Presentazione Tetris
- 2. PROGRAMMA OPERATIVO NAZIONALE RICERCA E COMPETITIVIT 2007-2013 Azione di formazione Servizi innovativi Open Source su TETRA Modelliperlagestionedellamobiliturbana. Gruppodilavoro RoccoPicarelli NicolaProcopio RaffaeleVumbaca
- 4. Dati DatidelTPLdiCosenza.Idatiriguardanogliitineraridellelineenellacitt,idiaridei viaggidegliautobus. Periodo:Statici+Log2012.Fornitore:AMACO+ITALIADISPLAY Datiditelefoniamobile.ICallDataRecord(CDR)sonorelativiadeventidichiamata degliutentichesitrovano,nelperiododianalisi,nellareadiCosenza. Periodo Ottobre2012eNovembre2012.Fornitore:Wind. TraiettorieGPSdiveicoliprivatichetransitanonellareaurbanadiCosenzaeintuttala provincia. Periodo:LuglioeOttobre2012Fornitore:OctoTelematics. Disponibilit:Inconsegna.
- 5. Obiettivi 1. CostruzionediunaTime-tablerealeestrattadalletraccedegli autobus 2. Identificazionedeicomportamentifrequentidegliautobus 3. AnalisidiraggiungibilitTPL 4. Analisidiraggiungibilitconmezziprivati(TP)econfrontoconTPL 5. Analisidipresenzaeprofilazionedegliutentinellareacosentina
- 6. Tecnologie:
- 7. Architettura Lobiettivo e di creare un pacchetto software per il processo, implementare i passi mancanti, generalizzare il processo e unificare larchitettura tenendo come basi il codice esistente.
- 8. Workflow TPL
- 9. Analisi Raggiungibilit: Come le differenti zone della citt sono raggiungibili con i mezzi pubblici ? Dati: TPL - GSM - GPS Comportamenti frequenti Ci sono tratte e/o periodi in cui gli autobus subiscono ritardi frequenti? Analisi dei percorsi, le corse sono ottimizzate? Dati: TPL Utenza Privata vs TPL Come il trasporto pu嘆 pubblico servire il trasporto privato? Dati: TPL - GPS
- 10. 1 COSTRUZIONE TIME TABLE Costruzione di una time-table delle singole istanze di viaggio (autobus-linea) 1. Ricostruzione tabella delle paline. (Processo SQL) 1. Processo di pulizia e completamento dei dati (Processo Java) 1. Processo di costruzione Time Table (Processo Java)
- 11. Ricostruzione Tabella Paline Per identificare una posizione univoca per paline con stesso identificativo 竪 stata utilizzata una metodologia density-based. Per associare un'unica posizione alla fermata 竪 stata utilizzata una metodologia che assegna maggior peso a rilevamenti vicini. Costruendo un buffer di 50 m. attorno ad ogni fermata, si selezionano i rilevamenti i cui buffer si intersecano. Delle fermate che hanno unintersezione a comune, si calcola il punto medio e si associa a quel punto la posizione effettiva della palina (Figura 2). Questa metodologia permette di escludere punti molto lontani che possono essere generati da errori nel gps o di trascrizione.
- 12. Processo di pulizia e completamento dei dati Dato un viaggio di un autobus costituito dai soli rilevamenti gps e dagli eventi, si vogliono identificare le paline presso cui lautobus si 竪 fermato Questa attivit 竪 necessaria per ricostruire un log completo e per ripulire i dati da eventuali rilevamenti inconsistenti. Linea A Viaggio Linea B 50 m
- 13. Processo di pulizia e completamento dei dati Sono ordinati i log in base al time stamp selezionando per ogni linea, autobus e giorno i diversi gruppi di log. Da questi, si sono suddivisi i viaggi (sequenze di rilevamenti in un giorno) in corse giornaliere, tagliando le varie traiettorie in base a 3 criteri: Raggiungimento dellultima fermata della linea. Partenza dalla prima fermata della linea. Distanza temporale tra rilevamenti successivi maggiore di una soglia MAX_TIME_GAP = 30 minuti. Linea A Viaggio Linea B 50 m
- 14. Ricostruzione Time-Table Dai log ricavati si estrae il tempo tipico in cui un autobus arriva ad una determinata palina come tempo medio delle varie corse. Estraendo questa informazione per ogni palina si ottiene la time-table . Linea CVC A Orario Nr. Fermata Fermata 05:18:11 0 piazza giacomo mancini 05:19:59 1 viale giacomo mancini (suburbane) 05:22:11 2 viale giacomo mancini (1o fermata) 06:13:41 61 corso umberto 06:15:41 62 piazza dei bruzi 06:17:42 63 piazza giacomo mancini
- 15. 2 Identificazione comportamenti frequenti degli autobus 15 Lo scopo 竪 analizzare i percorsi AMACO per verificare se esistono schemi ricorrenti per quanto riguarda: Sovrabbondanza o carenza di linee su unarea; Tratte e/o periodi in cui gli autobus subiscono ritardi frequenti; Eccessivo carico su una palina. Metodo: Processo SQL e DMQL per visualizzare graficamente le linee; Analisi di densit.
