Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Estimating the occupancy using Wi-Fi sensing of mobile phones: An application on the urban public transportation by bus

Estimating the occupancy using Wi-Fi sensing of mobile phones: An application on the urban public transportation by bus

The crowdedness of a vehicle is one of the main quality factor of the public
transportation (TP) quality, since, besides the comfort, also affect the reliability of the
line, changing its average speed. However, the city of São Paulo, Brazil, one of the
biggest bus operations of the world, it is difficult to find any automatic passenger
counter (APC) equipment deployed, probably due the costs of current technologies.
This research shows the results of an APC technology by the sensing of the Wi-Fi signal
of smartphones that are boarded in a vehicle on TP by bus. Therefore, a prototype was
developed and deployed on the line 6500-10 between the Terminal Santo Amaro and
the Terminal Bandeira, during 7 working days of the week on peak and off-peak hours.
was analyzed with statistical and geographical tools. During the experiment, it was
observed that the Wi-Fi APC was capable of estimate the occupancy of the vehicle
85% of the cases, with a significance level up to 20% and an error up to 22 passengers
per estimation. Through the geographical analysis it was generated load matrices, that
allow to infer the origin and destination of the passenger in each trip, indicating the
sections along the route where were more boarding and alighting. On the other hand,
the method did not perform well when coming out of the final stops and when the
crowdedness changed suddenly, requiring further analysis to understand how to deal
better under these circumstances. Likewise, due to the limited sample utilized in this
research, we cannot generalize the results presented, pressing the need for new
researches on different operation scenarios.

Edson Hilios

March 25, 2019
Tweet

More Decks by Edson Hilios

Other Decks in Research

Transcript

  1. Edson Hilios Marques Nunes
    Escola Politécnica da Universidade de São Paulo
    25 de Março de 2019
    Estimativa da ocupação utilizando
    sensoriamento Wi-Fi de telefones móveis
    Uma aplicação no transporte público urbano de passageiros por ônibus

    View Slide

  2. NUNES, Edson Hilios Marques. Estimativa da ocupação utilizando sensoriamento
    Wi-Fi de telefones móveis: Uma aplicação no transporte público urbano de
    passageiros por ônibus. 2019
    Dissertação apresentada à Escola Politécnica da Universidade de São Paulo para
    obtenção do título de Mestre em Ciências
    Área de Concentração:
    Engenharia de Transportes
    Orientador:
    Prof.º Dr. Claudio Luiz Marte

    View Slide

  3. Agenda
    1. Introdução
    1.1. Objetivos
    1.2. Justificativa
    1.3. Metodologia
    2. Revisão da literatura
    3. Descrição do método
    4. Análise e discussão
    5. Conclusão

    View Slide

  4. Introdução

    View Slide

  5. Transporte público por ônibus

    View Slide

  6. O efeito da lotação na qualidade do serviço
    ● Aumento de congestionamentos;
    ● Aglomeração de pessoas;
    ● Diminuição da performance
    operacional do sistema; e
    ● Conforto dos passageiros;
    Fonte: Macedo, L. / G1 (2013)

    View Slide

  7. Objetivo
    Propor um método de contagem automática de passageiros, para
    estimar a ocupação do ônibus, durante o seu trajeto
    Através do sensoriamento do sinal Wi-Fi emitido por
    dispositivos móveis.

    View Slide

  8. Objetivos específicos
    A. Construir um protótipo do sensor, de baixo custo, capaz de capturar o sinal
    Wi-Fi emitido por telefones celulares;
    B. elaborar um algoritmo de tratamento dos dados capturados para estimar a
    ocupação do veículo em um determinado local e tempo;
    C. testar estatisticamente a eficiência do algoritmo, aplicando-o num
    experimento de campo feito na cidade de São Paulo, Brasil; e
    D. produzir mapas de Origem e Destino através da mudança de ocupação
    durante o trajeto da linha;

    View Slide

  9. Telefone móvel para uso pessoal
    Fonte: PNAD 2015 ( IBGE , 2016)

    View Slide

  10. Transporte público por ônibus em São Paulo
    Segundo a SPTrans (2018) a região metropolitana de São Paulo possui:
    ● Total de 1,135 linhas;
    ● Percorrem 4,600 km de vias; e
    ● Transportam 230 milhões de passageiros por mês.
    Teconologias embarcadas no veículo:
    ● AVL: Localização veícular automática; e
    ● AFC: Coleta de tarifa automática.

