1 Escopo
Porto Alegre conta atualmente com controladores eletrônicos de velocidade do tipo pardal e lombada eletrônica, que além de monitorarem e fiscalizar a velocidade de tráfego nos principais eixos da cidade, podem ser utilizados para outros fins. Atualmente tais equipamentos são utilizados para monitoramento, fiscalização de velocidade, cálculo de volume veicular e cercamento eletrônico eletrônico por meio de tecnologia de Optical Character Recognition (OCR).
Uma vez que o OCR permite identificar veículos, classificá-los e rastreá-los, o escopo do presente estudo consistiu em avaliar a possibilidade de utilizar as informações de OCR para estimar matrizes de Origem/Destino e tempo médio de percurso entre pares O/D.
2 Metodologia
Inicialmente foi gerada uma matriz OD formada por pares OD tendo como centróides os endereços de controladores. A partir dos endereços dos pontos de OD foi obtida através da API do Google Maps a matriz de tempos médios entre os diferentes pontos considerados para ser utilizada como comparativo com os dados de tempo obtido em campo. Os dados obtidos pela APi foram configurados para retornar dados de horário e dia típico correspondente ao dia e horário da amostra obtida.
Dado o volume considerável de registros gerados diariamente, foi extraída uma amostra de dados do horário do pico da manhã de um único dia. Como o interesse do estudo consiste em mapear trajetos, faz-se necessário que o conjunto de placas veiculares tenha registro de passagem em pelo menos dois pares PD; assim, após obtida a amostra, foram eliminados registros de placas que possuíssem apenas uma passagem pelos pontos de controle, além de registros em que o intervalo entre passagens consecutivas fosse superior a 5400 segundos.
Após a limpeza de dados a amostra passou a conter dados de veículos com trajetos de pelo menos duas passagens por diferentes pares OD em trajetos de no máximo 90 minutos. Após consolidada a amostra os dados foram ordenados por placa e hora, permitindo identificar a sequência de passagens de cada veículo.
Após definida a ordem de passagens, foi aplicada uma regra de sequenciamento de rota onde foram descartadas passagens consecutivas de sentidos opostos. Dessa forma sequencias de pares como (norte/sul - sul/norte) ou (centro/bairro – bairro/centro) foram descartadas por representares movimentos de ida e volta e não uma única viagem.
Como não é possível garantir que as passagens entre dois pontos constituam uma viagem sem desvios ou paradas os dados de tempo entre pares OD apresentam grande variabilidade. Buscando reduzir os ruídos gerados pela variabilidade verificada, foram obtidos para cada par OD os valores de média, mediana e moda do tempo de percurso para que estes pudessem fornecer uma estimativa do valor médio do tempo de viagem. Após obtidos os dados de média, mediana e moda, foram criados três conjuntos de dados com registros de tempo de percurso contidos no intervalo de dados 25% menores ou maiores que o valor de média, mediana e moda e que resultassem para cada par OD pelo menos 30 registros. Dessa maneira foram gerados três conjuntos de dados, sendo o primeiro com registros de valores em torno da média, o segundo com valores em torno da mediana e o terceiro com valores em torno da moda e que contivessem um número mínimo de registros que permita fornecer uma distribuição Gaussiana.
Após obtidos os três conjuntos de pares OD, foram obtidos a cada conjunto os tempos médios de viagem para cada par OD que atendesse ao critério de pelo menos 30 registros. Os valores médios considerados foram pareados com o tempo médio de viagem estimado pela API do Google Maps para que se obtivesse tanta para médio, mediana e moda os coeficientes de correlação, entre os tempos verificados e os tempos em tráfego e fluxo livre estimados pela API do Google Maps. Como os dados do Google Maps fornecem apenas o valor médio e não amostras de viagens, não foram aplicadas análises pareadas de comparação de médias e variância.
3 Resultados
Os dados comparativos foram plotados em gráficos de dispersão e suas respectivas correlações foram obtidas tanto para média, mediana e moda. A hipótese inicial do estudo era de que a moda poderia ser mais favorável ao tempo médio de viagem, no entanto os resultados contrastam com essa ideia.
Ao comparar os dados ao redor da mediana com o tempo médio de percurso da API do Google com tráfego carregado a correlação obtida foi de 0.31 (Gráfico 13), já a comparação do tempo médio de percurso da API do Google com fluxo livre foi de 0.28 (Gráfico 14). Quando comparados os dados ao redor da média com o tempo médio de percurso da API do Google com tráfego carregado a correlação obtida foi de 0.91 (Gráfico 15), já a comparação do tempo médio de percurso da API do Google com fluxo livre foi de 0.92 (Gráfico 16). Por fim, ao comparar os dados ao redor da moda com o tempo médio de percurso da API do Google com tráfego carregado a correlação obtida foi de 0.31 (Gráfico 17), já a comparação do tempo médio de percurso da API do Google com fluxo livre foi de 0.28 (Gráfico 18).
