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.

456d07b3f7a1ab66502e232fd9b1d378?s=128

Edson Hilios

March 25, 2019
Tweet

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
  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
  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
  4. Introdução

  5. Transporte público por ônibus

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

    , 2016)
  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.
  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)
  12. Revisão da literatura

  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;
  14. Sensoriamento por radiofrequencia • Pela rede GSM; • Pelo sinal

    de Bluetooth; e • Pelo sinal de Wi-Fi;
  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;
  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
  17. Descrição do método

  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.
  19. Estrutura do hardware e software

  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;
  21. Método de pesquisa visual

  22. Algoritmo de estimativa da ocupação

  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
  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
  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
  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
  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
  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
  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
  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
  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
  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
  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
  34. Análise e discussão dos dados

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

    experimento
  36. Análise de variância do algoritmo

  37. Análise de aderência do algoritmo

  38. Efeito do surge

  39. Efeito do terminal no ínicio da viagem

  40. Análise espacial

  41. Efeito do nível da ocupação

  42. Conclusão

  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.
  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;
  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.
  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.
  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