Sensor Device on Lateral Passing Distance : a case study with an unsupervised learning model to estimate hazardous areas for bicycle mobility

Abstract

A locomoção por bicicleta está aumentando significativamente em todo o mundo e como um modo de transporte ativo o ciclismo pode potencialmente reduzir o congestionamento do tráfego e a poluição do ar. Além disso, promover um estilo de vida ativo pode melhorar a saúde pública e tornar as cidades mais amigáveis para as pessoas. No entanto, a quantidade de ocorrências e fatalidades envolvendo ciclistas ainda é preocupante.As Medidas de Segurança Substitutas (SSM) são indicadores promissores para avaliar a segurança no tráfego com base em conflitos, em vez de sinistros e acidentes. O termo "substitutas" é usado porque as medidas se baseiam em conflitos de tráfego e não em sinistros. Além disso, a triagem de rede garante uma identificação eficiente de locais perigosos para reduzir o número e a gravidade dos sinistros. Portanto, essa metodologia pode ser realizada tanto por uma abordagem reativa quanto por uma abordagem proativa. No que diz respeito às abordagens proativas, bicicletas instrumentadas com sensores tornaram-se cada vez mais úteis para pesquisas no campo da mobilidade. Por meio de um dispositivo de detecção portátil e multifuncional, é possível coletar dados de trajetória de bicicletas e a Distância Lateral de Ultrapassagem (LPD) usando variados sensores conectados a um sistema de banco de dados.Dessa forma, o presente estudo tem como objetivo estimar áreas de risco para a mobilidade ativa, aplicando algoritmos de aprendizado de máquina não supervisionado (K-Means e DBSCAN) com base em dispositivos sensores para a coleta de dados. Os resultados da Distância Lateral de Ultrapassagem (LPD) coletados entre bicicletas e veículos foram entãorelacionados aos dados do ciclista. Além da pesquisa de clusterização, foi realizada a correlação entre as características para identificar como os dados interagiam entre si.Alguns desses dados incluem velocidade, elevação do percurso, altitude, informações do acelerômetro e giroscópio a partir de uma coleta de dados naturalística na rua. A metodologia foi aplicada a um estudo de caso em uma avenida do centro da cidade de Brasília, em torno do Parque da Cidade. Por fim, este estudo objetiva uma aplicação metodológica e analítica de segurança cicloviária orientada a dados através da utilização de algoritmos de aprendizado de máquina. Em relação aos dados gerais, 25% das leituras relativas à distância lateral de passagem tiveram menos de 136,36 cm. Quando o modelo de agrupamento é aplicado, 25% dessas leituras tiveram menos de 100,13 cm; para o segundo quartil, 50% tiveram menos de 193,69 cm. Isso indica uma LPD crítica para um dos grupos com 75 leituras, quando considerado o limite de 150 cm para a distância mínima de afastamento lateral estabelecidopela legislação brasileira.