Big Data: retos y oportunidades para la investigación geográfica - Big Data: Nuevas fuentes de datos para el estudio del transporte y la movilidad.

Página creada Roxana Tellechea

Edificios

Español

Gusta
Compartir
Incrustar
Pantalla completa
Diapositivas
Descargar HTML
Descargar PDF
Abuso

←

SEGUIR LEYENDO

→

Transcripción del contenido de la página

Si su navegador no muestra la página correctamente, lea el contenido de la página a continuación

Big Data: Nuevas fuentes de datos
para el estudio del transporte y la movilidad.
  Big Data: retos y oportunidades para
       la investigación         geográfica
             Juan Carlos García Palomares
                   Profesor Titular

Big Data y Smart Cities
Revolución de los datos. Producción de datos masivos a un ritmo antes insospechado:
     • Datos generados por máquinas. Redes de sensores y dispositivos.
     • Datos generados por los usuarios en Internet. La web 2.0: datos, opiniones, valoraciones,
       comportamientos
El valor de los datos. El petróleo de la cuarta revolución industrial
Las actividades humanas dejan rastro. Podemos analizar el funcionamiento de la ciudad a
través de ese rastro digital

            https://iiot-world.com/smart-cities/ten-best-practices-for-building-smart-city-innovation-labs/

Tecnología y dispositivos que producen o almacenan datos de
nuestra actividad diaria (IoT)
1/6/14. Videovigilancia: las imágenes pueden ser
interceptadas.
2. Contadores de luz y termostatos: dan información
de hábitos.
3 /4. Televisores inteligentes y consolas: incorporan
cámaras y micrófonos.
5. Controles biométricos de entrada y salida.
7. Monitorización remota en el trabajo: capturas de
pantalla del trabajador para medir la productividad.
8. Bases de datos personales: pueden contener
datos fiscales y de salud de los clientes.
9. Sensores de conteo de personas: monitarizan el
flujo de compradores y los tiempos de compra.
10. Tarjetas de fidelización: a cambio de descuentos,
crean perfiles del comprador.
11. Ibeacons: envían ofertas a móviles cercanos.
12. Wifi gratuito: se puede ofrecer a cambio de
acceso al perfil de Facebook.
13. Abonos de transporte público: tarjetas
recargables que producen datos de
desplazamientos.
14. Redes de bicicletas públicas: registro de
trayectos.
15. Coches: hay sistemas para registrar las
matrículas.
16. Telefonía móvil: permite geolocalizar.
17. Cámaras térmicas y sensores sonoros: miden
Olga Subirós (CC BY-NC-ND-2.0) flujo de peatones y niveles de ruido.
18. Mobiliario urbano que detecta presencia de
peatones.
19. Sistemas de párking: el pago con tarjeta de
plazas azules y verdes genera datos del usuario.

Datos generados por los usuarios en Internet

       http://www.internetlivestats.com/

Características de Big Data (las 3V) y los retos

Sagiroglu, S., & Sinanc, D. (2013, May). Big data: A review. In Collaboration
Technologies and Systems (CTS), 2013 International Conference on (pp. 42-47).
IEEE.

La huella digital y la movilidad

Trayectorias espacio-temporales: estancias y viajes

Calidad de los datos:
 - Exactitud posicional
 - Granularidad temporal
 - Datos sobre los usuarios
   y los viajes

Patrones de movilidad a partir de Twitter

Ciuccarelli, P., Lupi, G., & Simeone, L. (2014): Visualizing the Data City (pp. 17-22). Springer International Publishing.

Rutas de turistas a partir de fotografías geolocalizas (Flikr)

Prisma espacio temporal de la rutas realizadas por un turista en la ciudad de Toledo

Google Maps cronología

Estimación de matrices origen-destino
                    por medio de teléfonos móviles, Raleigh, USA

This is a bird’s eye view of all the common home-work
travel pairs in Raleigh over this 60-day period (the             A map focusing on trips to and from North
most frequent trips are in black, the least frequent in                  Carolina State University
purple)

http://www.theatlanticcities.com/technology/2012/02/you-already-own-next-most-important-transportation-planning-
tool/1124/

Matrices O-D y flujos en transporte público
              a partir de las tarjetas inteligentes de transporte

Tao, S., Rohde, D., & Corcoran, J. (2014). Examining the spatial–temporal dynamics of bus passenger travel
behaviour using smart card data and the flow-comap. Journal of Transport Geography, 41, 21-36.

Detectores de teléfonos móviles por bluetooth
                               en la gestión de eventos turísticos

Versichele, M., Neutens, T., Delafontaine, M., & Van de Weghe, N. (2012). The use of Bluetooth for analysing spatio-temporal dynamics of
human movement at mass events: A case study of the Ghent Festivities. Applied Geography, 32(2), 208-220.

Conteos de peatones en turismo de masas
                 por medio de cámaras de video / cámaras térmicas

El sistema de apoyo a la decisión propuesto analiza las imágenes de video, cámaras térmicas o ambas,
para detectar automáticamente problemas de aglomeración y advertir al personal de seguridad para
que se concentre en un área en particular. También:
     •   las personas que ingresan y salen para tener en vivo una estimación del total de personas
         dentro de la mezquita.
     •   estima la información sobre el flujo en la mezquita para ayudar a observar los lugares donde la
         multitud se queda inmóvil debido al exceso de gente.

