Análise de mobilidade urbana utilizando dados de viagens de bicicleta

Abstract

A mobilidade ativa tem ganho relevância em discussões sobre o planejamento urbano, se mostrando um meio de transporte que traz benefícios para a qualidade de vida nas cidades. Entretanto, ainda existem empecilhos para que o ciclismo e outros métodos de mobilidade ativa tenham seu incentivo justificado, como limitações na infraestrutura urbana. Além disso, pesquisas que fornecem dados para estudos na área levam um longo período de tempo para serem atualizadas. Nesse contexto, o presente trabalho tem como objetivo aplicar técnicas de Ciência de Dados no desenvolvimento de uma ferramenta que permita a realização de análises estatísticas e geoespaciais sobre dados de ciclistas de um aplicativo rastreador de viagens na cidade de São Paulo. Visando a implementação de políticas públicas, as análises em questão envolvem a distribuição de viagens de ciclistas pela cidade, as características de viagens e ciclistas, e a relação delas com a infraestrutura dedicada, com a possibilidade de atualizações de dados em intervalos temporais menores. A ferramenta foi desenvolvida utilizando linguagem Python, em notebooks Jupyter.

Active mobility has been gaining relevance in discussions on urban planning, as a mean of transportation that benefits quality of life in cities. Nevertheless, there are still obstacles to fully justifying the promotion of cycling and other active mobility methods, such as limitations in urban infrastructure. Furthermore, research that provides data for studies in the field takes a long time to be updated. In this context, the current work aims to apply Data Science techniques in the development of a tool capable of performing statistical and geospatial analyses on cyclists data from a trip-tracking application, in the city of São Paulo. With the goal of supporting public policymaking, these analyses involve examining on the spread of cycling trips throughout the city, the characteristics of trips and cyclists, and their relationship with dedicated infrastructure, with the possibility of data updates at shorter time intervals. The tool was developed using Python in Jupyter notebooks.