos.

Biografia do Autor

Lucas Assirati, Universidade de São Paulo

Departamento de Engenharia de Transportes, Escola de Engenharia de São Carlos.

Cira Souza Pitombo, Universidade de São Paulo

Departamento de Engenharia de Transportes, Escola de Engenharia de São Carlos.

Referências

Anda, C., Erath, A., & Fourie, P. J. (2017). Transport modelling in the age of big data. International Journal of Urban Sciences, v. 21,p. 19-42. DOI:10.1080/12265934.2017.1281150

Andrade, P. F. L., Gogoy, L. A., Giannotti, M. A., Cunha, C. B., & Yoshizaki, H. T. Y. (2017). Análise e visualização de dados de rastreamento para caracterização da logística urbana. Transportes, v. 25, n. 3, p. 24-35. DOI: 10.14295/transportes.v25i3.1353

Agard, B., Partovi Nia, V., & Trépanier, M. (2013). Assessing public transport travel behaviour from smart card data with advanced data mining techniques. In World Conference on Transport Research, v13, p. 15-18.

Arentze, T. A. e H. J. P. Timmermans (2005) Information gain, novelty seeking and travel: a model of dynamic activity-travel behavior under conditions of uncertainty. Transportation Research Part A, v.39, n.2-3, p.125-145. DOI:10.1016/j.tra.2004.08.002

Assemi, B., Jafarzadeh, H., Mesbah, M., & Hickman, M. (2018). Participants' perceptions of smartphone travel surveys. Transportation research part F: traffic psychology and behavior. v. 54, p. 338-348. DOI: 10.1016/j.trf.2018.02.005

Assirati, L. (2018). Análise da influência da vizinhança no comportamento individual relativo a viagens através de dados em painel. Tese (Doutorado) - Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos.

Axhausen, K. W., Zimmermann, A., Schönfelder, S., Rindsfüser, G., & Haupt, T. (2002). Observing the rhythms of daily life: A six-week travel diary. Transportation, Springer, v. 29, n. 2, p. 95–124, 2002. DOI: 10.1023/A:1014247822322

Daisy, N. S.; M. H. Hafezi; L. Liu e H. Millward (2018) Understanding and Modeling the Activity-Travel Behavior of University Commuters at a Large Canadian University. Journal of Urban Planning and Development, v.144, n.2, p.04018006. DOI:10.1061/(asce)up.1943-5444.0000442

Ding, L., & Zhang, N. (2016). A travel mode choice model using individual grouping based on cluster analysis. Procedia engineering, v. 137, p. 786-795, 2016. DOI: 10.1016/j.proeng.2016.01.317

Goulet-Langlois, G. (2015). Exploring regularity and structure in travel behavior using smart card data. Tese de Doutorado - Massachusetts Institute of Technology.

Hagerstrand, T. (1970) What about people in regional science? Papers of the Regional Science Association, v.24, p. 7-21. DOI: 10.1007/BF01936872

Hanson, S., & Huff, J. O. (1981). Assessing day-to-day variability in complex travel patterns. Transportation Research Record, v. 891, p. 18–24, 1981.

He, S., Miller, J. E., Scott, D. (2017). Big data and travel behaviour. Travel Behaviour and Society, v. 11. DOI: 10.1016/j.tbs.2017.12.003.

Hensher, D., & King, J. (2001) The Leading Edge of Travel Behavior Research. Travel behaviour research: The leading edge. Amsterdam: Elsevier, p. 1-13. DOI: 10.1016/b978-008043924-2/50000-6

Huff, J. O., & Hanson, S. (1986). Repetition and Variability in Urban Travel. Wiley Online Library, v. 18, n. 2, p. 97–114. DOI:10.1111/j.1538-4632.1986.tb00085.x

Kockelman, K. (1997) Travel behavior as function of accessibility, land use mixing, and land use balance: evidence from San Francisco Bay Area. Transportation Research Record: Journal of the Transportation Research Board, n.1607, p.116-125. DOI:10.3141/1607-16

MacQueen, J. (1967) Some methods for classification and analysis of multivariate observations. Proceedings of the fifth Berkeley symposium on mathematical statistics and probability, v.1, n.14, p.281-297.

