Inteligência de Big Data para rotas de ônibus ecológicas

O desafio

Anais da Conferência de Pesquisa em Engenharia Industrial e de Sistemas de 2015 S. Cetinkaya e J. K. Ryan, eds.

Matthew Snead, David Holt, Michael Mullen, Michelle Londa, Tongdan Jin
Escola de Engenharia Ingram
Universidade Estadual do Texas
San Marcos, TX 78666, EUA

Resumo

O transporte público por ônibus é um serviço vital para todas as áreas populosas, e grande parte desse serviço depende de rotas estruturadas. Ao se deslocarem, os ônibus consomem grandes quantidades de combustíveis fósseis, causando impacto no meio ambiente e incorrendo em custos operacionais. O objetivo deste documento é propor uma solução sustentável de roteamento de ônibus que minimize o consumo anual de combustível com garantia de qualidade dos serviços. O estudo é realizado com base em uma frota de ônibus que atende atualmente a mais de 34.000 alunos de uma universidade pública do Texas. Utilizando uma grande quantidade de dados históricos da página da Web do fornecedor, é possível determinar a localização de ônibus específicos à medida que eles percorrem uma rota. Além das observações no local, os dados de tempo de execução também são recuperados do site por meio de JavaScript Object Notation e alimentados em ferramentas estatísticas avançadas para a tomada de decisões em tempo real. O modelo básico é construído dentro do SIMIO, validado e otimizado usando funções complementares para identificar a rota de ônibus mais eficiente em termos de combustível. O estudo mostra que, ao sintetizar a análise de big data com o padrão de chegada dos passageiros, a eficiência do combustível pode ser melhorada em 10% a 20%, reduzindo potencialmente 15% do custo operacional e 24 mil toneladas de emissões de dióxido de carbono por ano.

1. Introdução

Em 2013, os americanos fizeram 10,7 bilhões de viagens em transporte público, que foi o maior número anual de passageiros em 57 anos. O transporte público é um setor de US$ 58 bilhões que emprega quase 400.000 pessoas em 7.100 organizações de serviços nos Estados Unidos. O acesso a linhas de ônibus e trens reduz o número de viagens de carro em 4.400 milhas (1 milha=1,6 km) por domicílio por ano e economiza 450 milhões de galões de combustível anualmente em todo o país, além de reduzir os congestionamentos [1]. Como o tráfego continua a aumentar, há um aumento constante na demanda por transporte público de qualidade. Uma ferramenta muito versátil para essa demanda é o uso de sistemas de ônibus. A capacidade desses sistemas de se adaptar a novas demandas e a flexibilidade dos ajustes de rota os tornam mais viáveis em comparação com outras opções que exigem infraestruturas caras e rígidas, como metrôs ou sistemas ferroviários. A vantagem de lidar com o crescimento orgânico de áreas densamente povoadas é importante em termos de maximização do desempenho do transporte por meio de inteligência de big data, análise avançada e tecnologia da informação.

A minimização do tempo de espera dos passageiros e a redução do custo operacional são dois critérios básicos para avaliar o sistema de serviço de ônibus. A fim de programar e decidir como uma rota de ônibus será organizada para oferecer um serviço ideal, depende de vários fatores, incluindo a demanda nos locais, os horários das rotas, o tamanho da frota e as instalações de apoio. Um fator importante a ser considerado nessa equação é a pegada de carbono deixada pelos ônibus e as despesas associadas a ela. Por exemplo, a frota de ônibus em estudo usa combustível diesel e cada ônibus consome aproximadamente 136 galões em um turno de 12 horas a um custo de combustível de US$ 3,05 por galão. Com base no fato de que a queima de um galão de diesel gera 10,18 kg de CO2 [2], a emissão diária de carbono chega a 1.384 kg por ônibus. Além disso, o custo de serviço para operar um ônibus por turno é de aproximadamente US$ 1.012, o que contribui para um custo de US$ 1.425 por turno de 12 horas por ônibus. É por isso que criar uma rota e um horário de ônibus ideais é essencial para minimizar as emissões de gases de efeito estufa e o custo operacional.