- 16. Visualizzazione
- 19. Comportamenti Frequenti Analisi del Carico sulle Paline
- 20. Comportamenti Frequenti Analisi del Carico sulle Paline - Istogramma
- 21. Analisi di raggiungibilit Lo scopo 竪 quello di calcolare i luoghi raggiungibili con il TPL dato: Luogo partenza (una palina TPL). Orario di partenza. Tempo massimo di viaggio. Metodo: Codifica della rete TPL come un grafo diretto, dove: Nodi: paline del TPL con associato il tempo di arrivo. Archi: segmenti che formano una linea di TPL Implementazione di un algoritmo di esplorazione su grafi per calcolare le paline raggiungibili dato linsieme di constraints. 21
- 22. Analisi di raggiungibilit Buffer Variabile pi湛 竪 vicina la palina pi湛 il buffer 竪 piccolo Buffer Fisso
- 23. Analisi di raggiungibilit Arancione: Buffer 15 Minuti Giallo: Buffer 10 Minuti Camminando a 1 km/h
- 24. Analisi di raggiungibilit con mezzi privati e TPL 1. Non essendo disponibili i log OctoTelematics sono stati generati dei percorsi con il Simulatore di Mobilita SumoTrack 1. Altra attivit 竪 costruire un parser per associare i percorsi generati con i dati di OpenStreetMap 1. Una volta ottenuto il risultato si ha a disposizione i dati per confrontare i tempi. 24
- 25. Analisi di raggiungibilit con mezzi privati e TPL
- 26. 5 Profilazione utenti Obiettivo Identificare ed etichettare gruppi di utenti di telefonia in base ai profili di chiamata, per meglio comprendere e studiare la mobilit delle persone sul territorio. Profili Residenti Pendolari Visitatori In transito Processo di profilazione utenti GSM
- 27. Selezione dei dati Selezione spaziale Selezione temporale ed aggregazione
- 28. Pre-Processing Preparazione dei dati per l'algoritmo di clustering Algoritmo utilizzato: Clustering basato su Self Organizing Map (SOM) Prima di eseguire l'algoritmo 竪 necessario preparare i dati di input nel formato accettato. Questo passo 竪 effettuato attraverso un wrapper java che seleziona i dati dalla tabella dei profili e crea un file xml. Pre-processingPre-processing Serie temporali in XMLSerie temporali da DB
- 29. Self Organizing Map Le self-organizing map (SOM) sono un particolare tipo di rete neurale artificiale. addestrata usando lapprendimento non supervisionato per produrre una rappresentazione dei campioni di training in uno spazio a bassa dimensione preservando le propriet topologiche dello spazio degli ingressi.
- 30. Processing Serie temporali in XML Cluster in XML
- 31. Nodo in dettaglio Giorni feriali Weekend Numero di elementi del nodo Fasce orarie00:00:00 07:59:59 08:00:00 18:59:59 19:00:00 23:59:59
- 33. Interpretazione dei dati Metodologia di classificazione creazione di un prototipo per ogni profilo; discretizzazione dei valori che caratterizzano i nodi; calcolo della similarit (coseno di similarit); affinamento dellindice di similarit; assegnamento del profilo pi湛 simile al nodo.
- 35. Risultati