library(stringr)
library(xlsx)
library(ggplot2)
grafico = 1
#carrega vias de controladores kopp e perkons
vias = read.xlsx2(file = "../data/ENDEREÇOS PARDAIS E LOMBADAS.xlsx", sheetIndex = 3)
#Elimina variaveis desnecessárias
vias$SOBRA = NULL
vias$EPTC = NULL
vias$ALPR = as.character(vias$ALPR)
vias = vias[nchar(vias$ALPR)> 1, ]
head(vias, 25)3.1 Cleaning Data
padroes <- c(" Faixa 1| Faixa 2| Faixa 3| Faixa 4| esquerda| direita| central| Central| Esquerda| Direita")
#Elimina padrões
vias$ALPR = str_replace_all(vias$ALPR, padroes, '')
vias$ALPR = str_replace_all(vias$ALPR, " -", '')
vias$ALPR = str_trim(vias$ALPR)
# cria uma lista das vis de interesse
listavias = unique(vias$ALPR)
listavias## [1] "Av. Antonio de Carvalho 2320 N/S"
## [2] "Av. Antonio de Carvalho a 10M do N. 2079 S/N"
## [3] "Av. Baltazar de Oliveira Garcia 1981"
## [4] "Av. Baltazar de Oliveira Garcia 1956"
## [5] "AV. Icarai N 1719,"
## [6] "Av. Icarai DF 38 metros do N. 1949"
## [7] "Av. Juca Batista 3151 C/B"
## [8] "Av. Juca Batista 3156 B/C"
## [9] "Estrada Joao de Oliveira Remiao DF 6500 C/B"
## [10] "Av Joao de Oliveira Remiao 6609 B/C"
## [11] "Rua Otavio Santos 330,"
## [12] "Rua Otavio Santos 257,"
## [13] "Av. Prof. Oscar Pereira 4445 C/B"
## [14] "Av. Prof. Oscar Pereira 4821 C/B"
## [15] "Av. Prof. Oscar Pereira 4836,"
## [16] "Rua Paul Harris 415"
## [17] "Rua Paul Harris 467 S/N"
## [18] "Av. Plinio Brasil Milano 365"
## [19] "Av. Saturnino de Brito 1400 S/N"
## [20] "Rua Voluntarios da Patria 1819,"
## [21] "Rua Voluntarios da Patria DF1981"
## [22] "Assis Brasil 8207"
## [23] "Av. Assis Brasil 8292 B/C"
## [24] "Av. Assis Brasil 4935 C/B"
## [25] "Av. Assis Brasil DF 4945 B/C"
## [26] "Bento Goncalves 9519 faixa 1"
## [27] "Bento Goncalves 9519 faixa 2"
## [28] "Bento Goncalves 9519 faixa 3"
## [29] "Av. Bento Goncalves 9535 B/C"
## [30] "Av. Bento Gonçalves 9535 B/C"
## [31] "Av. Edvaldo Pereira Paiva 3500"
## [32] "Av. Edvaldo Pereira Paiva 3500 B/C"
## [33] "Av. da Cavalhada DF a 30m do 4530"
## [34] "Av. da Cavalhada a 30m do nro 4414"
## [35] "Av. da Cavalhada 3696 B/C"
## [36] "Av. Edgar Pires de Castro 9331 C/B"
## [37] "Av. Eduardo Prado DF 10m do 1270"
## [38] "Av. Ipiranga DF 15m do nro 8185"
## [39] "Av. Ipiranga a 16m do nro 2860"
## [40] "Av. Juca Batista a 200m do nro 8455 C/B"
## [41] "Av. Juca Batista a 200m do nro 8455 B/C"
## [42] "Av. Pres. Castello Branco 1000"
## [43] "Av. Joao de Oliveira Remiao 5989 C/B"
## [44] "Av. Joao de Oliveira Remiao nro 702"
## [45] "Av. Joao de Oliveira Remiao DF nro 702"
## [46] "Av. Manoel Elias defronte 1830"
## [47] "Av. Manoel Elias 1822"
## [48] "Av. Manoel Elias 768 S/N"
## [49] "Av. Dr. Nilo Pecanha 350 C/B"
## [50] "Av. Dr. Nilo Pecanha 350 B/C"
## [51] "Av. Dr. Nilo Pecanha 2715"
## [52] "Av. Nonoai 849"
## [53] "Av. Padre Cacique a 19m do nro 1804"
## [54] "Protasio Alves DF 10564"
## [55] "Av. Protasio Alves 10835 B/C"
## [56] "Av. Wenceslau Escobar DF 1657"3.2 Dados ALPR
alpr = read.csv(file = "../data/ALPR/data-1597846960421.csv", header = T, sep = ",", fileEncoding = "UTF-8")
#Transforma factor em character
alpr$endereco = as.character(alpr$endereco)
class(alpr$endereco)## [1] "character"alpr$endereco = str_replace_all(alpr$endereco, padroes, '')
alpr$endereco = str_replace_all(alpr$endereco, " -", '')
alpr$endereco = str_replace_all(alpr$endereco, ", Entrada,", '')
alpr$endereco = str_trim(alpr$endereco)
alpr$endereco = str_replace(alpr$endereco, "Km 1", "1000")
alpr$endereco = str_replace(alpr$endereco, "km 3,5", "3500")
head(alpr[,-2])3.2.1 Dados Monitorados
original = dim(alpr)
original## [1] 531812 7head(alpr[,-2])class(alpr$datamonitoramento)## [1] "factor"alpr$data = substring(as.character(alpr$datamonitoramento), 1, 10)
alpr$datamonitoramento = as.POSIXct(as.character(alpr$datamonitoramento))
head(alpr[,-2])class(alpr$datamonitoramento)## [1] "POSIXct" "POSIXt"3.2.2 Manutenção de Veiculos passantes em Dois Trechos ou Mais
Foram mantidas na amostra apenas as placas de veículos que passaram em melo menos dois pontos de verificação em um intervalo de tempo não superior e 5400 segundos.
dupe = alpr[,c('placa','data')]
alpr = alpr[duplicated(dupe) | duplicated(dupe, fromLast=TRUE),]
head(alpr, 50)OS registros fora mordenados porplaca e data de registro para identificar a sequência de passagens.
alpr = alpr[with(alpr, order(placa, datamonitoramento)), ]
dim(alpr)## [1] 429947 8head(alpr[, c(3, 6)], 5)3.3 Tranformação de Dados
OS dados de endereços foram tratados para ficarem de acordo com a numeração utilizada pela API do Google para mapeamento de rotas. Numeros defronte (DF) foram somados a +1 para identificarem uma numeração fictícia no sentido correto da viagem.
alpr$dif = 0
alpr$numeros = as.numeric(gsub('.* ([0-9]+).*','\\1', alpr$endereco))
alpr$numerosold = alpr$numeros
alpr$numeros = ifelse((grepl(" DF ", alpr$endereco, fixed = T)), alpr$numeros+1, alpr$numeros)
alpr$endereco = str_replace(alpr$endereco, " DF ", " ")
# Obtem dados de percurso de at? 1,5 h
alpr = alpr[alpr$dif <= 5400,]
#alpr = alpr[1:50000,]
# obtem primeiros pontos de passagem
zeros = dim(alpr[alpr$dif == 0,])
zeros## [1] 429947 113.4 Regras
Foram estabelicidades regras de controle para se certiificar que viagens de retorno (ida e volta) fossem desconsidaradas.