Os estudos existentes sobre rotas e horários de ônibus geralmente abrangem métodos analíticos e observações de campo. Embora existam muitas ferramentas disponíveis, uma abordagem bem conhecida é o guia de planejamento do Bus Rapid Transit (BRT) [3]. A versão atual tem mais de 800 páginas e inclui contribuições de uma ampla gama de profissionais e praticantes com experiência direta no projeto e na implementação de sistemas BRT em todo o mundo. O guia oferece aos planejadores a capacidade de projetar e implementar um sistema de rotas de ônibus. Os métodos usados em todo o BRT são baseados em modelos analíticos para análise de tráfego e tomada de decisões. Alguns métodos de implementação de rotas fornecem gráficos de comparação baseados em vantagens e desvantagens como ferramenta de tomada de decisão; um exemplo disso é a alocação de pontos de ônibus [4]. No entanto, as metodologias estáticas de roteamento de ônibus podem ser ineficientes ou resultar em grandes quantidades de emissões de carbono e custos adicionais de operação e manutenção devido ao ambiente operacional variável.

Em contraste com as abordagens atuais, este estudo integra dados operacionais de ônibus em tempo real com ferramentas avançadas de simulação (ou seja, SIMIO) para gerar possíveis melhorias em um sistema de rotas de ônibus, levando em conta as variações dos passageiros. O modelo de linha de base construído representa a rota atual em estudo e é usado no projeto de experimentos como uma abordagem para criar um sistema de transporte mais ecológico e econômico. O Excel, o Minitab e o JMP são aplicados no manuseio e na análise dos dados que são incorporados ao SIMIO. O software OptQuest é empregado no SIMIO para gerar e simular configurações para a linha de base e produzir soluções ideais.

O restante do artigo está organizado da seguinte forma: A Seção 2 apresenta uma estrutura geral sob a qual várias fontes de dados são sintetizadas e alimentadas no SIMIO para criar um ambiente de simulação para a decisão de roteamento. A Seção 3 faz a análise inicial dos dados e a Seção 4 faz uma verificação e validação aprofundadas do modelo de simulação. Na Seção 5, a arquitetura dos experimentos e a metodologia de solução são descritas. A Seção 6 é composta pelo modelo proposto para implementar o sistema real de trânsito de ônibus, juntamente com a economia projetada de CO2 e de custos. A Seção 7 conclui o artigo.

A solução

2. Metodologia

2. 1 Abordagem

A informática, incluindo dados históricos e em tempo real, é utilizada para ajudar a melhorar a eficiência da rota básica atual em estudo. Como resultado, os poluentes nocivos e os gases de efeito estufa que entram na atmosfera são significativamente reduzidos, e a economia de custos também é obtida devido à redução da distância total percorrida. Dez rotas regulares compõem o sistema básico de ônibus. Além disso, há quatro rotas noturnas, quatro rotas noturnas e cinco rotas aos sábados. A Transdev, a empresa contratada para os ônibus, opera com um total de 45 ônibus, 43 dos quais são novos. Para fins deste estudo, o foco é a Bobcat Village Route, que opera com no máximo três ônibus, mas o método proposto pode ser generalizado e estendido a outras rotas de ônibus. Conforme mostrado na Figura 1, os três ônibus seguem a mesma lógica de rota: os ônibus viajam de Bobcat Village North para Bobcat Village South, Bobcat Village South para LBJ, LBJ para Quad e Quad para Bobcat Village North e repetem esse ciclo durante todo o dia. As sequências de rotas atuais e a programação diária dos ônibus também são mostradas na Figura 1. Observe que Matthews não é uma parada e todas as paradas em Bobcat Village estão localizadas no mesmo complexo com 0,05 milhas de separação.

2.2 Coleta de Big Data

Durante o verão de 2014, o Texas State Bus Service passou por algumas atualizações significativas não apenas nos ônibus, mas também na forma como eles são rastreados. Usando iPads da Apple, os ônibus enviam um sinal de Sistema de Posicionamento Global (GPS) que é típico da maioria dos telefones celulares e dispositivos do tipo tablet. Os gerentes da Web podem pegar esses dados e aplicá-los a um mapa, fornecendo ao usuário final uma localização em tempo real de onde o ônibus está em uma determinada rota. Os dados em tempo real coletados neste estudo de caso são recuperados dos links brutos do mapa usando uma notação de objeto JavaScript. Isso nos permitiu recuperar continuamente dados de GPS em tempo real do site e armazenar informações diárias em um enorme arquivo de texto com mais de 700.000 linhas de dados brutos. As linhas de dados brutos contêm informações como: rota, identificação do ônibus, hora, data, gravações de GPS e outras informações que não foram utilizadas diretamente, mas que foram manipuladas. Mais de sete milhões de células geradas por cada arquivo são levadas para um ambiente analítico, onde são posteriormente analisadas.

