Intelligent System for planning Transport Network Infrastructures

Abstract

New modes of mobility and better access to points of interest are just some of the benefits that good transportation network infrastructure planning can bring to a city. This report describes the development of an Intelligent System whose ultimate goal is transport network infrastructure planning.To answer this problem, Motum was developed as a data visualization web application that a) detects patterns in the movement of the population by using clustering algorithms, b) determines which transport modes the inhabitants choose for their trips by using supervised learning algorithms and c) suggests locations that may possibly require more transport infrastructure by using data mining simple approaches. These three features provide city transport planners with relevant information for their decision making. These decisions are also supported by trip maps, heat maps and mobility charts.The methods that serve the functionalities of the web application were tested and clustering of trips results showed good state of the art validation metrics, along with a graphical analysis and interpretation of the patterns that the clusters may yield. Transport mode multiclass classification showed high performance of the machine learning models in classifying modes of transport for any trips data set. More specifically, macro F-measure of 83.03%, a Precision of 84.02%, a Recall of 82.32% and Accuracy of 85.75%.--------------------------------------------------------------------------------------

Novos meios de mobilidade e melhor acesso a pontos de interesse são apenas alguns dos benefícios que um bom planeamento de infraestrutura das redes de transportes pode trazer para uma cidade. Este relatório descreve o desenvolvimento de um Sistema Inteligente cujo objetivo final é o planeamento da infraestrutura da rede de transporte.Para responder a este problema, o Motum foi desenvolvido como uma aplicação web de visualização de dados que a) deteta padrões no movimento da população usando algoritmos de agrupamento, b) determina quais meiosde transporte os habitantes escolhem para suas viagens usando algoritmos de aprendizagem supervisionada e c) sugere locais que podem exigir mais infraestrutura de transporte usando abordagens simples de Data Mining. Esses três recursos fornecem aos planeadores de transporte das cidades informações relevantes para sua tomada de decisão. Essas decisões também são apoiadas por mapas das viagens, mapas de calor e gráficos sobre mobilidade.Os métodos que servem as funcionalidades da aplicação web foram testados e os resultados dos agrupamentos de viagens apresentaram boas métricas de validação de estado da arte, juntamente com uma análise gráfica e interpretação dos padrões que os clusters podem conter. A classificação multiclasse do meio de transporte mostrou alto desempenho dos modelos de aprendizagem computacional na classificação dos meios de transporte para qualquer conjunto de dados de viagens. Mais especificamente, métricas de performance como F-measure de 83,0\%, uma Precisão de 84,02%, um Recall de 82,32% e Accuracy de 85,75%.