Powered by OpenAIRE graph
Found an issue? Give us feedback
image/svg+xml art designer at PLoS, modified by Wikipedia users Nina, Beao, JakobVoss, and AnonMoos Open Access logo, converted into svg, designed by PLoS. This version with transparent background. http://commons.wikimedia.org/wiki/File:Open_Access_logo_PLoS_white.svg art designer at PLoS, modified by Wikipedia users Nina, Beao, JakobVoss, and AnonMoos http://www.plos.org/ Universidade do Minh...arrow_drop_down
image/svg+xml art designer at PLoS, modified by Wikipedia users Nina, Beao, JakobVoss, and AnonMoos Open Access logo, converted into svg, designed by PLoS. This version with transparent background. http://commons.wikimedia.org/wiki/File:Open_Access_logo_PLoS_white.svg art designer at PLoS, modified by Wikipedia users Nina, Beao, JakobVoss, and AnonMoos http://www.plos.org/
addClaim

Descoberta de conhecimento a partir de dados de mobilidade urbana

Authors: Costa, José Pedro Machado;

Descoberta de conhecimento a partir de dados de mobilidade urbana

Abstract

A mobilidade urbana nos últimos anos tornou-se um desafio para os responsáveis políticos de diversas cidades, devido a fatores como o aumento populacional e há necessidade de adaptação do planeamento urbano a essa expansão. O Município de Guimarães interessou-se por esta temática e incentivou o seu estudo. Este trabalho teve como propósito examinar as características da mobilidade urbana em Guimarães, com foco em promover uma mobilidade mais eficiente e humana. Isso inclui a redução do uso de automóveis e o incentivo aos modos de transporte sustentáveis. Para tal, foram analisadas as características da mobilidade urbana em diferentes condições, como o período do dia, a temperatura no momento e se é um dia útil da semana. Os dados de mobilidade urbana utilizados nesta dissertação são provenientes da câmara municipal de Guimarães, envolvendo uma amostra entre 2022 e 2023 de três avenidas distintas, e da empresa Bolt. Para uma análise eficaz destes dados, adotou-se uma abordagem baseada no CRISP-DM, o que permitiu entender completamente o contexto da mobilidade urbana em Guimarães, desde a recolha e preparação dos dados até à interpretação dos resultados. Utilizando esta metodologia, as tarefas foram divididas em várias etapas e explicaram-se as relações entre elas. Isso possibilitou uma abordagem estruturada e organizada dos dados, permitindo extrair melhores conclusões utilizando gráficos, estatísticas e modelos de Machine Learning. A abordagem do estudo foi essencialmente exploratória, visando identificar padrões e tendências nos fluxos de pedestres e veículos ao longo das amostras. O estudo evidenciou que o fluxo de pedestres é inferior ao fluxo de carros, uma conclusão transversal a todas as avenidas. Também foram constatadas diferenças consideráveis no número de pedestres nas ruas, influenciadas por fatores como a sazonalidade, períodos do dia e dias úteis ou não úteis. Durante o Inverno, o número de pedestres durante a tarde foi substancialmente maior do que em outros períodos do dia. Com a chegada da Primavera, houve uma equiparação do número de pedestres entre a manhã e a tarde. Notou-se também uma maior presença de pedestres nos dias da semana comparativamente com os fins de semana. Curiosamente na Avenida D. João IV, caracterizada por ser uma das artérias mais importantes de Guimarães, o fluxo de pedestres e carros é muito superior às outras e muito mais semelhante entre os dias de semana e os fins de semana. A contribuição final deste estudo, baseada na análise da mobilidade em cada avenida e nos seus perfis, demonstrou não só a utilidade dos resultados para otimizar os recursos das autoridades municipais e da empresa Bolt, mas também permitiu identificar as condições e características territoriais que promovem uma mobilidade mais sustentável.

Country
Portugal
Related Organizations
Keywords

Machine Learning, Mobility, Data, Dados, Mobilidade

  • BIP!
    Impact byBIP!
    selected citations
    These citations are derived from selected sources.
    This is an alternative to the "Influence" indicator, which also reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically).
    0
    popularity
    This indicator reflects the "current" impact/attention (the "hype") of an article in the research community at large, based on the underlying citation network.
    Average
    influence
    This indicator reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically).
    Average
    impulse
    This indicator reflects the initial momentum of an article directly after its publication, based on the underlying citation network.
    Average
Powered by OpenAIRE graph
Found an issue? Give us feedback
selected citations
These citations are derived from selected sources.
This is an alternative to the "Influence" indicator, which also reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically).
BIP!Citations provided by BIP!
popularity
This indicator reflects the "current" impact/attention (the "hype") of an article in the research community at large, based on the underlying citation network.
BIP!Popularity provided by BIP!
influence
This indicator reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically).
BIP!Influence provided by BIP!
impulse
This indicator reflects the initial momentum of an article directly after its publication, based on the underlying citation network.
BIP!Impulse provided by BIP!
0
Average
Average
Average
Green