2.3 Dados de apoio

Os dados quantitativos e qualitativos são coletados pelos métodos descritos acima. Usando práticas de estudo de tempo, os dados de observação são coletados nas seguintes categorias: Tempo de chegada do ônibus, tempo de permanência do ônibus, tempo entre as chegadas dos alunos em incrementos de cinco minutos e tempo entre Bobcat Village North e Bobcat Village South. Todos os dados de observação têm registro de data e hora para correlação entre as fontes de dados. Dados suplementares também são fornecidos pelos Serviços de Transporte do Estado do Texas mediante solicitação. Essas informações são transferidas para o Excel, onde são posteriormente interpretadas e organizadas para uso no projeto e na validação. Os dados qualitativos são usados durante o processo de design e os processos de experimentação descritos abaixo.

3. Análise inicial de dados

3.1 Análise de Big Data

Os dados em massa coletados são extraídos e todas as informações pertinentes são importadas para planilhas do Excel, onde os pontos de GPS e as marcas de tempo são usados para calcular os tempos de viagem entre as paradas adjacentes. Usando intervalos de duas horas, os caminhos de tempo do GPS são organizados por hora do dia para levar em conta os diferentes padrões ambientais e de tráfego.

Os dados são analisados usando ferramentas analíticas do Excel, Minitab e JMP para gerar as distribuições apropriadas a serem implementadas na plataforma de simulação SIMIO. A Figura 2 mostra o intervalo de tempo de duas horas versus o tempo de chegada do ônibus entre paradas adjacentes; ela mostra as variações espaciais e temporais existentes na rota atual. Os tempos de Bobcat Village North a Bobcat Village South não estão incluídos na figura acima porque os tempos foram consistentes devido a uma faixa de ônibus designada sem interrupção para o espaçamento de 0,05 milhas entre as paradas. Os dados interpretados são implementados em um ambiente organizado que se origina do processo de Markov e da teoria de filas. O SIMIO permite que um modelo seja executado com muitas replicações para obter resultados em um nível de confiança de 95%.

3.2 Validação de dados

Os dados e as informações fornecidos pelo serviço de transporte, juntamente com os dados coletados, são usados para validar as descobertas do GPS. Os dados de chegada dos alunos são inseridos em planilhas do Excel no mesmo formato em que foram registrados e que serão utilizados posteriormente no projeto do modelo de simulação. A abordagem de design para modelar o sistema de ônibus atual é determinada pela análise dos dados em um ambiente organizado. Todos os dados coletados e analisados geram a capacidade de modelar o sistema atual com uma representação precisa e em tempo real da rota de ônibus existente na Bobcat Village com base nos dados do GPS em conjunto com outras fontes. Os dados são utilizados na programação, alocação de ônibus e outros planejamentos lógicos dentro do ambiente SIMIO. Os dados qualitativos são interpretados e ajudam no processo de design para determinar certas preferências a serem atribuídas à rota e restrições adicionais relacionadas ao processo.

4. Metodologia e implementação do SIMIO

4.1 Ambiente SIMIO

O SIMIO foi projetado para suportar o paradigma de simulação orientada a objetos com aplicativos de grande escala baseados em modelagem baseada em agentes. Os objetos podem ser criados e armazenados em bibliotecas e facilmente recuperados e compartilhados. Um objeto genérico pode ser uma máquina, um cliente, um ônibus, um navio ou qualquer outra entidade que possa ser encontrada nos sistemas. Os objetos deste estudo incluem ônibus, alunos, paradas e rotas. Um modelo SIMIO se parece com o sistema real, e a lógica e a animação do modelo são criadas em uma única etapa. Um objeto pode ser animado para refletir o estado de mudança do objeto, que corresponde aos movimentos do ônibus neste estudo. Esse tipo de simulação de evento discreto nos permite modelar o comportamento do sistema complexo em estudo usando uma grande quantidade de dados coletados. Um modelo de visualização simples foi construído e apresentado na Figura 3, juntamente com um modelo de réplica da rota de ônibus de San Marcos usando o Google Earth, o Google Sketch Up, o Trimble 3D Warehouse e o SIMIO (não mostrado aqui).