    View Slide

  11. Metodologia
    ● Revisão literária;
    ○ Técnicas de APC;
    ○ Sensoriamento via RF;
    ○ Protocolo Wi-Fi;
    ● Pesquisa de campo quasi-experimental;
    ● Pesquisa visual;
    ● Análise de dados; e
    ● Conclusões;
    Nível Descrição
    1 Parcialmente sentados
    2 Sentados
    3 25% de ocupação
    4 50% de ocupação
    5 75% de ocupação
    6 90% de ocupação
    7 Lotado
    8 Superlotado
    Escala de classificação da ocupação de um veículo
    Fonte: Sanata (2015, p. 31)

    View Slide

  12. Revisão da literatura

    View Slide

  13. Métodos tradicionais de contagem de passageiros
    ● Por sensores infra-vermelhos;
    ● Por sensores de peso;
    ○ Pisos sensíveis a pressão;
    ○ Suspensões inteligentes; e
    ● Por processamento de imagens;

    View Slide

  14. Sensoriamento por radiofrequencia
    ● Pela rede GSM;
    ● Pelo sinal de Bluetooth; e
    ● Pelo sinal de Wi-Fi;

    View Slide

  15. Protocolo IEEE 802.11
    ● Protocolo de comunicação sem-fio;
    ● Espectro de banda 2.4 GHz e 5.8 GHz;
    ● Sub-divisão de 11 à 24 canais;
    ● Comunição encripitada por autenticação;
    ● Sinal de requisição de sondagem;

    View Slide

  16. Endereço MAC
    Identificação do
    octeto
    0 1 2 3 4 5
    Componente MAC OUI 24-bit Extensão 24-bit
    Exemplo em
    hexadecimal
    AC DE 48 23 45 67
    Exemplo em binário 1010 1100 1101 1110 0100 1000 0010 0011 0100 0101 0110 0111

    View Slide

  17. Descrição do método

    View Slide

  18. Protótipo do contador de passageiros Wi-Fi
    1. Raspberry Pi Model B;
    2. Wi-Fi TP-Link TL-WN722N;
    3. Módulo GPS U-blox Neo-6M;
    4. Tela OLED 0,95";
    1.
    2.
    4.
    3.

    View Slide

  19. Estrutura do hardware e software

    View Slide

  20. Coleta de dados
    ● Linha 6500-10;
    ● Lotação do ônibus de 174
    pessoas;
    ● 7 dias da semana, horários
    de pico e entre-pico;
    ● 818.961 avistaments;
    ● 54.610 pontos de GPS; e
    ● Pesquisa visual;

    View Slide

  21. Método de pesquisa visual

    View Slide

  22. Algoritmo de estimativa da ocupação

    View Slide

  23. Algoritmo de estimativa da ocupação
    99:01:CF:A3:31:5F
    29:2E:FD:97:9D:2F
    29:2E:FD:97:9D:2F
    29:2E:FD:97:9D:2F
    AE:E4:95:0B:24:76
    35:AA:48:F3:73:B9
    1C:45:4C:27:65:45
    99:01:CF:A3:31:5F
    47:5F:6B:48:BC:BE
    99:01:CF:A3:31:5F
    F5:18:F5:72:F3:36
    90:25:83:D4:4E:4E
    F5:18:F5:72:F3:36
    99:01:CF:A3:31:5F
    7E:08:28:F3:ED:20
    C2:CB:91:64:FD:AA
    73:E7:77:72:72:27
    Aquisição dos sinais Wi-Fi
    tempo

    View Slide

  24. Algoritmo de estimativa da ocupação
    99:01:CF:A3:31:5F
    29:2E:FD:97:9D:2F
    29:2E:FD:97:9D:2F
    29:2E:FD:97:9D:2F
    AE:E4:95:0B:24:76
    35:AA:48:F3:73:B9
    1C:45:4C:27:65:45
    99:01:CF:A3:31:5F
    47:5F:6B:48:BC:BE
    99:01:CF:A3:31:5F
    F5:18:F5:72:F3:36
    90:25:83:D4:4E:4E
    F5:18:F5:72:F3:36
    99:01:CF:A3:31:5F
    7E:08:28:F3:ED:20
    C2:CB:91:64:FD:AA
    73:E7:77:72:72:27
    Avistamentos no intervalo da janela de tempo
    T
    J
    tempo

