EJE 07-05 Detección de patrones secuenciales generalizados de movilidad de ciclistas a partir de datos crowdsourcing

Abstract

RESUMEN
La movilidad en bicicleta conlleva beneficios para el ambiente, la economía y la salud de la población. No obstante, la adopción de la bicicleta como medio de transporte, está limitada por la carencia de geoinformación detallada que describa el comportamiento de los ciclistas y permita la creación de estrategias adecuadas de planificación y promoción. En este estudio presentamos un método para obtener conocimiento sobre los patrones de movilidad de ciclistas urbanos utilizando datos crowdsourcing, minería de datos y técnicas de visualización de geo-información. Demostramos la viabilidad del método analizando un año de datos de la aplicación Strava METRO en la ciudad de Cuenca, y extrayendo y visualizando patrones secuenciales generalizados (GSP) de movimiento. Los resultados evidencian que la aplicación del método propuesto permite generar información relevan-
te para el conocimiento sobre movilidad no motorizada utilizando conjuntos masivos de datos recolectados con técnicas de crowdsourcing. 

Palabras clave: movilidad no motorizada, bicicletas, geoinformación de crowdsourcing, patrones secuenciales generalizados, comportamiento colectivo espacial.

ABSTRACT
Bicycle mobility lead to environmental, economic and health benefits to the population. Nonetheless, the implementation of bicycle-based transport systems is limited due to lack of detailed geodata describing the behavior of cyclists in order to build appropriate planning and promotion strategies. In this study, we present a method to extract knowledge about urban cyclist’s mobility patterns using crowdsourced geodata, data mining and ge-
odata visualization techniques. We demonstrate the viability of the method by analyzing a year-long data from the Strava METRO application in the city of Cuenca (Ecuador); and extracting and visualizing generalized sequential patterns (GSP) of movement. The results that data mining analysis technique applied to massive datasets allows the generation of relevant information about the non-motorized mobility knowledge. 

Keywords: non-motorized mobility, bikes, crowdsourced geoinformation, generalized sequential patterns, collective spatial behavior.