O modelo é executado de segunda a quinta-feira, das 6h às 20h, com um período de aquecimento e resfriamento de uma hora. Quatro tipos de entidades que representam os alunos são criados com base em seu destino: LBJ, Quad, Bobcat Village North e Bobcat Village South. As entidades entram e saem do modelo por meio de "fontes" e "sumidouros", que representam coletivamente os pontos de ônibus. O sistema de rotas é conectado usando caminhos de tempo mapeados com base na sequência da rota atual. Os ônibus permitem que as entidades viajem entre os pontos da rota. A análise de custos também é implementada no modelo para os ônibus com base na taxa média de consumo de combustível e no custo operacional contratado por hora. O modelo contém estatísticas de saída que são exibidas durante a simulação e geram feedbacks em tempo real para o custo total, o custo individual por ônibus e o número de passageiros que estão viajando em um determinado ônibus.

4.2 Entidades

Uma tabela de taxas é criada para cada um dos quatro pontos de ônibus. As unidades de taxa para as tabelas do processo de chegada de Poisson são chegadas por hora. A taxa é definida usando 156 intervalos de cinco minutos. O tempo é baseado no relógio interno da simulação. A cada cinco minutos, uma taxa é fornecida com base no número de eventos por hora. Essa taxa é gerada usando a distribuição exponencial. Por exemplo (consulte a Tabela 1), o tempo de chegada entre 7:20:00 e 7:25:00 é distribuído exponencialmente com uma média de 43,2 chegadas (ou seja, eventos) por hora. Quando a fonte começa a criar uma entidade, uma tabela separada é referenciada para determinar o tipo de entidade a ser criada.

Tabela 1: Trecho de uma tabela de chegada a um ponto de ônibus na manhã do dia 1

A Tabela 2 ilustra a tabela de referência usada pelas fontes ao criar entidades. Ela é lida como uma matriz em que a origem é chamada pela coluna e a probabilidade de um determinado tipo de aluno é definida pelas linhas da coluna. Depois que a entidade é criada, um destino é atribuído à entidade da origem com base no tipo de entidade. Em seguida, as entidades aguardam nas filas de saída da origem para serem coletadas pelos transportadores.

Tabela 2: Probabilidade de destino do aluno

4.3 Transportadores (ônibus)

A rota de ônibus da Bobcat Village usa três ônibus, cada um com horários de início e término diferentes (veja a Figura 1). Os ônibus seguem os caminhos de tempo entre as paradas, que são definidos para avaliar o tempo dentro da simulação e, portanto, determinar qual distribuição e valores usar durante um intervalo de tempo específico de duas horas. Isso permite que os dados de GPS sejam usados em relação à hora do dia para imitar as condições de tráfego. À medida que as entidades estão sendo coletadas, o transportador deve esperar que as entidades sejam carregadas e descarregadas. Isso é implementado usando a função uniforme aleatória incorporada no Minitab. O tempo de carregamento de cada ônibus é distribuído aleatoriamente entre um e três segundos por entidade. Cada ônibus tem a capacidade máxima de 60 assentos, incluindo o motorista. Para o modelo, é apropriado escolher 59 como a capacidade máxima do ônibus, excluindo o assento do motorista.

4.4 Processos

Um acionador adicional, uma etapa de execução ou um evento pode iniciar um processo. Os processos são projetados usando diferentes etapas que são executadas quando iniciadas. Os processos são usados em todo o modelo de simulação para executar uma série de lógicas.