# obtem mudança de sentido
uns = dim(alpr[alpr$dif == 1,])
uns## [1] 0 11#obtem total de passagens em sequencia
dim(alpr) - (zeros+uns)## [1] 0 -11#visualiza os 50 primeiros registros
head(alpr[,-2])names(vias) = c("concessao", "endereco")
head(vias)library(dplyr)
alpr = left_join(alpr, vias)
alpr = unique(alpr)
head(alpr, 10)alpr$concessao = as.character(alpr$concessao)
class(alpr$concessao)## [1] "character"alpr = alpr[!is.na(alpr$concessao), ]
head(alpr[,-2], 10)dupe = alpr[,c('placa','data')]
alpr = alpr[duplicated(dupe) | duplicated(dupe, fromLast=TRUE),]load("geoalpr.Rda")
alpr$placa = as.character(alpr$placa)alpr$dist = 0
alpr$duracaoTrafego = 0
alpr$duracaoFluxoLivre = 0for (i in 2:length(alpr$idveiculo)) {
if ( (alpr$placa[i] == alpr$placa[i-1]) & (alpr$endereco[i] != alpr$endereco[i-1]) ) {
#print(paste(alpr$placa[i] == alpr$placa[i-1]))
#print(paste(alpr$endereco[i], alpr$endereco[i-1], sep = "->"))
alpr$dif[i] = ifelse((alpr$sentido[i] == "Centro Bairro" & alpr$sentido[i-1] == "Bairro Centro"),1,
ifelse((alpr$sentido[i] == "Bairro Centro" & alpr$sentido[i-1] == "Centro Bairro"),1,
ifelse((alpr$sentido[i] == "N/S" & alpr$sentido[i-1] == "S/N"),1,
ifelse((alpr$sentido[i] == "S/N" & alpr$sentido[i-1] == "N/S"),1,
as.numeric(difftime(alpr$datamonitoramento[i], alpr$datamonitoramento[i-1], units = "secs"))
)
)
)
)
alpr$dist[i] = ifelse((alpr$sentido[i] == "Centro Bairro" & alpr$sentido[i-1] == "Bairro Centro"),1,
ifelse((alpr$sentido[i] == "Bairro Centro" & alpr$sentido[i-1] == "Centro Bairro"),1,
ifelse((alpr$sentido[i] == "N/S" & alpr$sentido[i-1] == "S/N"),1,
ifelse((alpr$sentido[i] == "S/N" & alpr$sentido[i-1] == "N/S"),1,
as.character(head(df[(df$Origem == alpr$endereco[i-1]) & (df$Destino == alpr$endereco[i]), "Distancia"], 1))
)
)
)
)
alpr$duracaoTrafego[i] = ifelse((alpr$sentido[i] == "Centro Bairro" & alpr$sentido[i-1] == "Bairro Centro"),1,
ifelse((alpr$sentido[i] == "Bairro Centro" & alpr$sentido[i-1] == "Centro Bairro"),1,
ifelse((alpr$sentido[i] == "N/S" & alpr$sentido[i-1] == "S/N"),1,
ifelse((alpr$sentido[i] == "S/N" & alpr$sentido[i-1] == "N/S"),1,
as.character(head(df[(df$Origem == alpr$endereco[i-1]) & (df$Destino == alpr$endereco[i]), "DuracaoEmTrafego"], 1))
)
)
)
)
alpr$duracaoFluxoLivre[i] = ifelse((alpr$sentido[i] == "Centro Bairro" & alpr$sentido[i-1] == "Bairro Centro"),1,
ifelse((alpr$sentido[i] == "Bairro Centro" & alpr$sentido[i-1] == "Centro Bairro"),1,
ifelse((alpr$sentido[i] == "N/S" & alpr$sentido[i-1] == "S/N"),1,
ifelse((alpr$sentido[i] == "S/N" & alpr$sentido[i-1] == "N/S"),1,
as.character(head(df[(df$Origem == alpr$endereco[i-1]) & (df$Destino == alpr$endereco[i]), "Segundos"], 1))
)
)
)
)
}else{
#print(paste(alpr$placa[i] == alpr$placa[i-1], alpr$dif[i]))
}
}
alpr = alpr[alpr$dif <= 5400, ]
head(alpr[,-2], 10)dupe = alpr[,c('placa','data')]
alpr = alpr[duplicated(dupe) | duplicated(dupe, fromLast=TRUE),]alprfinal = alpr
alprfinal = alprfinal[alprfinal$dif != 1 , ]
head(alprfinal[,-2], 10)library(tibble)
alprfinal = add_column(alprfinal, d = 0, .before = "datamonitoramento")df = matrix(0, nrow = 0, ncol =dim(alprfinal)[2])
df## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11] [,12] [,13] [,14]
## [,15] [,16]for (indice in 1:length(alprfinal$idveiculo)) {
if (alprfinal$dif[indice] > 0) {
alprfinal$idcamera[indice] = alprfinal$endereco[indice-1]
alprfinal$d[indice] = as.character(alprfinal$datamonitoramento[indice-1])
df = rbind(df, alprfinal[indice, ])
}
}
df = as.data.frame(df)
names(df) = names(alprfinal)
df$idveiculo = NULL
df$data = NULL
df$idveiculo = NULL
df$numeros = NULL
df$numerosold = NULL
names(df) = c("Placa", "instanteOrigem", "instanteDestino", "Classe", "Origem", "Destino", "Sentido", "tempoVerificado", "Concessao", "Distancia", "TempoPercursoTrafegoGoogle", "TempoPercursoFluxoLivreGoogle")
df = df[!is.na(df$Distancia), ]
head(df[,-1])df = df[]
plot(df$TempoPercursoTrafegoGoogle, df$tempoVerificado, col="blue")
plot(df$TempoPercursoFluxoLivreGoogle, df$tempoVerificado, col="orange")
3.5 Subseting
Soram considerados dias apenas do pico da manhã para o dia da extração e descartados valores referentes a motocicletas e veículos pesados.
