"É muito empolgante ver esse método levando a melhores previsões do tráfego matinal até às 5 da manhã e acredito que isso pode ser implementado rapidamente em muitos de nossos centros de gerenciamento de transporte", disse Sean Qian. (Crédito: Shutter Runner / Flickr)
Os pesquisadores usaram informações extraídas de tweets para fornecer uma precisão incomparável para prever os padrões de tráfego matinal.
O período de deslocamento matinal é um dos horários mais movimentados do dia para o tráfego; no entanto, também provou ser o momento mais difícil de prever os padrões de tráfego. Isso ocorre porque a maioria dos métodos de previsão de tráfego depende de um fluxo consistente de dados de tráfego desde o momento anterior até o período previsto.
A maioria das pessoas, no entanto, passa o tempo antes de sua comutar dormindo ou realizando suas rotinas matinais em casa, deixando uma grande lacuna nos dados de tráfego preditivos.
O método dos pesquisadores resolve esse problema puxando dados de tweets enviados entre a noite anterior e o início da manhã do dia seguinte. Eles primeiro usaram a interface de programação de aplicativos (API) do Twitter para identificar tweets em uma determinada área (neste caso, a cidade de Pittsburgh) com geotags que indicam de onde foram enviados. Em seguida, eles usaram outro aplicativo chamado Twint, um web scraper, que extraía outras postagens de usuários com tweets com geo-tags, para criar uma imagem melhor dos tempos e da área geral em que o usuário estava ativo. Todos os dados foram tornados anônimos e retirados de qualquer informação de identificação pessoal antes da publicação.
“Argumentamos que os tweets capturam três tipos de informações úteis para explicar o trânsito da manhã no dia seguinte, que inclui o estado de sono-vigília das pessoas, eventos locais e incidentes de trânsito (planejados)”, os autores Sean Qian, professor associado de engenharia civil e ambiental, e Weiran Yao, estudante de doutorado de Qian, escreve.
O aumento adicional deste conjunto de dados permitiu aos pesquisadores extrair informações adicionais. Usando a análise de linguagem, a equipe identificou termos de pesquisa que podem indicar um incidente de tráfego. Isso inclui não apenas acidentes, mas também encerramentos planejados ou grandes eventos, como um concerto, um jogo esportivo ou uma celebração de feriado.
Tuítes pessoais simples como “Divertiu-se com o jogo dos Piratas!” ou “Este fender bender à frente vai me atrasar”, pode realmente fornecer informações cruciais, especialmente quando marcado com uma geotag ou informado por outros tweets desse usuário. Outros dados também foram obtidos de contas oficiais, como agências de notícias e governos locais, que muitas vezes tuitam relatórios diretos sobre acidentes e fechamentos planejados.
Quando combinados, esses métodos fornecem um grande conjunto de dados de informações que indicam a distribuição geográfica e o tempo de sono / vigília de provável passageiros, bem como incidentes de tráfego planejados e acidentais que podem afetar seu trajeto. Isso preencheu a lacuna de informações criada pela calmaria noturna no tráfego.
Com essas informações, Qian e Yao foram capazes de fornecer previsões de tráfego para o período de deslocamento matinal de Pittsburgh com uma precisão nunca vista e criaram uma estrutura abrangente para prever as condições do tráfego matinal em áreas urbanas áreas.
Essas informações também permitem que eles comecem a fazer observações e previsões em uma escala maior do dia a dia. Isso inclui descobrir que o tráfego matinal de Pittsburgh estava geralmente mais congestionado às terças, quartas e quintas-feiras, o que poderia permitir que as agências de transporte administrassem melhor o trajeto matinal. Esses tipos de observações - anteriormente impossíveis, devido à incapacidade de prever com precisão as condições da manhã - podem informar decisões maiores no gerenciamento da demanda de viagens, controle de tempo de sinal e roteamento de destino pessoal.
“Esta pesquisa aproveita o aprendizado de máquina e o big data para entender o comportamento humano enquanto preserva a privacidade individual”, diz Qian.
“É muito empolgante ver esse método levando a melhores previsões do tráfego matinal até às 5h da manhã, e acredito que isso pode ser implementado rapidamente em muitos de nossos centros de gerenciamento de transporte”.
Sobre os autores
Seus resultados aparecem em Pesquisa de Transporte. - Estudo original
Livros relacionados:
Hábitos atômicos: uma maneira fácil e comprovada de construir bons hábitos e quebrar maus
por James Clear
Atomic Habits fornece conselhos práticos para desenvolver bons hábitos e acabar com os maus, com base em pesquisas científicas sobre mudança de comportamento.
Clique para mais informações ou para encomendar
As quatro tendências: os perfis de personalidade indispensáveis que revelam como tornar sua vida melhor (e a vida de outras pessoas também)
por Gretchen Rubin
As Quatro Tendências identificam quatro tipos de personalidade e explicam como entender suas próprias tendências pode ajudá-lo a melhorar seus relacionamentos, hábitos de trabalho e felicidade geral.
Clique para mais informações ou para encomendar
Pense novamente: o poder de saber o que você não sabe
por Adam Grant
Think Again explora como as pessoas podem mudar suas mentes e atitudes e oferece estratégias para melhorar o pensamento crítico e a tomada de decisões.
Clique para mais informações ou para encomendar
O corpo mantém o placar: cérebro, mente e corpo na cura do trauma
de Bessel van der Kolk
The Body Keeps the Score discute a conexão entre trauma e saúde física e oferece insights sobre como o trauma pode ser tratado e curado.
Clique para mais informações ou para encomendar
A psicologia do dinheiro: lições eternas sobre riqueza, ganância e felicidade
por Morgan Housel
The Psychology of Money examina as maneiras pelas quais nossas atitudes e comportamentos em relação ao dinheiro podem moldar nosso sucesso financeiro e bem-estar geral.
