Professional Documents
Culture Documents
Artculo de investigacin
Mobilidad Crowdsourcing: Hacia Carpooling
esfuerzo-cero en los smartphone.
1
Nianbo Liu, Yong Feng, Feng Wang, Bang Liu, y Jinchuan Tang
1.Introduccin
Hoy en da, el transporte rpido y fcil ha sido
una parte esencial de la sociedad moderna. Los
vehculos ofrecen la flexibilidad y la movilidad
cuando se trata de nuestro trabajo y vida
personal, permiten una rpida y oportuna
entrega de mercancas, pero tambin puede
causar atascos de trfico, emisiones de carbn,
contaminacin, accidentes, cuestiones de crisis
energtica y otros problemas, inevitablemente.
Por una parte, el transporte del vehculo
desempea un papel vital en la economa
mundial; por lo tanto, cualquier mejora en la
eficiencia rendir grandes beneficios. Por otro
lado, la eficiencia del transporte vehcular
seala cmo utilizamos los vehculos y,
tambin, el grado de caros costes sociales.
Aunque muchas de las instituciones, los
recursos y la investigacin estn dedicados a
mejorar la eficiencia del transporte, el
desperdicio de capacidades de transporte
sigue siendo omnipresente en los actuales
transportes vehiculares.
Segn NHTS [1] del Departamento de
Transporte
estadounidense,
la
tasa
de
ocupacin media de viajes de vehculo
personales es de 1.6 personas por milla del
vehculo. Puesto que un vehculo ordinario lleva
a 5 personas en ocupacin llena 68% de la
capacidad de transporte se desperdicia
durante viajes personales. En EUA solamente
esto implica 204 millones de vehculos
personales y causa mucha prdida. De igual
modo, dicha ineficiencia se ha observado
tambin en el negocio del transporte
commercial. Taxis, camionetas, camiones y
otros vehculos a menudo apuntan a una baja
ocupacin o utilizacin o son a en ocasiones
incluso desocupados.
El Carpooling (uso compartido del coche)
parece un mtodo eficaz para lograr el
transporte verde y eficiente. Los carpools
tradicionales son vecinos o compaeros de
trabajo con rutas similares, que se pueden
poner en contacto fcilmente el uno con el otro
para un possible carpooling. Los carpools
casuales, como carpools improvisados entre
extraos, pueden formar equipo en reas
pblicas cerca de los carriles HOV, pero es
severamente
limitado
en
carreteras
desplegadas
[2].
Las
asociaciones
de
carpooling posteriors permiten que la gente
coincida con sus respectivos viajes a travs de
Internet, incluso si son extraos. En el
concepto de Carpooling dinmico se
propone compartir el viaje ocasional y muchos
investigadores tratan de lograr este objetivo a
travs de sistemas diseados especialmente.
En tal uso compartido de vehculos,
conductores y pasajeros ofrecen y buscan sus
viajes a travs de medios disponibles, por
ejemplo, acceder a la Web de carpooling por
Journal ofpara
Distributed
Sensor
medioInternational
de un smartphone,
encontrar
una
Networks
coincidencia posible de viaje. Sin embargo,
estos sistemas no proporcionan servicios de
carpooling convenientes y flexibles para los
usuarios comunes. Aunque se han hecho
esfuerzos para lograr coincidencias rpidas para
viajes conocidos la necesidad del rastreo mvil
exacto para usuarios individuales todava genera
un cuello de botella en sistemas de carpooling
actuales. Por ejemplo, los conductores se sienten
impacientes por introducir sus rutas antes de la
conduccin, o los sistemas centralizados tienen
dificultades de rastrear un gran nmero de
vehculos y adquirir sus posiciones en tiempo
real. El Crowdsourcing ha ido evolucionando
como una solucion distribuida del problema y
un modelo de produccin comercial en aos
recientes el cual fue propuesto para reducir los
costos de produccin y hacer ms eficiente el
uso de mano de obra y recursos con la ayuda
de los participantes. Un ejemplo de tareas
crowdsourcing es visto en la localizacin
interior el sistema Zee [3] realiza la calibracin
de cero esfuerzo, habilitando el entrenamiento
de datos de la huella digital de WiFi para ser
recaudados sin ningun esfuerzo por parte de los
usuarios.