df = df[df$instanteOrigem > "2020-08-06 06:00:00",]
df = df[df$instanteOrigem < "2020-08-06 09:00:00",]
df = df[df$Classe != "Carreta",]
df = df[df$Classe != "Moto",]
df = df[df$Classe != "Onibus",]
df = df[df$Classe != "Caminhao",]
df = df[df$Classe != "Indefinido",]
unique(df$Classe)## [1] Veiculo Van Carro de Passeio
## 9 Levels: Caminhao Carreta Carro de Passeio Indefinido Moto Onibus ... Veiculomin(df$instanteOrigem)## [1] "2020-08-06 06:00:02"max(df$instanteOrigem)## [1] "2020-08-06 08:59:59"library(dplyr)
library(modeest)
df$Placa = NULL
df$instanteOrigem = NULL
df$instanteDestino = NULL
df$Classe = NULL
df$Sentido = as.character(df$Sentido)
df1 = df[df$Concessao == "KOPP", ]
df2 = df[df$Concessao == "PERKONS", ]
save(df, file = "df.Rda")head(df1)class(df1)## [1] "data.frame"moda <- function(codes){
which.max(tabulate(codes))
}4 Dados de Lombadas Eletrônicas
DadosSumarisados <- df1 %>%
group_by(Origem, Destino, Sentido) %>%
summarise(mean = mean(tempoVerificado),
median=median(tempoVerificado),
mode = moda(tempoVerificado),
total.count=n())DadosSumarisados = DadosSumarisados[with(DadosSumarisados, order(-total.count)), ]
head(DadosSumarisados, 50) save(DadosSumarisados, file = "DadosSumarisados.Rda")load("df.Rda")
temp = df
load("DadosSumarisados.Rda")
load("geoalpr.Rda")
geo = df[df$Hora == 8, ]
df = temp
rm(temp)
DadosSumarisados = as.data.frame(DadosSumarisados)4.0.1 Mediana
base = df[0,]
for (i in 1:length(DadosSumarisados$Origem)) {
mediana = DadosSumarisados[i, 5]
medmin = mediana * 0.75
medmax = mediana * 1.25
temp = df[(df$Origem == DadosSumarisados[i,1]) & (df$Destino == DadosSumarisados[i,2]) & (df$Sentido == DadosSumarisados[i,3]) & (df$tempoVerificado > medmin) & (df$tempoVerificado < medmax), ]
base=rbind(base, temp)
}DadosSumarisadosMediana <- base %>%
group_by(Origem, Destino, Sentido) %>%
summarise(mean = mean(tempoVerificado),
median=median(tempoVerificado),
mode = moda(tempoVerificado),
total.count=n())joinmediana = merge( DadosSumarisadosMediana, geo, by.x = c("Origem", "Destino"), by.y = c("Origem", "Destino"))library(DT)4.0.1.1 Correlações
joinmediana$DuracaoEmTrafego = as.numeric(as.character(joinmediana$DuracaoEmTrafego))
joinmediana$Segundos = as.numeric(as.character(joinmediana$Segundos))
cor(joinmediana$median, joinmediana$DuracaoEmTrafego)## [1] 0.8096369cor(joinmediana$median, joinmediana$Segundos)## [1] 0.84588574.0.1.2 Distribuição
ggplot(joinmediana, aes(x=median, y=DuracaoEmTrafego)) +
geom_point(color='#2980B9', size = 4) +
geom_smooth(method=lm, color='#2C3E50') +
theme(axis.text.x=element_text(angle=45, hjust=1)) +
ggtitle(paste("Gráfico", grafico,"Comparativo tempo médio de percurso em Tráfego")) +
xlab("Tempo de Percurso ALPR [-25% mediana + 25%]") +
ylab("Tempo Médio Google API") +
guides(fill=guide_legend(title="New Legend Title"))+
annotate("text", x = mean(joinmediana$median)*1.8, y = mean(joinmediana$Segundos), label = paste("Correlação: ",cor(joinmediana$median, joinmediana$DuracaoEmTrafego)))
grafico = grafico + 1ggplot(joinmediana, aes(x=median, y=Segundos)) +
geom_point(color='#00AFBB', size = 4) +
geom_smooth(method=lm, color='#2C3E50')+
theme(axis.text.x=element_text(angle=45, hjust=1)) +
ggtitle(paste("Gráfico", grafico,"Comparativo tempo médio de percurso Fluxo Livre")) +
xlab("Tempo de Percurso ALPR [-25% mediana + 25%]") +
ylab("Tempo Médio Google API") +
guides(fill=guide_legend(title="New Legend Title")) +
annotate("text", x = mean(joinmediana$median)*1.8, y = mean(joinmediana$Segundos), label = paste("Correlação: ",cor(joinmediana$median, joinmediana$Segundos)))
grafico = grafico + 14.0.2 Média
base = df[0,]
for (i in 1:length(DadosSumarisados$Origem)) {
media = DadosSumarisados[i, 4]
medmin = media * 0.75
medmax = media * 1.25
temp = df[(df$Origem == DadosSumarisados[i,1]) & (df$Destino == DadosSumarisados[i,2]) & (df$Sentido == DadosSumarisados[i,3]) & (df$tempoVerificado > medmin) & (df$tempoVerificado < medmax), ]
base=rbind(base, temp)
}DadosSumarisadosMedia <- base %>%
group_by(Origem, Destino, Sentido) %>%
summarise(mean = mean(tempoVerificado),
median=median(tempoVerificado),
mode = moda(tempoVerificado),
total.count=n())joinmedia = merge( DadosSumarisadosMedia, geo, by.x = c("Origem", "Destino"), by.y = c("Origem", "Destino"))4.0.2.1 Correlações
joinmedia$DuracaoEmTrafego = as.numeric(as.character(joinmedia$DuracaoEmTrafego))
