Sensor Device on Lateral Passing Distance : a case study with an unsupervised learning model to estimate hazardous areas for bicycle mobility

Detalhes bibliográficos
Autor(a) principal: Mello, Luiz Marcel Silva de
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Institucional da UnB
Texto Completo: http://repositorio2.unb.br/jspui/handle/10482/48201
Resumo: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, Programa de Pós-Graduação em Transportes, 2023.
id UNB_b939b11f664d10a0ac9c1c08866ed0c7
oai_identifier_str oai:repositorio.unb.br:10482/48201
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Sensor Device on Lateral Passing Distance : a case study with an unsupervised learning model to estimate hazardous areas for bicycle mobilityDispositivo sensor na distância lateral de ultrapassagem : um estudo de caso com modelo de aprendizado não supervisionado para estimar locais de risco à mobilidade por bicicletaBicicletasTransporte InteligenteAprendizado de MáquinaMobilidade urbanaDissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, Programa de Pós-Graduação em Transportes, 2023.A locomoção por bicicleta está aumentando significativamente em todo o mundo e como um modo de transporte ativo o ciclismo pode potencialmente reduzir o congestionamento do tráfego e a poluição do ar. Além disso, promover um estilo de vida ativo pode melhorar a saúde pública e tornar as cidades mais amigáveis para as pessoas. No entanto, a quantidade de ocorrências e fatalidades envolvendo ciclistas ainda é preocupante.As Medidas de Segurança Substitutas (SSM) são indicadores promissores para avaliar a segurança no tráfego com base em conflitos, em vez de sinistros e acidentes. O termo "substitutas" é usado porque as medidas se baseiam em conflitos de tráfego e não em sinistros. Além disso, a triagem de rede garante uma identificação eficiente de locais perigosos para reduzir o número e a gravidade dos sinistros. Portanto, essa metodologia pode ser realizada tanto por uma abordagem reativa quanto por uma abordagem proativa. No que diz respeito às abordagens proativas, bicicletas instrumentadas com sensores tornaram-se cada vez mais úteis para pesquisas no campo da mobilidade. Por meio de um dispositivo de detecção portátil e multifuncional, é possível coletar dados de trajetória de bicicletas e a Distância Lateral de Ultrapassagem (LPD) usando variados sensores conectados a um sistema de banco de dados.Dessa forma, o presente estudo tem como objetivo estimar áreas de risco para a mobilidade ativa, aplicando algoritmos de aprendizado de máquina não supervisionado (K-Means e DBSCAN) com base em dispositivos sensores para a coleta de dados. Os resultados da Distância Lateral de Ultrapassagem (LPD) coletados entre bicicletas e veículos foram entãorelacionados aos dados do ciclista. Além da pesquisa de clusterização, foi realizada a correlação entre as características para identificar como os dados interagiam entre si.Alguns desses dados incluem velocidade, elevação do percurso, altitude, informações do acelerômetro e giroscópio a partir de uma coleta de dados naturalística na rua. A metodologia foi aplicada a um estudo de caso em uma avenida do centro da cidade de Brasília, em torno do Parque da Cidade. Por fim, este estudo objetiva uma aplicação metodológica e analítica de segurança cicloviária orientada a dados através da utilização de algoritmos de aprendizado de máquina. Em relação aos dados gerais, 25% das leituras relativas à distância lateral de passagem tiveram menos de 136,36 cm. Quando o modelo de agrupamento é aplicado, 25% dessas leituras tiveram menos de 100,13 cm; para o segundo quartil, 50% tiveram menos de 193,69 cm. Isso indica uma LPD crítica para um dos grupos com 75 leituras, quando considerado o limite de 150 cm para a distância mínima de afastamento lateral estabelecidopela legislação brasileira.Commuting by bicycle is widely increasing worldwide. As an active transportation mode, cycling can potentially reduce traffic congestion and air pollution. Also, promoting an active lifestyle can improve public health and make cities more human-friendly. Although, the quantity of occurrences and fatalities with cyclists is still worrisome. The Surrogate Safety Measures (SSM) are promising indicators for assessing traffic safety with measures based on these traffic conflicts. The word “surrogate” is used because the measures are based not on crashes but on traffic conflicts. Also, network screening ensures an efficient identification of hazardous sites to reduce the number and severity of crashes. This methodology can be conducted using either a reactive or a proactive approach. Regarding the proactive approaches, bicycles instrumented with sensors became increasingly usable for research in the mobility field. By using a portable and multi-functional sensing device is possible to collect bicycle trajectory data and Lateral Passing Distance (LPD) using various sensors connected to a database system. Therefore, the current research