Nuestro
esquema
adquiere
informacin sobre la ubicacin del smartphone,
genera modelos de movilidad de cada usuario
y viajes diarios y luego hace carpooling cero
esfuerzo permitiendo permitiendo a datos de
viajes ser recopilados en vez de rastrear
vehculos o pedir que usuarios introduzcan sus
viajes. Con conocimiento previo de la movilidad,
las rutas de viajes de un usuario y las posiciones
pueden predecirse de acuerdo a la ubicacin del
tiempo y luego un possible carpooling puede
organizarse para adaptarse a los contextos de
movilidad. Basado en una encuesta de viaje
realista y simulacin demostramos que nuestro
esquema puede proporcionar una estimacin de
posicin eficiente y precisa para cada carpool.
El resto de este documento est estructurado de
la siguiente manera: La seccin 2 presenta un
breve resumen de los trabajos afines. En la
seccin 3, se explica el diseo de MobiCrowd
paso a paso, incluidos los patrones de movilidad
humana, descripcin del Sistema, sensado de
manejo, prediccion de trayectorias y estimacion
de posiciones. La Seccin 4 examina nuestro
sistema a travs de un estudio y simulacin,
mientras que la Seccin 5 finalmente resume el
articulo.
2.Trabajos afines
Basado en las tcnicas presentadas en sitios
web de carpooling tradicionales, centros de
servicio del taxi y sistemas que rastrean el
autobus
se
proponen
algunos
sistemas
centralizados carpooling. El trfico compuesto
[4] construye un hipottico transporte pblico a
gran escala para el rea metropolitana de
Helsinki, donde un sistema centralizado recopila
3
puede ser muy caro. Alternativamente, los
enfoques basados en marcos de trabajo
distribuidos
para
implementar
carpooling
dinmico tambin se han considerado. En [11],
Winter y Nittel proponen planificacin de viaje
compartido de acuerdo a redes Geosensor
mobiles y examinan las estrategias de
comunicacin entre agentes mviles en el
espacio geogrfico colocado. El Transporte de
Autoorganizacin inteligente [12] desarrolla la
idea de la planificacin de viaje compartido y
demuestra la viabilidad de un sistema
carpooling ad hoc. Nuestro trabajo anterior,
Vehiculo a la comunicacion del pasajero [13],
combina el carpooling distribuido y la
comunicacin vehicular y luego desarrolla un
vehculo al borde del camino llamando sobre
redes vehiculares ad hoc. Sin embargo, la
principal desventaja de estos enfoques es la
asuncin de que los vehculos soportan la
comunicacin ad hoc. Significa que tales
esquemas no son prcticos hasta el amplio
despliegue del dispositivo de comunicacin
vehicular. Comparado con esquemas de
carpooling anteriores, MobiCrowd
separa el
carpool coincidente y el rastreo mvil, desarrolla
la movilidad crowdsourcing y la prediccin
basada en rastreo ypor lo cual resulta en una
solucin simple, flexible y escalable para el
carpooling actual.
4
mayora
de viajes diarios individuales el 87 por
ciento es tomado por un vehculo personal. The
daily activities of an individual person, including
going to work, Las actividades diarias de una
persona individual, incluyendo "ir a trabajar,"
"almorzar," "comprar" y as sucesivamente, a
menudo muestran caractersticas regulares.
Como un tipo de actividad humana, la
conduccin es controlada por conductores
individuales y sigue sus respectivas actividades
sociales, parcialmente. Aunque un conductor
inesperado se presente, el individuo titular que
conduce en cierto vehculo por lo general tiene
los mismos rasgos espaciales y temporales. Por
ejemplo, un viajero siempre conduce su coche
de casa a la oficina a las 9:00, y de la oficina a
casa a las 17:00. Hace grandes cantidades de
movimiento del vehculo previsible en la escala
microscpica. La investigacin en el campo del
transporte tambin valida las regularidades,
tanto en movilidad humana como en movilidad
del vehculo. El Proyecto Mobidrive [17, 18]
supervis las trayectorias de los automviles
privados mediante la recopilacin de sus datos
GPS,
los cuales encontraron este tipo de actividades
regulares en los 30.000 viajes realizados por
320 corresponsales durante seis semanas de
estudio.
Un patrn de movilidad se observa en la figura
1, que est constituido por la distribucin
espacial de esos lugares donde un viajero ha
tenido seis semanas de experiencia personal.