joinmedia$Segundos = as.numeric(as.character(joinmedia$Segundos))
cor(joinmedia$median, joinmedia$DuracaoEmTrafego)## [1] 0.8807244cor(joinmedia$median, joinmedia$Segundos)## [1] 0.90570024.0.2.2 Distribuição
ggplot(joinmedia, aes(x=median, y=DuracaoEmTrafego)) +
geom_point(color='#2980B9', size = 4) +
geom_smooth(method=lm, color='#2C3E50') +
theme(axis.text.x=element_text(angle=45, hjust=1)) +
ggtitle(paste("Gráfico", grafico,"Comparativo tempo médio de percurso em Tráfego")) +
xlab("Tempo de Percurso ALPR [-25% média + 25%]") +
ylab("Tempo Médio Google API") +
guides(fill=guide_legend(title="New Legend Title"))+
annotate("text", x = mean(joinmedia$median)*1.8, y = mean(joinmedia$Segundos), label = paste("Correlação: ",cor(joinmedia$median, joinmedia$DuracaoEmTrafego)))
grafico = grafico + 1ggplot(joinmedia, aes(x=median, y=Segundos)) +
geom_point(color='#00AFBB', size = 4) +
geom_smooth(method=lm, color='#2C3E50')+
theme(axis.text.x=element_text(angle=45, hjust=1)) +
ggtitle(paste("Gráfico", grafico, "Comparativo tempo médio de percurso Fluxo Livre")) +
xlab("Tempo de Percurso ALPR [-25% média + 25%]") +
ylab("Tempo Médio Google API") +
guides(fill=guide_legend(title="New Legend Title")) +
annotate("text", x = mean(joinmedia$median)*1.8, y = mean(joinmedia$Segundos), label = paste("Correlação: ",cor(joinmedia$median, joinmedia$Segundos)))
grafico = grafico + 14.0.3 Moda
base = df[0,]
for (i in 1:length(DadosSumarisados$Origem)) {
modas = DadosSumarisados[i, 6]
medmin = modas * 0.75
medmax = modas * 1.25
temp = df[(df$Origem == DadosSumarisados[i,1]) & (df$Destino == DadosSumarisados[i,2]) & (df$Sentido == DadosSumarisados[i,3]) & (df$tempoVerificado > medmin) & (df$tempoVerificado < medmax), ]
base=rbind(base, temp)
}DadosSumarisadosModa <- base %>%
group_by(Origem, Destino, Sentido) %>%
summarise(mean = mean(tempoVerificado),
median=median(tempoVerificado),
mode = moda(tempoVerificado),
total.count=n())joinmoda = merge( DadosSumarisadosMediana, geo, by.x = c("Origem", "Destino"), by.y = c("Origem", "Destino"))4.0.3.1 Correlações
joinmoda$DuracaoEmTrafego = as.numeric(as.character(joinmoda$DuracaoEmTrafego))
joinmoda$Segundos = as.numeric(as.character(joinmoda$Segundos))
cor(joinmoda$median, joinmoda$DuracaoEmTrafego)## [1] 0.8096369cor(joinmoda$median, joinmoda$Segundos)## [1] 0.84588574.0.3.2 Distribuição
ggplot(joinmoda, aes(x=median, y=DuracaoEmTrafego)) +
geom_point(color='#2980B9', size = 4) +
geom_smooth(method=lm, color='#2C3E50') +
theme(axis.text.x=element_text(angle=45, hjust=1)) +
ggtitle(paste("Gráfico", grafico, "Comparativo tempo médio de percurso em Tráfego")) +
xlab("Tempo de Percurso ALPR [-25% moda + 25%]") +
ylab("Tempo Médio Google API") +
guides(fill=guide_legend(title="New Legend Title"))+
annotate("text", x = mean(joinmoda$median)*1.8, y = mean(joinmoda$Segundos), label = paste("Correlação: ",cor(joinmoda$median, joinmoda$DuracaoEmTrafego)))
ggplot(joinmoda, aes(x=median, y=Segundos)) +
geom_point(color='#00AFBB', size = 4) +
geom_smooth(method=lm, color='#2C3E50')+
theme(axis.text.x=element_text(angle=45, hjust=1)) +
ggtitle(paste("Gráfico", grafico, "Comparativo tempo médio de percurso Fluxo Livre")) +
xlab("Tempo de Percurso [-25% moda + 25%]") +
ylab("Tempo Médio Google API") +
guides(fill=guide_legend(title="New Legend Title")) +
annotate("text", x = mean(joinmoda$median)*1.8, y = mean(joinmoda$Segundos), label = paste("Correlação: ",cor(joinmoda$median, joinmoda$Segundos)))
grafico = grafico + 15 Dados de Pardais
DadosSumarisados <- df2 %>%
group_by(Origem, Destino, Sentido) %>%
summarise(mean = mean(tempoVerificado),
median=median(tempoVerificado),
mode = moda(tempoVerificado),
total.count=n())DadosSumarisados = DadosSumarisados[with(DadosSumarisados, order(-total.count)), ]
head(DadosSumarisados, 50) save(DadosSumarisados, file = "DadosSumarisados.Rda")load("df.Rda")
temp = df
load("DadosSumarisados.Rda")
load("geoalpr.Rda")
geo = df[df$Hora == 8, ]
df = temp
rm(temp)
DadosSumarisados = as.data.frame(DadosSumarisados)5.0.1 Mediana
base = df[0,]
for (i in 1:length(DadosSumarisados$Origem)) {
mediana = DadosSumarisados[i, 5]
medmin = mediana * 0.75
medmax = mediana * 1.25
temp = df[(df$Origem == DadosSumarisados[i,1]) & (df$Destino == DadosSumarisados[i,2]) & (df$Sentido == DadosSumarisados[i,3]) & (df$tempoVerificado > medmin) & (df$tempoVerificado < medmax), ]
base=rbind(base, temp)