    View Slide

  25. Algoritmo de estimativa da ocupação
    99:01:CF:A3:31:5F
    29:2E:FD:97:9D:2F
    29:2E:FD:97:9D:2F
    29:2E:FD:97:9D:2F
    AE:E4:95:0B:24:76
    35:AA:48:F3:73:B9
    1C:45:4C:27:65:45
    99:01:CF:A3:31:5F
    47:5F:6B:48:BC:BE
    99:01:CF:A3:31:5F
    F5:18:F5:72:F3:36
    90:25:83:D4:4E:4E
    F5:18:F5:72:F3:36
    99:01:CF:A3:31:5F
    7E:08:28:F3:ED:20
    C2:CB:91:64:FD:AA
    73:E7:77:72:72:27
    Filtrar endereços de fabricantes de telefones móveis
    T
    J
    tempo

    View Slide

  26. Algoritmo de estimativa da ocupação
    99:01:CF:A3:31:5F
    29:2E:FD:97:9D:2F
    29:2E:FD:97:9D:2F
    29:2E:FD:97:9D:2F
    AE:E4:95:0B:24:76
    35:AA:48:F3:73:B9
    1C:45:4C:27:65:45
    99:01:CF:A3:31:5F
    47:5F:6B:48:BC:BE
    99:01:CF:A3:31:5F
    F5:18:F5:72:F3:36
    90:25:83:D4:4E:4E
    F5:18:F5:72:F3:36
    99:01:CF:A3:31:5F
    7E:08:28:F3:ED:20
    C2:CB:91:64:FD:AA
    73:E7:77:72:72:27
    Agrupar avistamentos repetidos em menos de 1 segundo
    T
    J
    tempo

    View Slide

  27. Algoritmo de estimativa da ocupação
    99:01:CF:A3:31:5F
    29:2E:FD:97:9D:2F
    29:2E:FD:97:9D:2F
    29:2E:FD:97:9D:2F
    AE:E4:95:0B:24:76
    35:AA:48:F3:73:B9
    1C:45:4C:27:65:45
    99:01:CF:A3:31:5F
    47:5F:6B:48:BC:BE
    99:01:CF:A3:31:5F
    F5:18:F5:72:F3:36
    90:25:83:D4:4E:4E
    F5:18:F5:72:F3:36
    99:01:CF:A3:31:5F
    7E:08:28:F3:ED:20
    C2:CB:91:64:FD:AA
    73:E7:77:72:72:27
    Agrupar avistamentos repetidos em menos de 1 segundo
    T
    J
    tempo

    View Slide

  28. Algoritmo de estimativa da ocupação
    99:01:CF:A3:31:5F
    29:2E:FD:97:9D:2F
    29:2E:FD:97:9D:2F
    29:2E:FD:97:9D:2F
    AE:E4:95:0B:24:76
    35:AA:48:F3:73:B9
    1C:45:4C:27:65:45
    99:01:CF:A3:31:5F
    47:5F:6B:48:BC:BE
    99:01:CF:A3:31:5F
    F5:18:F5:72:F3:36
    90:25:83:D4:4E:4E
    F5:18:F5:72:F3:36
    99:01:CF:A3:31:5F
    7E:08:28:F3:ED:20
    C2:CB:91:64:FD:AA
    73:E7:77:72:72:27
    Agrupar e contar endereços únicos
    T
    J
    10x 5x 1x 20x 18x 12x
    9x
    tempo

    View Slide

  29. Algoritmo de estimativa da ocupação
    99:01:CF:A3:31:5F
    29:2E:FD:97:9D:2F
    29:2E:FD:97:9D:2F
    29:2E:FD:97:9D:2F
    AE:E4:95:0B:24:76
    35:AA:48:F3:73:B9
    1C:45:4C:27:65:45
    99:01:CF:A3:31:5F
    47:5F:6B:48:BC:BE
    99:01:CF:A3:31:5F
    F5:18:F5:72:F3:36
    90:25:83:D4:4E:4E
    F5:18:F5:72:F3:36
    99:01:CF:A3:31:5F
    7E:08:28:F3:ED:20
    C2:CB:91:64:FD:AA
    73:E7:77:72:72:27
    Remover os telefones que aparecem menos vezes que o limiar definido
    T
    J
    10x 20x 18x 12x
    9x
    tempo

    View Slide

  30. Algoritmo de estimativa da ocupação
    99:01:CF:A3:31:5F
    29:2E:FD:97:9D:2F
    29:2E:FD:97:9D:2F
    29:2E:FD:97:9D:2F
    AE:E4:95:0B:24:76
    35:AA:48:F3:73:B9
    1C:45:4C:27:65:45
    99:01:CF:A3:31:5F
    47:5F:6B:48:BC:BE
    99:01:CF:A3:31:5F
    F5:18:F5:72:F3:36
    90:25:83:D4:4E:4E
    F5:18:F5:72:F3:36
    99:01:CF:A3:31:5F
    7E:08:28:F3:ED:20
    C2:CB:91:64:FD:AA
    73:E7:77:72:72:27
    Contar o número avistamentos restantes e estimar o nível de ocupação
    T
    J
    +1 +1 +1 +1
    +1
    tempo