Las regularidades espaciales en la movilidad
del vehculo estn marcadas por las lneas
grises del movimiento del vehculo, en la que
dos de los cuatro principales lugares
(incluyendo el hogar) cubren ms del 70% del
total de los viajes.
Desde que las actividades de conduccin diarias
de un usuario proporcionan un alto grado de
regularidad temporal y espacial, es posible
establecer algunos modelos de movilidad para
describir tales actividades de conduccin y
predecir los rasgos de movilidad relacionados al
carpooling.
3.1.
Descripcion General del Sistema. La
proliferacion de telefonos inteligentes motiva la
comunidad de investigacin para buscar los
caminos ms confiables y ms convenientes
para el carpooling con el apoyo de los
smartphone. Hoy en da los smartphones no
solo son programables sino tambien vienen con
interfaces celulares y WiFi y un conjunto de
sensores
integrados,
incluyendo
un
acelermetro, brjula digital, giroscopio, GPS,
micrfono y cmara, que permiten la deteccin
y comunicacin habilidades para desempear
el papel de terminales de carpooling. Asi, los
smartphones
llevados
por
los
carpools
(usuarios
de
carpooling)
pueden
automticamente investigar el comportamiento
de conduccin, registrar la ubicacin en tiempo
Work
place
Business
place
Home
Second
shop
Locations
Travel
First
shop
Sports
Private phone
Carpooling server
Mobility model
(1)
Vehicle mobility database
Crowd sourcing
Trajectory prediction
Position estimation
(2)
Activating
(3)
Matching
Correcting
Readings of network interfaces and
sensors
Carpooling
request
real y establecer el modelo de movilidad
para
el
carpooling sin necesidad de ningn esfuerzo
explcito por parte de los usuarios. Adems, es
muy fcil identificar a un usuario por su
smartphone privado y rastrear cada carpooling,
lo cual es util para establecer seguridad entre
los carpools que no sean familiars.
La Figura 2 muestra la concepcion de la
arquitectura
telefono/servidor
para
el
carpooling casual. Brevemente describimos los
componentes del sistema, seguidos de una
discusin sobre desafos y soluciones.
Para la participacion de un carpooling en
MobiCrowd,
el
smartphone
tratar
de
localizarse peridicamente en la utilizacin
diaria lo ms exactamente posible.
Las
ubicaciones
al
aire
libre
pueden
ser
coleccionadas a travs de GPS, mientras que
las ubicaciones en interiores podran ser
encontradas a travs de WiFi y servicios de
localizacin celulares cuando el usuario tenga
acceso a Internet. Un rastro de movimiento del
usuario puede establecerse como el indice,
posicin, tiempo de tuplas, en el orden de
secuencia de tiempo. Al mismo tiempo, se
utilizan lecturas de acelermetro y giroscopio
para detectar si ocurre un evento de
conduccin. Durante el perodo de conduccin,
la trayectoria se graba y se suma al conjunto
de datos local. Despus de un perodo de
aprendizaje, algunos lugares diarios, donde el
usuario a menudo se mantiene inmvil durante
mucho tiempo, y las trayectorias de conduccin
entre estos lugares se combinan en un modelo
de movilidad similar a la mostrada en la figura
1. Despus de construir un modelo de
movilidad para el usuario, el smartphone lo
cargar a un servidor carpooling para realizar
el crowdsourcing del modelo de movilidad
especfico para el usuario. As, el servidor
mantiene muchos modelos de movilidad como
recursos de carpooling. Con este conocimiento,
puede gestionar el modelo de movilidad,
estimar la trayectoria de conduccin y la
5
figura 3, una aceleracin firmada es muy fcil de
posicin del vehculo en tiempo real, dar
respuesta a una solicitud de carpooling de
identificar en los patrones de caminar humanos
pasajeros y luego realizar matchs de
[22]. Esta firma surge del rebote hacia abajo y
vehiculoes.
Comparado
con
servidores
carpooling anteriores, las necesidades del
hacia arriba del cuerpo humano mientras
rastreo mvil activo son quitadas. Con la
camina y puede ser usada para contar el
movilidad crowdsourcing, MobiCrowd reduce
muchos gastos de comunicacin entre el
numero de pasos caminados.
