Modelos de previsão de mobilidade humana usando dados de fontes heterogêneas

• Autor(a) principal: Lucas Maia Silveira
• Data de Publicação: 2015
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/ESBF-A2FJ4A
• topic: Aplicativos georreferenciados; Telefonia móvel; Mobilidade humana; Sistema de comunicação móvel; Computação; Mobilidade humana

Entender a mobilidade de grandes grupos de pessoas pode ajudar no planejamento urbano, contenção de doenças ou até em planos de contingência de desastres.Dados de telefonia móvel e de aplicativos georreferenciados são fontes valiosas que permitem analisar a mobilidade de grandes grupos. Nesse sentido a literatura possui diversos modelos que visam descrever ou prever os padrões de mobilidade humana em uma determinada região em um período de tempo. A maioria desses modelos foi avaliada utilizando dados de uma única fonte, por exemplo, dados de chamadas de telefonia móvel ou dados de GPS obtidos a partir de aplicações Web georreferenciadas. Portanto, a robustez destes modelos a diferentes tipos de dados e, sobretudo, à combinação de dados de múltiplas fontes (dados heterogêneos), é ainda desconhecida. Neste contexto, esta dissertação propõe dois modelos de previsão mobilidade humana que foram projetados para explorar tanto dados de telefonia móvel quanto dados de aplicativos georreferenciados (isolada e conjuntamente). O primeiro modelo, chamado MobDatU, busca prever a mobilidade de uma pessoa em uma área alvo em uma dada janela de tempo baseado na popularidade de cada região da área alvo e nas probabilidades de transição das pessoas entre regiões distintas. Já o segundo modelo, o MobDatU-Contact, busca prever a mobilidade de uma pessoa considerando, também, a relação de contatos entre as pessoas. Os dois novos modelos foram avaliados e comparados com duas soluções consideradas estado-da-arte, a saber SMOOTH e Leap Graph, em diversos cenários construídos com dados homogêneos e heterogêneos. Os experimentos indicam que o MobDatU atinge resultados melhores ou pelo menos comparáveis ao melhor modelo concorrente em todos os cenários, diferentemente dos modelos alternativos cujo desempenho é bem mais sensível ao tipo de dado utilizado. Mais ainda, o MobDatU-Contact produziu resultados superiores ao do MobDatU em todos os cenários avaliados, mostrando que a localização dos contatos de uma pessoa pode ser útil na previsão.