Este trabalho visa realizar uma análise exploratória de método utilizando Wavelet para analisar as variações na corrente de tráfego verificando simultaneamente os padrões no comportamento do tráfego e momentos atípicos, em diferentes escalas de tempo, através da Transformada Wavelet e métodos complementares em dados históricos do tráfego veicular. Os dados empíricos utilizados foram coletados separadamente para cada faixa de tráfego, em intervalos de curta duração (5 ou 6 minutos), em rodovias do estado de São Paulo. A partir desses dados, foram gerados os componentes de aproximação e detalhe da Transformada Wavelet Discreta de Haar. Os componentes gerados foram analisados e caracterizados antes de aplicar os métodos complementares. Para o reconhecimento de padrões no comportamento do tráfego foram utilizados os componentes de aproximação e a análise de agrupamento. Os resultados indicaram: (1) que existe grande tendência de classificar dias úteis típicos com terças, quartas e quintas-feiras, (2) a influência dos feriados na quantidade de agrupamentos, (3) a existência de diferentes efeitos para cada feriado e (4) influência do feriado de forma distinta a cada sentido da rodovia. Para detecção de momentos atípicos foram utilizados os coeficientes de detalhe e determinado um threshold em função do desvio padrão do coeficiente para determinar o que foi considerado como anomalia. Os resultados indicaram: (1) os primeiros níveis de decomposição apresentaram maior número de anomalias, (2) análises em sinais de período mensal concentraram mais anomalias do que a análise em um sinal de período anual, (3) a concentração de anomalias por tipo de dia está diretamente relacionada com o fluxo direcional e (4) identificou falhas no sensor. / This work aims to achieve an exploratory method analysis using Wavelet to analyze of traffic flow variations, evaluating both traffic behavior patterns and atypical moments, in different time scales, using Wavelet Transform and complementary traffic history data. Empirical data was collected separately for each traffic lane, in short intervals (5 or 6 minutes), in São Paulo state highways. The Haars Discrete Wavelet Transform approximation and detail components were generated from this collected data. These components were analyzed and characterized before using complementary methods. For pattern recognition in traffic behavior, approximation components were used, with cluster analysis. Results indicate that: (1) there is a great tendency in classifying work days in Tuesdays, Wednesdays and Thursdays, (2) holydays have influence in number of clusters, (3) each holyday have different effects and (4) holydays have different influences in each traffic direction. For the detection of atypical moments, detail coefficients were used with a determined threshold based on the standard deviation of said coefficient to define what was considered as an anomaly. Results indicate that: (1) the first levels of decomposition show a bigger number of anomalies, (2) monthly period signal analysis concentrate more anomalies than annual signals, (3) the anomaly concentration by each kind of day is directly related to traffic direction and (4) sensor flaws are identified.

Este trabalho visa realizar uma análise exploratória de método utilizando Wavelet para analisar as variações na corrente de tráfego verificando simultaneamente os padrões no comportamento do tráfego e momentos atípicos, em diferentes escalas de tempo, através da Transformada Wavelet e métodos complementares em dados históricos do tráfego veicular. Os dados empíricos utilizados foram coletados separadamente para cada faixa de tráfego, em intervalos de curta duração (5 ou 6 minutos), em rodovias do estado de São Paulo. A partir desses dados, foram gerados os componentes de aproximação e detalhe da Transformada Wavelet Discreta de Haar. Os componentes gerados foram analisados e caracterizados antes de aplicar os métodos complementares. Para o reconhecimento de padrões no comportamento do tráfego foram utilizados os componentes de aproximação e a análise de agrupamento. Os resultados indicaram: (1) que existe grande tendência de classificar dias úteis típicos com terças, quartas e quintas-feiras, (2) a influência dos feriados na quantidade de agrupamentos, (3) a existência de diferentes efeitos para cada feriado e (4) influência do feriado de forma distinta a cada sentido da rodovia. Para detecção de momentos atípicos foram utilizados os coeficientes de detalhe e determinado um threshold em função do desvio padrão do coeficiente para determinar o que foi considerado como anomalia. Os resultados indicaram: (1) os primeiros níveis de decomposição apresentaram maior número de anomalias, (2) análises em sinais de período mensal concentraram mais anomalias do que a análise em um sinal de período anual, (3) a concentração de anomalias por tipo de dia está diretamente relacionada com o fluxo direcional e (4) identificou falhas no sensor. / This work aims to achieve an exploratory method analysis using Wavelet to analyze of traffic flow variations, evaluating both traffic behavior patterns and atypical moments, in different time scales, using Wavelet Transform and complementary traffic history data. Empirical data was collected separately for each traffic lane, in short intervals (5 or 6 minutes), in São Paulo state highways. The Haars Discrete Wavelet Transform approximation and detail components were generated from this collected data. These components were analyzed and characterized before using complementary methods. For pattern recognition in traffic behavior, approximation components were used, with cluster analysis. Results indicate that: (1) there is a great tendency in classifying work days in Tuesdays, Wednesdays and Thursdays, (2) holydays have influence in number of clusters, (3) each holyday have different effects and (4) holydays have different influences in each traffic direction. For the detection of atypical moments, detail coefficients were used with a determined threshold based on the standard deviation of said coefficient to define what was considered as an anomaly. Results indicate that: (1) the first levels of decomposition show a bigger number of anomalies, (2) monthly period signal analysis concentrate more anomalies than annual signals, (3) the anomaly concentration by each kind of day is directly related to traffic direction and (4) sensor flaws are identified.

Submitted by Rosina Valeria Lanzellotti Mattiussi Teixeira (rosina.teixeira@unisantos.br) on 2015-04-08T14:05:18Z No. of bitstreams: 1 Ariadna Ferraz de Oliveira.pdf: 1770875 bytes, checksum: 77e12b007af8b61cd0e33958f5fd15a8 (MD5) / Made available in DSpace on 2015-04-08T14:05:18Z (GMT). No. of bitstreams: 1 Ariadna Ferraz de Oliveira.pdf: 1770875 bytes, checksum: 77e12b007af8b61cd0e33958f5fd15a8 (MD5) Previous issue date: 2014-08-25 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Introduction: environmental pollution and its impact on health is now considered a public health problem. Despite the incessant search for an environment with cleaner air, pollution levels are still unhealthy and are related to the human morbidity and mortality. Objective: to evaluate the relationship between exposure to air pollution and hospitalizations in the Sistema Único de Saúde (SUS) of the elderly for cardiovascular diseases (CVD) totals in residents of the cities of Cubatão and São Paulo between 2000 to 2012, stratified by sex. Methods: This is an ecological study of temporal series. Schedules data were obtained on the levels of PM10, CO, SO2, NO2 and O3, minimum temperature and humidity average along the Environmental sanitation technology company in the State of São Paulo-CETESB. The hospitalizations in the Sistema Único de Saúde (SUS) were obtained from the database of the SUS (DATASUS). Descriptive analysis was performed and the Pearson correlation analysis. The association of air pollutants and cardiovascular admissions was assessed using a polynomial distributed lag model through 7 days after exposure. The log of cardiovascular admissions was regressed assuming a Poisson distribution in a generalized linear model adjusted for long time trend, weekdays, temperature and humidity. The percentage increases in the cardiovascular admissions were calculated based on the interquartile range of the air pollutants. It was adopted a significance level of 5%. Results: In the study period were admitted in the SUS 1,287,204 (19.7%) seniors, these 358970 (27.9%) with cardiovascular diseases in São Paulo. In Cubatão 13,998 were admitted (14.4%) seniors, these 3,729 (26.6%) for cardiovascular diseases. In São Paulo associations were observed between the pollutants PM10, SO2, NO2 and CO and the CVD. For each increase of an interquartile range in level of PM10 (24.42 ¿g/m3) increase hospitalizations in 2.04% (CI95%: 1.42%-2.66%), for SO2 (7.48 ¿g/m3) the increase is 2.22% (CI95%: 1.60%-2.84%), for NO2 (51.89 ¿g/m3) is 2.55% (CI95%: 1.96% ¿ 3.14%) and CO (1.33 ppm) is 1.06% (CI95%: 0.50%-1.62%). In Cubatão only the PM10 presented effect on hospitalization for CVD, where for each increase of an interquartile range in level of PM10 (39.40 ¿g/m3) increase the hospitalizations in 6.01% (CI95%: 1.61%-10.41%). Conclusion: The air pollutants continue to be one of the factors that contribute to the increase in the number of hospitalizations for cardiovascular diseases. / Introdução: A poluição ambiental e suas consequências sobre a saúde é hoje considerada um problema de saúde pública. Apesar da busca incessante por um ambiente com ar mais limpo, os níveis de poluição ainda se apresentam prejudiciais à saúde e estão relacionados com a morbidade e mortalidade humana. Objetivo: Avaliar a relação entre exposição à poluição do ar e internações no Sistema Único de Saúde (SUS) de idosos por doenças cardiovasculares totais (DCV) estratificado por sexo em residentes dos municípios de Cubatão e São Paulo entre 2000 a 2012. Métodos: Este é um estudo ecológico de series temporais. Foram obtidos dados horários sobre os níveis de PM10, CO, SO2, NO2 e O3, temperatura mínima e umidade média junto a Companhia de Tecnologia de Saneamento Ambiental do Estado de São Paulo - CETESB. As internações hospitalares no Sistema Único de Saúde (SUS) foram obtidas através do banco de dados do SUS (DATASUS). Foi realizada análise descritiva e análise de correlação de Pearson. Foram utilizados modelos polinomiais lineares generalizados de regressão de Poisson defasados de até 7 dias após exposição. Foi adotado o nível de significância p = 5%. Resultados: Em São Paulo foram observadas associações entre os poluentes PM10, SO2, NO2 e CO e as DCV, que elevaram o número das internações em 2,04% (IC95%: 1,42 ¿ 2,66), 2,22 % (IC95%: 1,60 ¿ 2,84), 2,55 % (IC95%: 1,96 ¿ 3,14) e 1,06% (IC95%: 0,50 ¿ 1,62), respectivamente. Em Cubatão apenas o PM10 apresentou efeito significativo para as internações por DCV com um aumento de 6,01% (IC95%: 1,61 ¿ 10,41). Conclusão: Os poluentes atmosféricos continuam sendo um dos fatores que contribuem para o aumento do número de internações hospitalares por doenças cardiovasculares. Faz-se necessário planejar e implantar ações que visem a melhoria de políticas de controle de poluentes visando um ambiente mais limpo e saudável.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / In this work we consider two approaches to vehicle traffic: the macroscopic and the microscopic one. Traffic is macroscopically described by three physical quantities interconnected: velocity, density and flow, conservation laws describing the number of vehicles. There are various models to the macroscopic vehicle traffic. Most of them treats vehicular traffic as a compressible fluid, extends the law of mass conservation for vehicles and requires state law to speed-density pair, establishing a relationship between them. And the model described by the microscopic approach considers vehicles as individual particles. We consider the class of models car-following. These models are based on the principle that the speed of the (n - 1)-th vehicle (called following- car) depends on the speed of n-th vehicle. We analyze the equation of conservation of the number of vehicles for macroscopic traffic flow models. We solve this equation by linearization of the model, using the characteristics method and we also a present resolution of the nonlinear problem in bounded domains using the method of characteristics / Nesta dissertação consideramos duas abordagens para o tráfego de veículos: a macroscópica e a microscópica. O tráfego é descrito macroscopicamente por três grandezas físicas interligadas entre si, a saber, a velocidade, a densidade e o fluxo, descrevendo leis de conservação do número de veículos. Há vários modelos para o tráfego macroscópico de veículos. A maioria deles trata o tráfego de veículos como um fluido compressível, traduzindo a lei de conservação de massa para os veículos e requer uma lei de estado para o par velocidade-densidade, estabelecendo uma relação entre eles. Já o modelo descrito pela abordagem microscópica considera os veículos como partículas individuais. Consideramos os modelos da classe "car - following". Estes modelos baseiam-se no princípio de que o (n - 1)-ésimo veículo (denominado de "following-car") acelera em função do estímulo que recebe do n-ésimo veículo. Analisamos a equação de conservação do número de veículos em modelos macroscópicos para fluxo de tráfego. Posteriormente resolvemos esta equação através da linearização do modelo, estudando suas retas características e apresentamos a resolução do problema não linear em domínios limitados utilizando o método das características

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / In this work we consider two approaches to vehicle traffic: the macroscopic and the microscopic one. Traffic is macroscopically described by three physical quantities interconnected: velocity, density and flow, conservation laws describing the number of vehicles. There are various models to the macroscopic vehicle traffic. Most of them treats vehicular traffic as a compressible fluid, extends the law of mass conservation for vehicles and requires state law to speed-density pair, establishing a relationship between them. And the model described by the microscopic approach considers vehicles as individual particles. We consider the class of models car-following. These models are based on the principle that the speed of the (n - 1)-th vehicle (called following- car) depends on the speed of n-th vehicle. We analyze the equation of conservation of the number of vehicles for macroscopic traffic flow models. We solve this equation by linearization of the model, using the characteristics method and we also a present resolution of the nonlinear problem in bounded domains using