    View Slide

  31. Algoritmo de estimativa da ocupação
    99:01:CF:A3:31:5F
    29:2E:FD:97:9D:2F
    29:2E:FD:97:9D:2F
    29:2E:FD:97:9D:2F
    AE:E4:95:0B:24:76
    35:AA:48:F3:73:B9
    1C:45:4C:27:65:45
    99:01:CF:A3:31:5F
    47:5F:6B:48:BC:BE
    99:01:CF:A3:31:5F
    F5:18:F5:72:F3:36
    90:25:83:D4:4E:4E
    F5:18:F5:72:F3:36
    99:01:CF:A3:31:5F
    7E:08:28:F3:ED:20
    C2:CB:91:64:FD:AA
    73:E7:77:72:72:27
    tempo
    Aplicar o passo de aplicação e repetir o procedimento
    T
    J
    T
    A

    View Slide

  32. Definição das variáveis
    Variável Descrição Método
    T
    J
    Tamanho da janela Tempo de viagem médio entre paradas
    T
    A
    Passo de aplicação do algoritmo Tempo médio estacionado nas paradas
    N
    A
    Número de avistamentos por passageiro Minimização da raiz do erro quadrático
    O Lotação estimada Categoria da ocupação de 1 a 8
    N Número de passageiros avistados Avistamentos após a aplicação do algoritmo
    C Capacidade do ônibus Número máximo de passageiros

    View Slide

  33. Conversão da saída do algoritmo
    Nível Descrição Saída do algoritmo Estim. de passageiros
    1 Parcialmente sentados < 15% Até 26 pessoas
    2 Sentados 15% e < 25% Até 43 pessoas
    3 25% de ocupação 25% e < 40% Até 70 pessoas
    4 50% de ocupação 40% e < 60% Até 104 pessoas
    5 75% de ocupação 60% e < 80% Até 139 pessoas
    6 90% de ocupação 80% e < 90% Até 156 pessoas
    7 Lotado 90% e < 100% Até 174 pessoas
    8 Superlotado 100% Mais que 174 pessoas

    View Slide

  34. Análise e discussão dos dados

    View Slide

  35. Validação do espaço amostral
    Proporção dos fabricantes avistados durante o experimento

    View Slide

  36. Análise de variância do algoritmo

    View Slide

  37. Análise de aderência do algoritmo

    View Slide

  38. Efeito do surge

    View Slide

  39. Efeito do terminal no ínicio da viagem

    View Slide

  40. Análise espacial

    View Slide

  41. Efeito do nível da ocupação

    View Slide

  42. Conclusão

    View Slide

  43. Objetivos alcançados
    ● Sensoriamente via Wi-Fi é o mais recomendado para o problema de APC;
    ● Custo do prótotipo foi inferior a R$ 400,00;
    ● Aferição da ocupação em tempo próximo ao real pelo algoritimo por janela
    deslizante;
    ● Erro estimado em 22 passageiros para o ônibus bi-articulado;
    ● Acurácia de 85% com erro máximo de até 20%; e
    ● Permite a análise da regiões de maiores embarque e desembarque.

    View Slide

  44. Pontos de atenção
    ● Menor eficácia na saída do terminal de ônibus;
    ● Não foi eficaz no aumento repentino da ocupação – surge;
    ● Pesquisa quasi-experimental não permitiu generalização;

    View Slide

  45. Pesquisas futuras
    ● Aplicação do método em diferentes condições operacionais;
    ● Ajuste do algoritmo para o ínicio da viagem – terminal de ônibus;
    ● Ajuste do algoritmo para situações de surge; e
    ● Comparação da matriz de OD local gerada com outras fontes de dados.

    View Slide

  46. Obrigado

    – Richard P. Feyman

    It doesn’t matter how beautiful your theory is,
    it doesn’t matter how smart you are.
    If it doesn’t agree with experiment, it’s wrong.

    View Slide

  47. Edson Hilios Marques Nunes
    Escola Politécnica da Universidade de São Paulo
    29 de Março de 2019
    Estimativa da ocupação utilizando
    sensoriamento Wi-Fi de telefones móveis
    Uma aplicação no transporte público urbano de passageiros por ônibus

    View Slide