                                                                            http://www.hajjcore.org/arif/

Trayectorias de personas con cámaras y sensores:
mapas en tiempo real con movimientos de gente

             http://blog.placemeter.com/real-time-data-visualization?utm_campaign=LG-GE-BP-1602
                         ArcGIS&utm_content=27618055&utm_medium=social&utm_source=twitter
                               http://placemeter-arcgisdemo.s3-website-us-east-1.amazonaws.com/

Estimando la velocidad peatonal
                                por medio de cámaras de video

Finnis, K. y Walton, D. (2007): Field observations of factors influencing pedestrian walking speeds. Ergonomics, 51 (6), 827 842.

Gasto con tarjeta bancaria
según tramos de calle y horas del día en Barcelona

 https://www.centrodeinnovacionbbva.com/noticias/6564-el-uso-eficiente-de-la-informacion-y-el-modelo-de-
 smart-cities-que-queremos

Huellas digitales en el paisaje urbano:
                       redes de segregación a través de big data

http://urbandemographics.blogspot.co.uk/2015/02/finding-networks-of-segregation-through.html

tGIS
Grupo de Investigación de la Universidad Complutense de Madrid

Nuevas fuentes de datos utilizadas por tGIS

Movilidad urbana general
         Empresas de navegadores - TomTom Speed Profiles
         Ficheros GTFS (General Transit Feed Specification)
         Registros teléfonos móviles - CDR
         Twitter
         Registros GPS bicicletas públicas, APPs
Movilidad turística
Redes sociales:
         Twitter (general, alojamientos)
         Flickr y Panoramio (sightseeing)
         Foursquare (consumo)
         Wikiloc (rutas)

Base de datos de TomTom: Perfiles de velocidad
                 TomTom Speed Profiles proporciona información de las velocidades reales obtenidas
                 a partir de sus dispositivos de navegación (GNSS) y de mediciones de smartphones

98 perfiles de velocidad (cada 5 minutos)

                                                         Stop and Go [0% FFS, 45% FFS]    Slow (45% FFS, 65 FFS]
                                                         Moderate (65% FFS, 85% FFS]     Free Flow Speed (FFS) (85% FFS, 100% FFS]

Cobertura internacional (comparaciones entre ciudades)

Análisis de congestión dinámica: Tomtom Speed Profiles

    Usando los datos de TomTom hemos analizado el impacto de la congestión en la accesibilidad
    de 8 grandes áreas metropolitanas europeas:

          Londres                              París                             Madrid                           Barcelona

           Berlín                          Hamburgo                              Roma                                Milán

Moya-Gómez, B. and García-Palomares, J.C. (2017). The impacts of congestion on automobile accessibility. What happens in the
largest European cities?. Journal of Transport Geography, 62, 148-159

Perfil temporal de accesibilidad media diaria
  Diferencias entre ciudades, tanto en la intensidad de la pérdida como en la distribución
  horaria:

Moya-Gómez, B. and García-Palomares, J.C. (2017). The impacts of congestion on automobile accessibility. What happens in the
largest European cities?. Journal of Transport Geography, 62, 148-159

TomTom, GTFS y Twitter: la primera y la última milla en viajes en
                 tren de alta velocidad Madrid-Barcelona

Moyano, A., Gutiérrez, J. y Moya, B. (2018). Access and egress times to high-speed rail stations: a spatiotemporal accessibility
analysis. Journal of Transport Geography.

TomTom, GTFS y Twitter: la primera y la última milla en viajes en
          tren de alta velocidad Madrid-Barcelona

                                                     Porcentaje del total de
                                                     tiempo de viaje: del
                                                     35% para taxi al 55% en
                                                     transporte público.

TomTom, GTFS y Twitter: la primera y la última milla en viajes en
                   tren de alta velocidad Madrid-Barcelona

Martín, J.C., Román, C., García-Palomares, J.C. y Gutiérrez, J. (2014): Spatial Analysis of the Competitiveness of the High-Speed Train
and Air Transport: The Role of Access to Terminals in the Madrid-Barcelona corridor. Transportation Research Part A, 69, 392–408.

Cambios en la distribución de la población a lo largo del día
 Los tweets se han agrupado espacial y temporalmente (según franjas horarias) a nivel de
 usuarios, se recoge la presencia de un usuario y no el número de tweets.

Moya-Gómez, B., Salas-Olmedo, M.H., García-Palomares, J.C. and Gutiérrez Puebla, J. (2017). Dynamic accessibility using big data: the
role of the changing conditions of network congestion and destination attractiveness. Networks and Spatial Economics.