Nogueira, E. L. P. (2018). O uso da calculadora gráfica GeoGebra no smartphone como ferramenta para o ensino das funções exponencial e logarítmica (Master's thesis, Brasil).

Ortúzar, J. de D., e Willumsen, L. G. (2011). Modelling transport. John Wiley & Sons. DOI:10.1002/9781119993308

Park, K., Ewing, R., Scheer, B. C., & Ara Khan, S. S. (2017). Travel Behavior in TODs vs. Non-TODs: Using Cluster Analysis and Propensity Score Matching. Transportation Research Record, p. 0361198118774159. DOI:10.1177/0361198118774159

Pas, E. I. (1987). Intrapersonal variability and model goodness-of-fit. Transportation Research Part A: General, Elsevier, v. 21, n. 6, p. 431–438, 1987. DOI:10.1016/0191-2607(87)90032-x

Pitombo, C. S.; E. Kawamoto e A. J. Sousa (2011) An exploratory analysis of relationships between socioeconomic, land use, activity participation variables and travel patterns. Transport Policy, v.18, n.2, p.347-357. DOI:10.1016/j.tranpol.2010.10.010

Pizzol, B. (2018) Padrões de atividades de residentes de Paraisópolis: Análise de dados de múltiplos dias coletados com smartphones. Dissertação (Mestrado) — Universidade de São Paulo.

Ramadurai, G. e S. Ukkusuri (2010) Dynamic user equilibrium model for combined activity-travel choices using activity-travel supernetwork representation. Networks and Spatial Economics, v.10, n.2, p.273-292. DOI:10.1007/s11067-008-9078-3

Ribeiro E. e A. L. Cunha (2016) Análise exploratória de método para definição de dia típico utilizando transformada wavelet e análise de agrupamento. Anais do XXX Congresso de Pesquisa e Ensino em Transportes, ANPET, Rio de Janeiro, v.1, p.1502–1513.

Safi, H., Assemi, B., Mesbah, M., & Ferreira, L. G. (2014). A framework for smartphone-based travel surveys: an empirical comparison with alternative methods in New Zealand. In 10th International Conference on Transport Survey Methods.

Sesham, A., Padmanabham, P., Goverdhan, A., & Sai Hanuman, A. (2014). Performance of clustering algorithms on home interview survey data employed for travel demand estimation. International Journal of Computer Science & Information Technology, v. 5, n. 3, p. 2767-2771.

Susilo, Y. O., & Axhausen, K. W. (2014). Repetitions in individual daily activity–travel–location patterns: a study using the Herfindahl–Hirschman Index. Transportation, Springer, v. 41, n. 5, p. 995–1011. DOI:10.1007/s11116-014-9519-4

Susilo, Y. O., & Kitamura, R. (2005). Analysis of day-to-day variability in an individual's action space: exploration of 6-week Mobidrive travel diary data. Journal of the Transportation Research Board, TRB, n. 1902, p. 124–133. DOI: 10.3141/1902-15.

Vlassenroot, S., Gillis, D., Bellens, R., Gautama, S. (2014). The Use of Smartphone Applications in the Collection of Travel Behaviour Data. International Journal of Intelligent Transportation Systems Research. v. 13, p. 1-11. DOI: 10.1007/s13177-013-0076-6.

Downloads

Publicado

31-08-2019

Como Citar

Assirati, L., & Pitombo, C. S. (2019). Classificação de indivíduos segundo comportamento individual relativo a viagens a partir de dados em painel obtidos por smartphones. TRANSPORTES, 27(2), 165–181. https://doi.org/10.14295/transportes.v27i2.1679

Edição

Seção

Artigos