A Figura 4 mostra um dos 14 processos desenvolvidos no ambiente de simulação de viagens de ônibus. Um processo inicializado no início do modelo avalia quando permitir que um ônibus inicie com base nos controles. O tempo de término de dois ônibus é realizado por um processo semelhante. O terceiro ônibus usa um processo que permite a opção de o ônibus sair do turno durante o dia e depois retornar ao turno até o horário de término. Os operadores de ônibus tentam manter um espaçamento de dez minutos entre cada ônibus ao longo do dia. Quando um ônibus está adiantado em relação ao horário, ele sempre fica no Quad. O espaçamento é criado com o uso de uma entidade separada, fonte, caminho de tempo e sumidouro. Quando um ônibus deixa o local de residência atribuído, ele aciona um processo que faz com que uma fonte crie uma entidade que segue um caminho de tempo com um espaçamento padrão de dez minutos. O próximo ônibus que entra no local de moradia atribuído avalia se há uma entidade no caminho do tempo; em caso afirmativo, o ônibus permanece no local até que a entidade acione o sink para executar um processo que dispara um evento para liberar o ônibus. Muitos processos são usados no modelo, incluindo a maior parte da lógica responsável pelas propriedades de referência.

4.5 Propriedades de referência

As propriedades de referência (controles) são definidas no modelo usando métodos semelhantes de lógica contidos neste documento. Conforme mencionado, os horários de início e término dos ônibus são controlados pelo usuário e definidos pelos processos. Além disso, as configurações de habitação e a opção de remover uma parada podem ser definidas com diferentes combinações de controles. A relação entre os controles e a configuração de linha de base é mostrada na Tabela 3. A programação atual é baseada no relógio interno da simulação, que funciona por 14 horas, das 6h às 20h. Esses controles serão usados posteriormente no processo de experimentação como uma abordagem sistemática para gerar possíveis melhorias na rota.

Tabela 3: Resumo dos parâmetros de controle

4.6 Validação do modelo

A configuração de linha de base é replicada 200 vezes e testada em relação aos dados. As simulações do SIMIO fornecem uma grande quantidade de estatísticas de saída para todos os objetos do modelo que são usados para validar o sistema. As várias réplicas do cenário de linha de base fornecem dados valiosos que são comparados com os dados de observação em tempo real e com os dados coletados pelo escritório de transporte da universidade. As expectativas e os resultados da simulação convergem, o que demonstra a validade do modelo e sua representação do sistema do mundo real em estudo. Com a utilização dessas informações, determina-se que as soluções podem ser buscadas após o uso desse modelo para projetar vários experimentos e identificar uma solução provável que leve a um custo operacional mais baixo e a menos impactos ambientais.

5. Experimentos

5.1 Planejamento de experimentos

O experimento é um projeto multiobjetivo em que o tempo médio de espera é o objetivo mais ponderado, seguido pelo tempo máximo de espera e pelo custo, respectivamente. As respostas são definidas usando expressões relacionadas a cada estatística de saída específica. As respostas são definidas para minimizar o tempo ou o custo e recebem um peso objetivo. As propriedades de referência são os controles dentro do experimento que podem ser facilmente manipulados para gerar cenários alternativos de roteamento.

As respostas recebem valores mínimos e máximos com o incremento no qual um determinado valor de resposta pode mudar. Além disso, as restrições são implementadas por meio de expressões gerais para evitar que o modelo de otimização gere configurações inviáveis. As soluções ideais são produzidas por meio do software complementar chamado OptQuest. Um mínimo de 35 replicações e um máximo de 3.000 cenários são configurados no OptQuest nesse experimento. O software gera e simula cenários usando os controles e interpreta as respostas antes de gerar novos cenários. Os dados históricos de cada cenário simulado são usados ao gerar os novos cenários em uma tentativa de encontrar possíveis soluções com base na função objetivo. O OptQuest continua a duplicar o processo até que uma solução ideal seja encontrada ou que o número máximo de cenários seja simulado.