the method of characteristics / Nesta dissertação consideramos duas abordagens para o tráfego de veículos: a macroscópica e a microscópica. O tráfego é descrito macroscopicamente por três grandezas físicas interligadas entre si, a saber, a velocidade, a densidade e o fluxo, descrevendo leis de conservação do número de veículos. Há vários modelos para o tráfego macroscópico de veículos. A maioria deles trata o tráfego de veículos como um fluido compressível, traduzindo a lei de conservação de massa para os veículos e requer uma lei de estado para o par velocidade-densidade, estabelecendo uma relação entre eles. Já o modelo descrito pela abordagem microscópica considera os veículos como partículas individuais. Consideramos os modelos da classe "car - following". Estes modelos baseiam-se no princípio de que o (n - 1)-ésimo veículo (denominado de "following-car") acelera em função do estímulo que recebe do n-ésimo veículo. Analisamos a equação de conservação do número de veículos em modelos macroscópicos para fluxo de tráfego. Posteriormente resolvemos esta equação através da linearização do modelo, estudando suas retas características e apresentamos a resolução do problema não linear em domínios limitados utilizando o método das características

Esta pesquisa apresenta um sistema automático para extrair dados de tráfego veicular a partir do pós-processamento de vídeos. Os parâmetros macroscópicos e microscópicos do tráfego são derivados do diagrama espaço-tempo, que é obtido pelo processamento das imagens de tráfego. A pesquisa fundamentou-se nos conceitos de Visão Computacional, programação em linguagem C++ e a biblioteca OpenCV para o desenvolvimento do sistema. Para a detecção dos veículos, duas etapas foram propostas: modelagem do background e segmentação dos veículos. Uma imagem sem objetos (background) pode ser determinada a partir das imagens do vídeo através de vários modelos estatísticos disponíveis na literatura especializada. A avaliação de seis modelos estatísticos indicou o Scoreboard (combinação de média e moda) como o melhor método de geração do background atualizado, por apresentar eficiente tempo de processamento de 18 ms/frame e 95,7% de taxa de exatidão. A segunda etapa investigou seis métodos de segmentação, desde a subtração de fundo até métodos de segmentação por textura. Dentre os descritores de textura, é apresentado o LFP, que generaliza os demais descritores. Da análise do desempenho desses métodos em vídeos coletados em campo, conclui-se que o tradicional método Background Subtraction foi o mais adequado, por apresentar o melhor tempo de processamento (34,4 ms/frame) e a melhor taxa de acertos totais com 95,1% de média. Definido o método de segmentação, foi desenvolvido um método para se definir as trajetórias dos veículos a partir do diagrama espaço-tempo. Comparando-se os parâmetros de tráfego obtidos pelo sistema proposto com medidas obtidas em campo, a estimativa da velocidade obteve uma taxa de acerto de 92,7%, comparado com medidas de velocidade feitas por um radar; por outro lado, a estimativa da taxa de fluxo de tráfego foi prejudicada por falhas na identificação da trajetória do veículo, apresentando valores ora acima, ora abaixo dos obtidos nas coletas manuais. / This research presents an automatic system to collect vehicular traffic data from video post-processing. The macroscopic and microscopic traffic parameters are derived from a space-time diagram, which is obtained by traffic image processing. The research was based on the concepts of Computer Vision, programming in C++, and OpenCV library to develop the system. Vehicle detection was divided in two steps: background modeling and vehicle segmentation. A background image can be determined from the video sequence through several statistical models available in literature. The evaluation of six statistical models indicated Scoreboard (combining mean and mode) as the best method to obtain an updated background, achieving a processing time of 18 ms/frame and 95.7% accuracy rate. The second step investigated six segmentation methods, from background subtraction to texture segmentation. Among texture descriptors, LFP is presented, which generalizes other descriptors. Video images collected on highways were used to analyze the performance of these methods. The traditional background subtraction method was found to be the best, achieving a processing time of 34.4 ms/frame and 95.1% accuracy rate. Once the segmentation process was chosen, a method to determine vehicle trajectories from the space-time diagram was developed. Comparing the traffic parameters obtained by the proposed system to data collected in the field, the estimates for speed were found to be very good, with 92.7% accuracy, when compared with radar-measured speeds. On the other hand, flow rate estimates were affected by failures to identify vehicle trajectories, which produced values above or below manually collected data.