aims to estimate and define hazardous areas for active mobility by applying unsupervised machine learning algorithms (k-means and DBSCAN) based on asensor device for data collection. The Lateral Passing Distance (LPD) results collected between bicycles and vehicles were related to the cyclist data. Beyond the clustering investigation, a correlation between the features has identified how the data interacted among them. Some of this data includes velocity, curse elevation, altitude, accelerometer, and gyroscopic information from a field operational data collection on the street. The methodology was applied to a case study regarding the Brasília city center avenue with a shared pathway around the local City Park. Therefore, this study aims to propose a methodological and data-driven approach to bicycle safety using machine learning algorithms. Regarding the general data, 25% of the readings are less than 139.62cm for the LPD. When the clustering model was applied, 25% of the LPD readings were less than 100.13cm; for the second quartile, 50% were less than 193.69cm. It indicates critical LPD for one of the clusters with 75 readings, considering the threshold of 150cm for the minimal lateral clearance distance law adopted in Brazil.Faculdade de Tecnologia (FT)Departamento de Engenharia Civil e Ambiental (FT ENC)Programa de Pós-Graduação em TransportesAndrade, MichelleMello, Luiz Marcel Silva de2024-06-11T04:19:39Z2024-06-11T04:19:39Z2024-06-112023-10-26info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfMELLO, Luiz Marcel Silva de. Sensor Device on Lateral Passing Distance : a case study with an unsupervised learning model to estimate hazardous areas for bicycle mobility. 2023. 75 f., il. Dissertação (Mestrado em Transportes) — Universidade de Brasília, Brasília, 2023.http://repositorio2.unb.br/jspui/handle/10482/48201enginfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-06-11T04:19:39Zoai:repositorio.unb.br:10482/48201Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-06-11T04:19:39Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Sensor Device on Lateral Passing Distance : a case study with an unsupervised learning model to estimate hazardous areas for bicycle mobility
Dispositivo sensor na distância lateral de ultrapassagem : um estudo de caso com modelo de aprendizado não supervisionado para estimar locais de risco à mobilidade por bicicleta
title Sensor Device on Lateral Passing Distance : a case study with an unsupervised learning model to estimate hazardous areas for bicycle mobility
spellingShingle Sensor Device on Lateral Passing Distance : a case study with an unsupervised learning model to estimate hazardous areas for bicycle mobility
Mello, Luiz Marcel Silva de
Bicicletas
Transporte Inteligente
Aprendizado de Máquina
Mobilidade urbana
title_short Sensor Device on Lateral Passing Distance : a case study with an unsupervised learning model to estimate hazardous areas for bicycle mobility
title_full Sensor Device on Lateral Passing Distance : a case study with an unsupervised learning model to estimate hazardous areas for bicycle mobility
title_fullStr Sensor Device on Lateral Passing Distance : a case study with an unsupervised learning model to estimate hazardous areas for bicycle mobility
title_full_unstemmed Sensor Device on Lateral Passing Distance : a case study with an unsupervised learning model to estimate hazardous areas for bicycle mobility
title_sort Sensor Device on Lateral Passing Distance : a case study with an unsupervised learning model to estimate hazardous areas for bicycle mobility
author Mello, Luiz Marcel Silva de
author_facet Mello, Luiz Marcel Silva de
author_role author
dc.contributor.none.fl_str_mv Andrade, Michelle
dc.contributor.author.fl_str_mv Mello, Luiz Marcel Silva de
dc.subject.por.fl_str_mv Bicicletas
Transporte Inteligente
Aprendizado de Máquina
Mobilidade urbana
topic Bicicletas
Transporte Inteligente
Aprendizado de Máquina
Mobilidade urbana
description Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, Programa de Pós-Graduação em Transportes, 2023.
publishDate 2023
dc.date.none.fl_str_mv 2023-10-26
2024-06-11T04:19:39Z
2024-06-11T04:19:39Z
2024-06-11
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv MELLO, Luiz Marcel Silva de. Sensor Device on Lateral Passing Distance : a case study with an unsupervised learning model to estimate hazardous areas for bicycle mobility. 2023. 75 f., il. Dissertação (Mestrado em Transportes) — Universidade de Brasília, Brasília, 2023.
http://repositorio2.unb.br/jspui/handle/10482/48201
identifier_str_mv MELLO, Luiz Marcel Silva de. Sensor Device on Lateral Passing Distance : a case study with an unsupervised learning model to estimate hazardous areas for bicycle mobility. 2023. 75 f., il. Dissertação (Mestrado em Transportes) — Universidade de Brasília, Brasília, 2023.
url http://repositorio2.unb.br/jspui/handle/10482/48201
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1814508282051559424

Registros relacionados