DTIP: a scalable pipeline for traffic congestion detection using floating car data

Silva, Gil Bernardo Cardoso Rebelo da

Publication

DTIP: a scalable pipeline for traffic congestion detection using floating car data

2025-10-03Master thesis

datacite.subject.fos	Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
dc.contributor.advisor	Soares, Christophe
dc.contributor.advisor	Torres, José
dc.contributor.author	Silva, Gil Bernardo Cardoso Rebelo da
dc.date.accessioned	2025-10-13T11:29:42Z
dc.date.available	2025-10-13T11:29:42Z
dc.date.issued	2025-10-03
dc.description.abstract	O congestionamento do tráfego urbano continua sendo um obstáculo crítico para a mobilidade, segurança e sustentabilidade nas cidades modernas. Apresentamos o Distributed Traffic Intelligence Pipeline (DTIP), um sistema modular e interpretável projetado para estimar níveis de congestionamento a partir de Floating Car Data (FCD), ou seja, trajetórias de veículos baseadas em Global Positioning System (GPS), e para apoiar a validação de relatórios de perigos relacionados ao tráfego. O framework proposto integra ferramentas de código aberto para processamento de dados, “map-matching” e extração de características, culminando num modelo de aprendizagem supervisionado baseado em Extreme Gradient Boosting (XGBoost). O modelo foi treinado com dados de Vila Nova de Gaia, Portugal, e alcançou um F1-score ponderado acima de 97%, distinguindo com sucesso quatro classes de severidade de congestionamento. Para avaliar ainda mais a plausibilidade das suas previsões, uma camada de simulação qualitativa utilizando Simulation of Urban Mobility (SUMO) foi incorporada. Os resultados da simulação alinharam-se bem com as saídas do modelo na maioria dos cenários de teste, reforçando a validade comportamental das estimativas de congestionamento. Desenvolvido com escalabilidade e implantação de baixa latência em mente, o DTIP oferece uma contribuição prática para o desenvolvimento de sistemas de monitoramento de tráfego urbano transparentes e eficientes. A sua natureza aberta e modular o torna adequado para adaptação a outras cidades ou para integração futura em infraestruturas de suporte a decisões em tempo real.	por
dc.description.abstract	Urban traffic congestion remains a critical obstacle to mobility, safety, and sustainability in modern cities. We present Distributed Traffic Intelligence Pipeline (DTIP), a modular and interpretable system designed to estimate congestion levels from Floating Car Data (FCD), i.e., Global Positioning System (GPS) based vehicle trajectories, and to support the validation of trafficrelated hazard reports. The proposed framework integrates open-source tools for data processing, map matching and feature extraction, culminating in a supervised learning model based on XGBoost. The model was trained on data from Vila Nova de Gaia, Portugal, and the system achieved a weighted F1-score above 97%, successfully distinguishing between four classes of congestion severity. To further assess the plausibility of its predictions, a qualitative simulation layer using Simulation of Urban Mobility (SUMO) was incorporated. The simulation results aligned well with the model’s output in most test scenarios, reinforcing the behavioral validity of the congestion estimates. Designed with scalability and low-latency deployment in mind, DTIP offers a practical contribution to the development of transparent and efficient urban traffic monitoring systems. Its open and modular nature makes it suitable for adaptation to other cities or future integration into real-time decision-support infrastructures.	eng
dc.identifier.uri	http://hdl.handle.net/10284/14657
dc.language.iso	eng
dc.rights.uri	http://creativecommons.org/licenses/by/4.0/
dc.subject	Detecção de congestionamento de tráfego
dc.subject	Dados de Veículos Flutuantes (FCD)
dc.subject	Análise de trajetórias GPS
dc.subject	Correspondência de mapas (Valhalla)
dc.subject	Engenharia de características
dc.subject	Índice de Redução de Velocidade (SRI)
dc.subject	XGBoost (Extreme Gradient Boosting)
dc.subject	Sistemas de Transporte Inteligente (ITS)
dc.subject	Processamento de dados escalável (Dask
dc.subject	Parquet)
dc.subject	SUMO (Simulação de Mobilidade Urbana)
dc.subject	Aprendizado de máquina interpretável
dc.subject	Monitoramento de mobilidade urbana
dc.subject	Validação de perigos
dc.subject	Traffic congestion detection
dc.subject	Floating Car Data (FCD)
dc.subject	GPS trajectory analysis
dc.subject	Map-matching (Valhalla)
dc.subject	Feature engineering
dc.subject	Speed Reduction Index (SRI)
dc.subject	XGBoost (Extreme Gradient Boosting)
dc.subject	Intelligent Transportation Systems (ITS)
dc.subject	Scalable data processing (Dask
dc.subject	Parquet)
dc.subject	SUMO (Simulation of Urban Mobility)
dc.subject	Interpretable machine learning
dc.subject	Urban mobility monitoring
dc.subject	Hazard validation
dc.title	DTIP: a scalable pipeline for traffic congestion detection using floating car data	eng
dc.type	master thesis
dspace.entity.type	Publication
thesis.degree.name	Mestrado em Engenharia Informática, ramo de Computação Móvel