Algoritmo inteligente para geração de rotas em smart cities

• Ano de defesa: 2018
• Autor(a) principal: MORAIS, Renê Douglas Nobre de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal Rural de Pernambuco; Departamento de Estatística e Informática; Brasil; UFRPE; Programa de Pós-Graduação em Informática Aplicada
• Palavras-chave em Português: Cidade inteligente; Geração de rota; Tráfego de veículo; Computação evolucionária; CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://www.tede2.ufrpe.br:8080/tede2/handle/tede2/7856

O congestionamento nos grandes centros urbanos é um dos principais problemas para as pessoas que necessitam se locomover diariamente seja utilizando o transporte público ou individual. O surgimento do conceito de cidades inteligentes tornou possível o desenvolvimento de inúmeras soluções inovadoras que, através da tecnologia, compartilham e disseminam diversas informações em tempo real para a população. Porém, à medida que o problema é tomado por inúmeras variáveis, torna-se cada vez mais difícil oferecer soluções viáveis e em tempo hábil. Desta forma, este trabalho propõe um algoritmo que utiliza Pontos de Referência para determinação de passeios em redes viárias de larga-escala considerando 3 objetivos (tempo de viagem, distância e número de semáforos) em tempo hábil utilizando um algoritmo evolucionário multiobjetivo. Além disso, um novo operador de mutação que garante apenas pequenas alterações nos indivíduos é proposto. A abordagem proposta é testada realizando simulações em um mapa de uma cidade grande com diferentes níveis de congestionamento utilizando os dados do Openstreetmap. Por fim, os resultados das simulações são comparados com soluções geradas pelo algoritmo de Dijkstra que representam o menor valor teórico para cada objetivo. Foram realizados 5 grupos de simulações com 3 cenários cada com diferentes níveis de congestionamento. Os resultados mostraram que o algoritmo encontrou diversos trade-offs, destacando os melhores resultados para os maiores níveis de congestionamento com perdas médias que não ultrapassaram os 20% em 2 dos 3 objetivos em grande parte das simulações. Quanto ao tempo computacional gasto, em 2 grupos o algoritmo demorou em média 3 segundos para encontrar as melhores rotas e 6 segundos em média para os outros 3 grupos. Desta forma, concluiu-se que o algoritmo foi capaz de gerar trade-offs viáveis em um bom tempo computacional considerando o ambiente em que foi executado. Estes resultados também refletiram a eficiência do operador de mutação proposto.