5.2 Realização de experimentos

O OptQuest executa o experimento e realiza até 105.000 simulações com base no design do experimento. Depois de concluídos, os resultados são classificados usando as configurações de parâmetros das variáveis de resposta para eliminar os cenários que estão fora dos objetivos. Os cenários restantes são exportados para outro experimento para que mais replicações sejam comparadas com o modelo de linha de base. No novo experimento, o projeto é simulado para 200 replicações por cenário, incluindo as soluções possíveis e seis configurações da linha de base com a mesma programação de rota. Para fins de comparação, as seis configurações que representam diferentes cenários estão resumidas a seguir
1) Linha de base
2) Linha de base com moradia LBJ
3) Linha de base com a remoção da Bobcat Village South
4) Linha de base com a remoção da parada e divisão de residências para manhã e tarde
5) Linha de base com a remoção da parada e divisão de residências onde a residência noturna ocorre na LBJ
6) Linha de base com divisão de residências

Em seguida, os resultados do novo experimento são investigados mais a fundo para selecionar possíveis melhorias com base nos cenários mais replicados para a precisão dos dados.

5.3 Análise dos experimentos

Os cenários que são inferiores à rota e ao serviço necessário (em relação aos tempos de espera máximo e médio) são eliminados usando as funções "menos que" no experimento. Em seguida, a comparação de configurações e respostas é analisada para selecionar execuções que superem outras soluções possíveis. Os gráficos são produzidos no SIMIO para determinar a qualidade de cada cenário. Os gráficos são baseados nos gráficos Measure of Risk and Error (MORE) desenvolvidos por Barry Nelson [7] e nos rótulos do SIMIO SMORE [8]. Os gráficos exibem gráficos de caixa, histogramas e gráficos de pontos aprimorados com base nas respostas desejadas e nos cenários selecionados. A Figura 5 apresenta um exemplo de um gráfico SMORE para o tempo médio de espera do Bobcat Village North em relação às seis configurações da linha de base. O software permite que todas as variáveis de resposta sejam plotadas dessa maneira para comparação. Os possíveis cenários de solução selecionados que geram grandes variações ou outliers são removidos. As soluções finais são determinadas com base na qualidade das estatísticas de saída. Embora exista um grande número de soluções viáveis, muitas são eliminadas com base nas comparações e preferências inferidas dos dados qualitativos e quantitativos.

O impacto nos negócios

6. Resultados e recomendações

Ao usar determinadas configurações de programação, remoção de uma parada e práticas de ocupação do ônibus, a rota pode esperar uma grande redução de custos e economia de carbono, sem deixar de oferecer serviços de qualidade aos alunos (consulte as Tabelas 4-6).

Tabela 4: Resultados das respostas (a unidade de tempo é minutos)

6.1 Redução de custos

O gráfico SMORE para os cenários de custo demonstra que os custos calculados a partir das replicações podem ser considerados válidos (veja a Figura 6). Os cenários apresentam muitas soluções sólidas com uma ampla gama de possíveis economias. A Tabela 5 mostra a economia de custos projetada com base em um cenário pessimista, realista e otimista. A economia de custos esperada varia entre 10 e 20%. Por exemplo, o cenário pessimista mostra que é possível economizar até US$ 400 por ônibus por dia, enquanto a solução otimista mostra que a economia pode chegar a US$ 800. Mesmo na condição pessimista, a economia anual pode chegar a US$ 420.000 por ano, o que reduz o custo atual em dez por cento.

Tabela 5: Redução de custo projetada

Custo calculado ($)

6.2 Economia de carbono

A redução da distância de viagem não só beneficia a redução do custo operacional, mas também economiza a etiqueta de preço ambiental. Em combinação com outros controles, a economia de carbono projetada baseia-se nos mesmos cenários descritos na Seção 6.1 e apresentados na Tabela 6. A economia de CO2 estimada fica entre 10 e 23%. O agregado resultante pode chegar a 11.556 kg de economia de carbono por dia ou quase 24 mil toneladas de emissões de carbono evitadas por ano.

Tabela 6: Economia projetada de CO2

6.3 Recomendações

Com base no resultado da simulação, o serviço de ônibus pode ser melhorado com a implementação de uma ou mais das seguintes recomendações: 1) remover a parada de Bobcat Village South; 2) reatribuir o deslocamento para Bobcat Village North até as 9h30; e 3) continuar para LBJ pelo resto do dia. Além disso, a alteração da programação dos ônibus pode resultar em uma redução significativa de custos e economia de carbono. Embora muitas soluções possam ser implementadas, a solução proposta (consulte a Tabela 7) oferece o serviço desejado, mas reduz bastante o orçamento operacional e os impactos ambientais. O objetivo fica entre os cenários realista e otimista, com uma economia de mais de US$ 600 (consulte as Tabelas 5 e 6), o que resulta em mais de 15% de economia nas emissões de carbono e no custo operacional.

