Segurança nas estradas: como representar grandes volumes de dados em mapas?

A Cobli lê diversos dados dos veículos que monitora. Alguns deles são imediatos, como o quanto cada carro dirigiu, que velocidade eles tinham em um dado momento e seus históricos de posições. Recolhemos também informações sobre como nossos motoristas dirigem.

Através de sensores de aceleração, identificamos quando há variações bruscas na velocidade do veículo, ou quando este faz uma curva brusca. Consideramos tais ocasiões como eventos de risco pois não só têm o potencial de causar danos ao motorista e veículo como também consomem mais combustível e impactam negativamente a vida útil das peças do carro.

Buscando utilizar nossos dados em prol da sociedade e como parte da iniciativa de redução de acidentes de trânsito Maio Amarelo, a Cobli compilou os dados que tem sobre eventos de risco em mapas de calor que explicitam quais regiões do Brasil tem maior probabilidade de acidentes. Contudo, entendendo que melhorar a segurança nas estradas é um esforço contínuo, continuamos a disponibilizar essa visualização, esperando que não só em Maio nos preocupemos com acidentes.

Alguns dos insights que conseguimos retirar das nossas análises e podem ser visualizados nos mapas são:

1. Uberlândia tem um dos trânsitos mais perigosos do país: foi a cidade com maior índice de acelerações bruscas (mais de 50 km/h em 10 segundos) e também lidera o ranking quanto a curvas muito fechadas, frenagens repentinas e excesso de velocidade
2. 10% dos motoristas passando pela Rodovia Fernão Dias, a principal via conectando São Paulo e Belo Horizonte, andaram à 155 km/h, sendo que os trechos com limite mais alto impõe um máximo de 110 km/h
3. O índice de aceleração média no Rio de Janeiro é 64% maior que em São Paulo. Isso parece se refletir nos índices de acidentes nas duas capitais: em São Paulo ocorre 1 acidente para cada 500 carros por ano; no Rio é 1 para cada 300
4. Por volta de 12% dos motoristas transitando pela Avenida Brasil no Rio de Janeiro cometeram infrações gravíssimas de trânsito, ou seja, andaram a mais que o dobro do limite da via, de 60 km/h

Podemos entender desses dados, que existem diferenças regionais significativas no que tange a segurança no trânsito. Minas Gerais se apresenta como um dos estados mais perigosos, não só contém a cidade líder em incidentes de risco, mas sua principal rodovia é palco de inúmeras infrações de trânsito. Já as discrepâncias nas taxas de aceleração entre São Paulo e Rio, bem como a tendência dos cariocas a extrapolar o limite de velocidade podem ter raízes culturais.

Estes resultados nos ajudam a entender a segurança no trânsito como um problema complexo, com diversas causas: pressões econômicas, diferenças culturais, condições das estradas, monitoração.

Apenas quando percebemos que nossos problemas cotidianos são na verdade fenômenos multidimensionais, somos capazes de atuar efetivamente neles. Caso contrário, é muito possível nos ater a atitudes fáceis, mas que ignoram o contexto maior no qual o problema se insere. A análise de dados é, portanto, uma ferramenta importante para descobrir peculiaridades de problemas complexos e entendê-los por outro ângulo.

Para chegar nos resultados finais encontramos uma série de dificuldades técnicas, advindas principalmente do grande volume de dados que temos acumulados. Tentar colocar todas as informações no mapa diretamente não seria viável pois resultaria em mapas pesados e grandes tempos de carregamento.

Inicialmente tentamos usar serviços prontos, feitos na linguagem Python, que receberiam como entrada nossos dados com a localização dos eventos de risco e gerariam o mapa. Contudo, minúcias do serviço tornavam ele imprático para uso na web.

Partimos então para a iniciativa de fazer a nossa própria agregação dos dados de risco e gerar o mapa nós mesmos antes de apresentá-los. Utilizamos uma aplicação do Google para lidar com dados geográficos chamada S2, que nos permite segmentar o globo em regiões pequenas e nos dar uma forma de identificar estas divisões. Desta forma, fomos capazes de condensar os dados segmentados pelas nossas regiões de atuação.

Contudo, apenas com isso o problema de apresentar os dados ainda não está resolvido. A informação contida nos arquivos que recebemos de saída do S2 ainda precisavam ser colocados em um mapa mas nossa solução padrão de mapas, chamada Leaflet, não lidava satisfatoriamente com nossas necessidades. Como atuamos em diversas áreas do país, mesmo a visualização de somente essas áreas era complexa: os arquivos obtidos do Google eram muito grandes, e o Leaflet tentava criar áreas do mapa mesmo quando estas não estavam sendo visualizadas.

Nossa solução para este problema foi gerar nós mesmos as imagens que compõem o mapa, chamadas de tiles, deixá-las armazenados e mostrar tudo pronto. Para tal usamos uma ferramenta chamada Tippecannoe, que processa as saídas obtidas com o S2 e geram as tiles.

Foi necessário também gerar um conjunto de tiles para cada nível de zoom para garantir uma consistência visual; se não o fizéssemos, quando estivéssemos olhando o mapa de muito longe ou muito perto os resultados pareceriam distorcidos.

Assim, quando o mapa é acessado, apenas mandamos as tiles pré-computadas para o visitante do site e desta forma conseguimos com eficiência gerar visualizações dos nossos dados e usá-las para ter insights sobre o trânsito.

Acesse nosso site, descubra nossas soluções personalizadas e como a gente pode te ajudar!