Para una
servidor y cada vehculo, adaptando la
conduccion
normal
el
usuario
caminara
a un
estimacion de la posicin en vez del rastreo
automovil en cierto lugar, lo conducira hacia otro
mvil. Sin embargo, la estimacion no siempre
es exacta. Algunos mtodos de corregir
sitio, detendr el automovil y finalmente
errores de la estimacion se deberan
caminar a su destino. As, podemos capturar
considerar. Al principio, el smartphone debera
enviar un mensaje para activar su modelo tan
dos paseos sucesivos y registrar la posicin final
pronto como descubre la conduccin, que
de la primera caminata y la posicin inicial de la
evita recoger objetivos del vehculo falsos y
proporciona el tiempo exacto de cada
segunda con las marcas de tiempo, como
conduccin. Adems, el smartphone debera
Position1,
Time1
y
Position2,
Time2,
estimar su posicin en la conduccin segn su
respectivamente. Comparado con caminar,
modelo de movilidad. Ya que el servidor y el
smartphone mantienen el mismo modelo, el
conducir no tiene caractersticas obvias en las
smartphone puede reporter una correccion
lecturas de aceleracin pero muestra una muy
delmensaje si la verdadera posicin es lejana
del valor estimado.
alta velocidad de movimiento, por ejemplo,
Los problemas mencionados ponen en tela
grandes desplazamientos dentro de pequeo
de juicio la forma de estimar la posicin de un
intervalo de tiempo. Despus de calcular la
vehculo en movimiento con precisin. La
distancia euclidiana entre las dos posiciones,
valoracin exacta requiere el modelo de
podemos averiguar la velocidad de movimiento
movilidad exacto, y el modelo de movilidad
del usuario. Si la velocidad no es inferior a 30
exacto requiere ubicacin exacta y trayectorias
km/h, se puede considerar que el usuario tena
y metodologa de modelado apropiadas. Si
una conduccion entre dos comportamientos de
queremos recolectar la ubicacin y datos de la
andar. Por supuesto, este mtodo no puede
trayectoria en el uso diario del smartphone,
hacer distinciones muy finas entre conduccin y
tenemos que saber cules son los hbitos de
montaje (por ejemplo, tomar un autobs, taxi,
conduccin, por ejemplo, las lecturas del
metro o vuelo). Simplemente consideramos que
sensor detalladas. Al mismo tiempo, tenemos
un conductor que ofrece carpooling a menudo
que predecir completamente la conduccion. no
conduce un coche propio y los errores pueden
slo la trayectoria, sino tambin la posicin de
ser removidos en el modelo del historial de viaje
tiempo real. El resto de este estudio se supone
de trayecto largo en la siguiente subseccion.
como un paso hacia una comprension ms
profunda de estas cuestiones fundamentales.
3.3.
Prediccion
de
Trayectoria.
Algunos
esquemas
de
prediccin
de
movilidad,
Modelo
3.2. Sensado de Manejo. En nuestro esquema
de
Movilidad
Greedy[23],
y
el
mapa
MobiCrowd, la dificultad primero surge de cmo
correspondiente
al
algoritmo
[24]
intentan
definir la conduccin con un smartphone, por
establecer el modelo de movilidad en la Figura
ejemplo, con qu tipo de caractersticas
en un nodo individual registrando trayectorias
especficas de nodos mediante datos GPS. Con
el historial de la trayectoria, un vehculo en
de las lecturas de los sensores se puede
movimiento puede comparar su posicin con
considerar que un usuario est conduciendo un
sus trayectorias anteriores y averiguar la ruta
automvil con su smartphone. Algunas obras
ms posible.
recientes [19-21] han adoptado el smartphone
Sin embargo, tales modelos tambin tienen
para recopilar y analizar distintos hbitos de
algnos
draw-back intrinsecos. En primer lugar,
conduccin para proporcionar seguridad de
el
criterio
del tiempo en el movimiento del
conduccin,
las
cuales
demuestran
la
vehculo
es
completamente descuidado. Si un
efectividad del reconocimiento de manejo. El
conductor
comienza
su coche en casa en dia por
comportamiento humano puede considerarse
la
maana,
es
mas
probable
que vaya en coche
como un conjunto de eventos de conduccin y
al
lugar
de
trabajo.
Si
el
conductor
hace lo mismo
tiempo, que que pueden ser detectados por los
en
por
la
tarde,
la
probabilidad
de
que vaya al
sensores de un smartphone en un vehculo. Sin
lugar
de
trabajo
es
muy
escasa.