El ritmo temporal de la ciudad:
                            Perfiles temporales de las áreas de actividad
20,0

15,0

10,0

 5,0

 0,0
          1    2   3    4    5    6   7     8   9    10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

                            Aeropuerto              Estaciones          Hospitales            Oficinas
                            Universidades           Parques y ocio      CC La Vaguada

       García-Palomares, J.C., Salas-Olmedo, M.H., Moya-Gómez, B., Condeço-Melhorado, A., Gutiérrez, J. (2018): City
       dynamics through Twitter: Relationships between land uses and spatiotemporal demographics. Cities, 72(B), 310-319.

Relaciones usos del suelo – actividad en twitter

García-Palomares, J.C., Salas-Olmedo, M.H., Moya-Gómez, B., Condeço-Melhorado, A., Gutiérrez, J. (2018): City dynamics
through Twitter: Relationships between land uses and spatiotemporal demographics. Cities, 72(B), 310-319.

Aplicaciones del modelo a futuros nuevos desarrollos

                                          Scenario
                    Scenario   Scenario  "Madrid N.
                   "Madrid N. "PostDamer   Norte"   Scenario "La
                     Norte"      Platz"   (Office)   Défense"
Education (m2)         90.000      48.000      90.000           0
Office (m2)           900.000     500.000    2.000.000   4.285.000
Park (m2)             300.000     300.000     300.000     300.000
Transport (m2)         50.000      50.000      50.000      50.000
Culture (m2)           60.000      30.000      60.000      60.000
Retail (m2)           120.000      63.000     120.000     120.000
Industry (m2)
Health care (m2)       30.000      16.000      30.000           0
Residence (m2)       1.100.000    575.000           0           0
Other (m2)
Distance to city
centre (m)             10.800      10.800      10.800      10.800
Total (m2)           2.650.000   1.582.000   2.650.000   4.815.000

     García-Palomares, J.C., Salas-Olmedo, M.H., Moya-Gómez, B., Condeço-Melhorado, A., Gutiérrez, J. (2018): City dynamics
     through Twitter: Relationships between land uses and spatiotemporal demographics. Cities, 72(B), 310-319.

Registros GPS: sistema de bicicletas públicas de Madrid

Romanillos, G., Moya-Gómez, B., Zaltz-Austwick, M., and Lamíquiz-Daudén, Patxi J. (2018). The pulse of the cycling city: visualising
Madrid bike share system GPS routes and cycling flow. Journal of Maps, 14 (1), 34-43

Registros GPS: sistema de bicicletas públicas de Madrid

Romanillos, G., Moya-Gómez, B., Zaltz-Austwick, M., and Lamíquiz-Daudén, Patxi J. (2018). The pulse of the cycling city: visualising
Madrid bike share system GPS routes and cycling flow. Journal of Maps, 14 (1), 34-43

Fotografías geolocalizadas: áreas de concentración de turistas

Gutiérrez, J., García-Palomares, J. C., Romanillos, G., & Salas-Olmedo, M. H. (2017). The eruption of Airbnb in tourist cities:
Comparing spatial patterns of hotels and peer-to-peer accommodation in Barcelona. Tourism Management, 62, 278-291.

La irrupción de Airbnb en las ciudades

   Hoteles y Airbnb frente a Panoramio (LISA bivariado)

Gutierrez, J., Garcia-Palomares, J.C., Romanillos, G, and Salas-Olmedo, M.H. (2016). Airbnb in Tourist Cities: Comparing Spatial Patterns of
Hotels and Peer-to-Peer Accommodation. arXiv. En revisión en Tourism Management

VENTAJAS DEL BIG DATA PARA EL ANÁLISIS DE LA CIUDAD

Recogida pasiva                 Verosimilitud: lo que la gente hace, no lo que dice que hace

Grandes volúmenes de datos      Muestras de tamaño mucho mayor que en las encuestas de
                                movilidad (telefonía móvil)
                                Compleción (tarjeta transporte y bicicletas públicas)
Resolución temporal alta        Datos continuos:
                                - información siempre actualizada
                                - monitorización en tiempo real o casi real
                                - secuencias temporales: día, semana, mes, año
                                - periodos atípicos

Resolución espacial alta –      Localización precisa:
media/alta                      - GPS
                                - registros teléfonos móviles (antenas – triangulación)
Coste y tiempo                  Mucho menores que en las encuestas de movilidad

LIMITACIONES /DIFICULTADES DEL USO DEL BIG DATA

Sesgo                          Variable según fuentes de datos:
                               - compleción (tarjetas transporte / registros bicicletas
                               públicas)
                               - bajo en registros de telefonía (penetración de la
                               compañía y filtrado)
                               - medio en redes sociales

Dificultad para limpieza,      Errores
almacenamiento y proceso de    Datos masivos – Tecnologías Big Data
datos

Información pobre sobre los    Enriquecimiento de datos
usuarios                       - por variables de los registros (directa o indirecta)
                               - por patrones de comportamiento (domicilio-trabajo)
                               - por cruce espacial – GIS

Accesibilidad a los datos      Dependencia de empresas para ciertas fuentes de datos

Seminario Big Data y Movilidad
          Montevideo, Noviembre de 2018

             Muchas gracias
          Juan Carlos García Palomares
Big Data: retos y oportunidades para
                jcgarcia@ucm.es

                 @tGIS_ucm
     la investigación geográfica

También puede leer