}DadosSumarisadosMediana <- base %>%
group_by(Origem, Destino, Sentido) %>%
summarise(mean = mean(tempoVerificado),
median=median(tempoVerificado),
mode = moda(tempoVerificado),
total.count=n())joinmediana = merge( DadosSumarisadosMediana, geo, by.x = c("Origem", "Destino"), by.y = c("Origem", "Destino"))library(DT)5.0.1.1 Correlações
joinmediana$DuracaoEmTrafego = as.numeric(as.character(joinmediana$DuracaoEmTrafego))
joinmediana$Segundos = as.numeric(as.character(joinmediana$Segundos))
cor(joinmediana$median, joinmediana$DuracaoEmTrafego)## [1] 0.2062136cor(joinmediana$median, joinmediana$Segundos)## [1] 0.17337785.0.1.2 Distribuição
ggplot(joinmediana, aes(x=median, y=DuracaoEmTrafego)) +
geom_point(color='#2980B9', size = 4) +
geom_smooth(method=lm, color='#2C3E50') +
theme(axis.text.x=element_text(angle=45, hjust=1)) +
ggtitle(paste("Gráfico", grafico,"Comparativo tempo médio de percurso em Tráfego")) +
xlab("Tempo de Percurso ALPR [-25% mediana + 25%]") +
ylab("Tempo Médio Google API") +
guides(fill=guide_legend(title="New Legend Title"))+
annotate("text", x = mean(joinmediana$median)*1.8, y = mean(joinmediana$Segundos), label = paste("Correlação: ",cor(joinmediana$median, joinmediana$DuracaoEmTrafego)))
grafico = grafico + 1ggplot(joinmediana, aes(x=median, y=Segundos)) +
geom_point(color='#00AFBB', size = 4) +
geom_smooth(method=lm, color='#2C3E50')+
theme(axis.text.x=element_text(angle=45, hjust=1)) +
ggtitle(paste("Gráfico", grafico, "Comparativo tempo médio de percurso Fluxo Livre")) +
xlab("Tempo de Percurso ALPR [-25% mediana + 25%]") +
ylab("Tempo Médio Google API") +
guides(fill=guide_legend(title="New Legend Title")) +
annotate("text", x = mean(joinmediana$median)*1.8, y = mean(joinmediana$Segundos), label = paste("Correlação: ",cor(joinmediana$median, joinmediana$Segundos)))
grafico = grafico + 15.0.2 Média
base = df[0,]
for (i in 1:length(DadosSumarisados$Origem)) {
media = DadosSumarisados[i, 4]
medmin = media * 0.75
medmax = media * 1.25
temp = df[(df$Origem == DadosSumarisados[i,1]) & (df$Destino == DadosSumarisados[i,2]) & (df$Sentido == DadosSumarisados[i,3]) & (df$tempoVerificado > medmin) & (df$tempoVerificado < medmax), ]
base=rbind(base, temp)
}DadosSumarisadosMedia <- base %>%
group_by(Origem, Destino, Sentido) %>%
summarise(mean = mean(tempoVerificado),
median=median(tempoVerificado),
mode = moda(tempoVerificado),
total.count=n())joinmedia = merge( DadosSumarisadosMedia, geo, by.x = c("Origem", "Destino"), by.y = c("Origem", "Destino"))5.0.2.1 Correlações
joinmedia$DuracaoEmTrafego = as.numeric(as.character(joinmedia$DuracaoEmTrafego))
joinmedia$Segundos = as.numeric(as.character(joinmedia$Segundos))
cor(joinmedia$median, joinmedia$DuracaoEmTrafego)## [1] 0.9174626cor(joinmedia$median, joinmedia$Segundos)## [1] 0.92048845.0.2.2 Distribuição
ggplot(joinmedia, aes(x=median, y=DuracaoEmTrafego)) +
geom_point(color='#2980B9', size = 4) +
geom_smooth(method=lm, color='#2C3E50') +
theme(axis.text.x=element_text(angle=45, hjust=1)) +
ggtitle(paste("Gráfico", grafico, "Comparativo tempo médio de percurso em Tráfego")) +
xlab("Tempo de Percurso ALPR [-25% média + 25%]") +
ylab("Tempo Médio Google API") +
guides(fill=guide_legend(title="New Legend Title"))+
annotate("text", x = mean(joinmedia$median)*1.8, y = mean(joinmedia$Segundos), label = paste("Correlação: ",cor(joinmedia$median, joinmedia$DuracaoEmTrafego)))
grafico = grafico + 1ggplot(joinmedia, aes(x=median, y=Segundos)) +
geom_point(color='#00AFBB', size = 4) +
geom_smooth(method=lm, color='#2C3E50')+
theme(axis.text.x=element_text(angle=45, hjust=1)) +
ggtitle(paste("Gráfico", grafico, "Comparativo tempo médio de percurso Fluxo Livre")) +
xlab("Tempo de Percurso ALPR [-25% média + 25%]") +
ylab("Tempo Médio Google API") +
guides(fill=guide_legend(title="New Legend Title")) +
annotate("text", x = mean(joinmedia$median)*1.8, y = mean(joinmedia$Segundos), label = paste("Correlação: ",cor(joinmedia$median, joinmedia$Segundos)))
grafico = grafico + 15.0.3 Moda
base = df[0,]
for (i in 1:length(DadosSumarisados$Origem)) {
modas = DadosSumarisados[i, 6]
medmin = modas * 0.75
medmax = modas * 1.25
temp = df[(df$Origem == DadosSumarisados[i,1]) & (df$Destino == DadosSumarisados[i,2]) & (df$Sentido == DadosSumarisados[i,3]) & (df$tempoVerificado > medmin) & (df$tempoVerificado < medmax), ]
base=rbind(base, temp)
}DadosSumarisadosModa <- base %>%