Tabela 7: Solução proposta para parâmetros e variáveis de controle

7. Conclusão

Esta pesquisa tem como objetivo buscar um sistema de serviço de ônibus sustentável usando a informática de big data em tempo real para reduzir o custo operacional e o consumo de combustível sem comprometer a qualidade do serviço. Devido à condição operacional dinâmica, as metodologias estáticas de roteamento de ônibus podem ser ineficientes e resultar em grandes quantidades de emissões de carbono, além de custos adicionais de operação e manutenção. Este estudo de caso demonstra que a fusão dos dados de GPS em tempo real com as informações de viagem disponíveis pode criar um modelo de simulação preciso que permite ao planejador otimizar o caminho de tempo e a rota física. Diferentemente da otimização de rotas estáticas, o modelo orientado por dados pode evoluir com as características variáveis de uma rota e gerar uma solução adaptável em um ambiente incerto. O modelo proposto e a abordagem de simulação podem ser facilmente implementados usando software pronto para uso. O estudo está agora na fase de possível implementação de uma solução no sistema de transporte de ônibus da universidade com base nos resultados preliminares. Calcula-se que a configuração de rota sugerida resultará em uma economia de custos de 11,3 a 20,2 milhões de dólares em dez anos, com uma redução adicional de 11,4 a 24,3 mil toneladas da pegada de carbono. Para pesquisas futuras, este estudo estenderá e generalizará o modelo de simulação com o objetivo de promover a análise de big data em conjunto com os sistemas de transporte atuais para reduzir consideravelmente os custos e os gases poluentes nocivos.

Agradecimentos

Um agradecimento especial a Steven Herrera, Stephanie Daniels e Alex Vogt, do Texas State Transportation Services, que forneceram dados essenciais e informações sobre a rota de ônibus. Também a Phillip Bateman, pela assistência na coleta de dados, e a Jacob Warren, por fornecer os links da Web para os dados brutos e nos orientar a usar um JSON. E também a Rick Swan, por criar o JSON e armazenar os dados. Esta pesquisa é apoiada em parte pelo USDA sob o subsídio nº 2011-38422-30803.

Referências

1.(WPTGCG) "Where PublicTransportation Goes, Community Grows" (Onde o transporte público vai, a comunidade cresce)
http://www.publictransportation.org/news/facts/Pages/default.aspx,(acessado em 20 de janeiro de 2015)
2.EPA, "Greenhouse Gas Emissions froma Typical Passenger Vehicle", disponível em
http://www.epa.gov/otaq/climate/documents/420f14040.pdf,(acessado em 21 de janeiro de 2015)
3. L. Wright, W. Hook, Bus Rapid Transit Planning Guide, 3rd Edition, Institute for Transportation & Development Policy, publicado em junho de 2007,https://www.itdp.org/wp-content/uploads/2014/07/Bus-Rapid-Transit-Guide-Complete-Guide.pdf,(acessado em 1º de dezembro de 2014)
4. Transit Capacity and Quality of Service Manual, 2nd Edition, Transportation Research Board, Washington, D.C. http://www.trb.org/main/blurbs/169437.aspx(acessado em 14 de novembro de 2014)
5. TCRP Report 118, Bus Rapid Transit Practitioner's Guide, Transportation Research Board, Washington, D.C.http://onlinepubs.trb.org/onlinepubs/tcrp/tcrp_rpt_118.pdf,(acessado em 20 de novembro de 2014)
6. Route 12-Bobcat Village,http://www.shuttle.txstate.edu/springschedule/Campus/route12.html,(acessado em
30 de janeiro de 2015).
7 B. L Nelson, "The more plot: Displaying measures of risk and error from simulation output," in Proceeding of the 2008 Winter Simulation Conference, 2008, pp. 413-416.
8. D. Kelton, J. Smith, D. Sturrock, Simio & Simulation: Modeling, Analysis, Applications, 2nd Edition, McGraw Hill, Boston, 2011.

Matthew Snead, David Holt e Michael Mullen são da Texas State University e representam aSimgineers.