Ya que el
embargo,
la
excesiva
clasificacion
y
historial
de
viaje
es
simplificado
al
historial
de la
reconocimiento de comportamiento no son
trayectoria,
las
caractersticas
temporales
del
necesarias para nuestro estudio. De hecho, solo
movimiento del vehculo son inevitablemente
nos centraremos en la conduccion basica
perdidas. En segundo lugar, las trayectorias
relacionada con la ubicacion del tiempo del
traslapadas pueden causar errores de la
movimiento del vehiculo.
prediccin. Si un vehculo se mueve al nico
En este estudio, adoptamos un mtodo
camino a casa del conductor, la ruta est clara. Si
simple para detectar la conduccin mediante la
el camino lleva a su casa y tienda favorita, la
medicin de la velocidad del movimiento entre
prediccin del destino por la ruta simple es
dos eventos a pie. Como se muestra en la
cuestionable. Finalmente, los archivos de la
6
trayectoria tienen una
pesada carga en
procesamiento
de
la
informacin
y
almacenamiento, sobre todo aquellos de
distancias largas o viajes infrecuentes. La
renuncia a estos archivos puede causar
predicciones falsas,
mientras que el cuidado de ellos exceder la
capacidad del smartphone. Por lo tanto,
necesitamos un nuevo modelo de movilidad
para predecir el movimiento del vehculo, que
debe
ser
de
espacio
temporal
en
caractersticas de movilidad, en la prediccin
del destino y ligero en el tamao de los datos.
Aqu explicamos la idea del historial de viaje
por dar un ejemplo simple. En la figura 3, una
serie de viajes realizados por el conductor
puede conservarse como registros en la tabla
1, en el que estn representadas las
caractersticas temporales y espaciales ms
concisas de los viajes.
International
Journal
Distributed
(1)Conducir
desde
casa alof
lugar
de trabajoSensor
a las
Networks
8:40, en Viernes.
(2)Conducir del lugar de trabajo a casa a las
17:35, en Viernes.
(3)Conducir desde casa a los deportes a las
14:05, en Sabado, y enviar a su esposa a
la primera tienda en el camino.
(4)Conducir desde los deportes hacia la casa de
un amigo a las 18:55, en Sabado.
Las localizaciones Casa, Lugar de
Trabajo, Lugar de negocios, Primer tienda,
Segunda tienda, Deportes, y lugar de los
amigos no son posiciones exactas del GPS,
sino regions asperas en su geografa. Puesto
que el conductor puede no tener un espacio
especial para estacionamiento en estos lugares
de
visitas
frecuentes
,lugares
de
estacionamiento cercanos dentro de un cierto
alcance, por ejemplo, dentro de 500m pueden
considerarse como la misma ubicacin del
aparcamiento de un lugar dado.
Accelerometer reading
+ 70
+
Location1, time1
+
60
Displacement
and
Location2, time2
speed measurement
50
40
Walking
30
270 271 272 273 274 275 276 277 278
279
Time (s)
+
Walking
(b)Displacement and speed
Accelerometer reading
Step count
Day
<1
0
16
18
14
F
ri
F
ri
S
4 Sat.
home
>18
Time
Source
Midway point
Destination
Home
Work
place
Work
Hom
place
e
Home
First
Spor
Sports
Friends
B
C
D
E
18 week
Average A
172
214
169
180
120
9 week
29
18
25
15
Total
155
2.73
243
187
205
135
17
3.86
2.97
3.25
2.14
Hitting rate
0.8
0.6
0.4
0.2
0
25
50
75
Passed journey (%)
100
Error (m)
12
10
8
1.2.
6
4
2
0
20
40
60
80
Passed journey (%)
100
Conventional
MobiCrowd
Resultados de Simulacion.
es
suficiente
para
proporcionar
matching(emparejamiento) en tiempo real, sin
engaar a conductores y pasajeros.
2.Conclusion
en
Acknowledgment
This paper is supported in part by the China NSF
Grants
(61103226,
60903158,
61170256,
61173172, and 61272526),
and the Fundamental Research Funds for the
Central Universities Grants (ZYGX2010J074,
ZYGX2011J102, and ZYGX2012J083).
References
[1]
National
household
travel
survey,
http://nhts.ornl.gov/ introduction.shtml#2001.
2001,