group_by(Origem, Destino, Sentido) %>%
summarise(mean = mean(tempoVerificado),
median=median(tempoVerificado),
mode = moda(tempoVerificado),
total.count=n())joinmoda = merge( DadosSumarisadosMediana, geo, by.x = c("Origem", "Destino"), by.y = c("Origem", "Destino"))5.0.3.1 Correlações
joinmoda$DuracaoEmTrafego = as.numeric(as.character(joinmoda$DuracaoEmTrafego))
joinmoda$Segundos = as.numeric(as.character(joinmoda$Segundos))
cor(joinmoda$median, joinmoda$DuracaoEmTrafego)## [1] 0.2062136cor(joinmoda$median, joinmoda$Segundos)## [1] 0.17337785.0.3.2 Distribuição
ggplot(joinmoda, aes(x=median, y=DuracaoEmTrafego)) +
geom_point(color='#2980B9', size = 4) +
geom_smooth(method=lm, color='#2C3E50') +
theme(axis.text.x=element_text(angle=45, hjust=1)) +
ggtitle(paste("Gráfico", grafico, "Comparativo tempo médio de percurso em Tráfego")) +
xlab("Tempo de Percurso ALPR [-25% moda + 25%]") +
ylab("Tempo Médio Google API") +
guides(fill=guide_legend(title="New Legend Title"))+
annotate("text", x = mean(joinmoda$median)*1.8, y = mean(joinmoda$Segundos), label = paste("Correlação: ",cor(joinmoda$median, joinmoda$DuracaoEmTrafego)))
grafico = grafico + 1ggplot(joinmoda, aes(x=median, y=Segundos)) +
geom_point(color='#00AFBB', size = 4) +
geom_smooth(method=lm, color='#2C3E50')+
theme(axis.text.x=element_text(angle=45, hjust=1)) +
ggtitle(paste("Gráfico", grafico, "Comparativo tempo médio de percurso Fluxo Livre")) +
xlab("Tempo de Percurso [-25% moda + 25%]") +
ylab("Tempo Médio Google API") +
guides(fill=guide_legend(title="New Legend Title")) +
annotate("text", x = mean(joinmoda$median)*1.8, y = mean(joinmoda$Segundos), label = paste("Correlação: ",cor(joinmoda$median, joinmoda$Segundos)))
grafico = grafico + 16 Dados de Pardais e Lombadas
DadosSumarisados <- df %>%
group_by(Origem, Destino, Sentido) %>%
summarise(mean = mean(tempoVerificado),
median=median(tempoVerificado),
mode = moda(tempoVerificado),
total.count=n())DadosSumarisados = DadosSumarisados[with(DadosSumarisados, order(-total.count)), ]
head(DadosSumarisados, 50) save(DadosSumarisados, file = "DadosSumarisados.Rda")load("df.Rda")
temp = df
load("DadosSumarisados.Rda")
load("geoalpr.Rda")
geo = df[df$Hora == 8, ]
df = temp
rm(temp)
DadosSumarisados = as.data.frame(DadosSumarisados)6.0.1 Mediana
base = df[0,]
for (i in 1:length(DadosSumarisados$Origem)) {
mediana = DadosSumarisados[i, 5]
medmin = mediana * 0.75
medmax = mediana * 1.25
temp = df[(df$Origem == DadosSumarisados[i,1]) & (df$Destino == DadosSumarisados[i,2]) & (df$Sentido == DadosSumarisados[i,3]) & (df$tempoVerificado > medmin) & (df$tempoVerificado < medmax), ]
base=rbind(base, temp)
}DadosSumarisadosMediana <- base %>%
group_by(Origem, Destino, Sentido) %>%
summarise(mean = mean(tempoVerificado),
median=median(tempoVerificado),
mode = moda(tempoVerificado),
total.count=n())joinmediana = merge( DadosSumarisadosMediana, geo, by.x = c("Origem", "Destino"), by.y = c("Origem", "Destino"))library(DT)6.0.1.1 Correlações
joinmediana$DuracaoEmTrafego = as.numeric(as.character(joinmediana$DuracaoEmTrafego))
joinmediana$Segundos = as.numeric(as.character(joinmediana$Segundos))
cor(joinmediana$median, joinmediana$DuracaoEmTrafego)## [1] 0.3144338cor(joinmediana$median, joinmediana$Segundos)## [1] 0.28733256.0.1.2 Distribuição
ggplot(joinmediana, aes(x=median, y=DuracaoEmTrafego)) +
geom_point(color='#2980B9', size = 4) +
geom_smooth(method=lm, color='#2C3E50') +
theme(axis.text.x=element_text(angle=45, hjust=1)) +
ggtitle(paste("Gráfico", grafico, "Comparativo tempo médio de percurso em Tráfego")) +
xlab("Tempo de Percurso ALPR [-25% mediana + 25%]") +
ylab("Tempo Médio Google API") +
guides(fill=guide_legend(title="New Legend Title"))+
annotate("text", x = mean(joinmediana$median)*1.8, y = mean(joinmediana$Segundos), label = paste("Correlação: ",cor(joinmediana$median, joinmediana$DuracaoEmTrafego)))
grafico = grafico + 1ggplot(joinmediana, aes(x=median, y=Segundos)) +
geom_point(color='#00AFBB', size = 4) +
geom_smooth(method=lm, color='#2C3E50')+
theme(axis.text.x=element_text(angle=45, hjust=1)) +
ggtitle(paste("Gráfico", grafico, "Comparativo tempo médio de percurso Fluxo Livre")) +
xlab("Tempo de Percurso ALPR [-25% mediana + 25%]") +
ylab("Tempo Médio Google API") +
guides(fill=guide_legend(title="New Legend Title")) +