Esta pesquisa apresenta um sistema automático para extrair dados de tráfego veicular a partir do pós-processamento de vídeos. Os parâmetros macroscópicos e microscópicos do tráfego são derivados do diagrama espaço-tempo, que é obtido pelo processamento das imagens de tráfego. A pesquisa fundamentou-se nos conceitos de Visão Computacional, programação em linguagem C++ e a biblioteca OpenCV para o desenvolvimento do sistema. Para a detecção dos veículos, duas etapas foram propostas: modelagem do background e segmentação dos veículos. Uma imagem sem objetos (background) pode ser determinada a partir das imagens do vídeo através de vários modelos estatísticos disponíveis na literatura especializada. A avaliação de seis modelos estatísticos indicou o Scoreboard (combinação de média e moda) como o melhor método de geração do background atualizado, por apresentar eficiente tempo de processamento de 18 ms/frame e 95,7% de taxa de exatidão. A segunda etapa investigou seis métodos de segmentação, desde a subtração de fundo até métodos de segmentação por textura. Dentre os descritores de textura, é apresentado o LFP, que generaliza os demais descritores. Da análise do desempenho desses métodos em vídeos coletados em campo, conclui-se que o tradicional método Background Subtraction foi o mais adequado, por apresentar o melhor tempo de processamento (34,4 ms/frame) e a melhor taxa de acertos totais com 95,1% de média. Definido o método de segmentação, foi desenvolvido um método para se definir as trajetórias dos veículos a partir do diagrama espaço-tempo. Comparando-se os parâmetros de tráfego obtidos pelo sistema proposto com medidas obtidas em campo, a estimativa da velocidade obteve uma taxa de acerto de 92,7%, comparado com medidas de velocidade feitas por um radar; por outro lado, a estimativa da taxa de fluxo de tráfego foi prejudicada por falhas na identificação da trajetória do veículo, apresentando valores ora acima, ora abaixo dos obtidos nas coletas manuais. / This research presents an automatic system to collect vehicular traffic data from video post-processing. The macroscopic and microscopic traffic parameters are derived from a space-time diagram, which is obtained by traffic image processing. The research was based on the concepts of Computer Vision, programming in C++, and OpenCV library to develop the system. Vehicle detection was divided in two steps: background modeling and vehicle segmentation. A background image can be determined from the video sequence through several statistical models available in literature. The evaluation of six statistical models indicated Scoreboard (combining mean and mode) as the best method to obtain an updated background, achieving a processing time of 18 ms/frame and 95.7% accuracy rate. The second step investigated six segmentation methods, from background subtraction to texture segmentation. Among texture descriptors, LFP is presented, which generalizes other descriptors. Video images collected on highways were used to analyze the performance of these methods. The traditional background subtraction method was found to be the best, achieving a processing time of 34.4 ms/frame and 95.1% accuracy rate. Once the segmentation process was chosen, a method to determine vehicle trajectories from the space-time diagram was developed. Comparing the traffic parameters obtained by the proposed system to data collected in the field, the estimates for speed were found to be very good, with 92.7% accuracy, when compared with radar-measured speeds. On the other hand, flow rate estimates were affected by failures to identify vehicle trajectories, which produced values above or below manually collected data.