annotate("text", x = mean(joinmediana$median)*1.8, y = mean(joinmediana$Segundos), label = paste("Correlação: ",cor(joinmediana$median, joinmediana$Segundos)))
grafico = grafico + 16.0.2 Média
base = df[0,]
for (i in 1:length(DadosSumarisados$Origem)) {
media = DadosSumarisados[i, 4]
medmin = media * 0.75
medmax = media * 1.25
temp = df[(df$Origem == DadosSumarisados[i,1]) & (df$Destino == DadosSumarisados[i,2]) & (df$Sentido == DadosSumarisados[i,3]) & (df$tempoVerificado > medmin) & (df$tempoVerificado < medmax), ]
base=rbind(base, temp)
}DadosSumarisadosMedia <- base %>%
group_by(Origem, Destino, Sentido) %>%
summarise(mean = mean(tempoVerificado),
median=median(tempoVerificado),
mode = moda(tempoVerificado),
total.count=n())joinmedia = merge( DadosSumarisadosMedia, geo, by.x = c("Origem", "Destino"), by.y = c("Origem", "Destino"))6.0.2.1 Correlações
joinmedia$DuracaoEmTrafego = as.numeric(as.character(joinmedia$DuracaoEmTrafego))
joinmedia$Segundos = as.numeric(as.character(joinmedia$Segundos))
cor(joinmedia$median, joinmedia$DuracaoEmTrafego)## [1] 0.9108636cor(joinmedia$median, joinmedia$Segundos)## [1] 0.92127836.0.2.2 Distribuição
ggplot(joinmedia, aes(x=median, y=DuracaoEmTrafego)) +
geom_point(color='#2980B9', size = 4) +
geom_smooth(method=lm, color='#2C3E50') +
theme(axis.text.x=element_text(angle=45, hjust=1)) +
ggtitle(paste("Gráfico", grafico, "Comparativo tempo médio de percurso em Tráfego")) +
xlab("Tempo de Percurso ALPR [-25% média + 25%]") +
ylab("Tempo Médio Google API") +
guides(fill=guide_legend(title="New Legend Title"))+
annotate("text", x = mean(joinmedia$median)*1.8, y = mean(joinmedia$Segundos), label = paste("Correlação: ",cor(joinmedia$median, joinmedia$DuracaoEmTrafego)))
grafico = grafico + 1ggplot(joinmedia, aes(x=median, y=Segundos)) +
geom_point(color='#00AFBB', size = 4) +
geom_smooth(method=lm, color='#2C3E50')+
theme(axis.text.x=element_text(angle=45, hjust=1)) +
ggtitle(paste("Gráfico", grafico, "Comparativo tempo médio de percurso Fluxo Livre")) +
xlab("Tempo de Percurso ALPR [-25% média + 25%]") +
ylab("Tempo Médio Google API") +
guides(fill=guide_legend(title="New Legend Title")) +
annotate("text", x = mean(joinmedia$median)*1.8, y = mean(joinmedia$Segundos), label = paste("Correlação: ",cor(joinmedia$median, joinmedia$Segundos)))
grafico = grafico + 16.0.3 Moda
base = df[0,]
for (i in 1:length(DadosSumarisados$Origem)) {
modas = DadosSumarisados[i, 6]
medmin = modas * 0.75
medmax = modas * 1.25
temp = df[(df$Origem == DadosSumarisados[i,1]) & (df$Destino == DadosSumarisados[i,2]) & (df$Sentido == DadosSumarisados[i,3]) & (df$tempoVerificado > medmin) & (df$tempoVerificado < medmax), ]
base=rbind(base, temp)
}DadosSumarisadosModa <- base %>%
group_by(Origem, Destino, Sentido) %>%
summarise(mean = mean(tempoVerificado),
median=median(tempoVerificado),
mode = moda(tempoVerificado),
total.count=n())joinmoda = merge( DadosSumarisadosMediana, geo, by.x = c("Origem", "Destino"), by.y = c("Origem", "Destino"))6.0.3.1 Correlações
joinmoda$DuracaoEmTrafego = as.numeric(as.character(joinmoda$DuracaoEmTrafego))
joinmoda$Segundos = as.numeric(as.character(joinmoda$Segundos))
cor(joinmoda$median, joinmoda$DuracaoEmTrafego)## [1] 0.3144338cor(joinmoda$median, joinmoda$Segundos)## [1] 0.28733256.0.3.2 Distribuição
ggplot(joinmoda, aes(x=median, y=DuracaoEmTrafego)) +
geom_point(color='#2980B9', size = 4) +
geom_smooth(method=lm, color='#2C3E50') +
theme(axis.text.x=element_text(angle=45, hjust=1)) +
ggtitle(paste("Gráfico", grafico, "Comparativo tempo médio de percurso em Tráfego")) +
xlab("Tempo de Percurso ALPR [-25% moda + 25%]") +
ylab("Tempo Médio Google API") +
guides(fill=guide_legend(title="New Legend Title"))+
annotate("text", x = mean(joinmoda$median)*1.8, y = mean(joinmoda$Segundos), label = paste("Correlação: ",cor(joinmoda$median, joinmoda$DuracaoEmTrafego)))
grafico = grafico + 1ggplot(joinmoda, aes(x=median, y=Segundos)) +
geom_point(color='#00AFBB', size = 4) +
geom_smooth(method=lm, color='#2C3E50')+
theme(axis.text.x=element_text(angle=45, hjust=1)) +
ggtitle(paste("Gráfico", grafico, "Comparativo tempo médio de percurso Fluxo Livre")) +
xlab("Tempo de Percurso [-25% moda + 25%]") +
ylab("Tempo Médio Google API") +
guides(fill=guide_legend(title="New Legend Title")) +
annotate("text", x = mean(joinmoda$median)*1.8, y = mean(joinmoda$Segundos), label = paste("Correlação: ",cor(joinmoda$median, joinmoda$Segundos)))
grafico = grafico + 1