Para construir uma cidade inteligente, é necessário coletar e processar dados, de forma a obter informações refinadas sobre a cidade. O objetivo não é apenas alimentar o processo de decisão da equipe de gestão da cidade, mas também fomentar novas aplicações que possam oferecer serviços aos cidadãos e cidadãs. Por exemplo, pode-se detectar problemas na pavimentação, riscos de alagamentos, monitoramento de lixeiras ou de poluição sonora. A escala de uma cidade, porém, gera diversos desafios para a coleta de tais dados.

A coleta de dados pode ter custo proibitivo, dado que cidades em geral possuem áreas extensas. O primeiro motivo é que, para cobrir a cidade inteira com sensores, podem ser necessários muitos sensores. O número de sensores depende de qual informação se deseja coletar, mas inevitavelmente a área da cidade será um fator multiplicativo. O segundo motivo é menos óbvio. Cada sensor instalado deve ter capacidade de comunicar os dados coletados. Isso significa que deve haver uma rede com cobertura suficiente para todos os sensores. Assim, se a cidade deve ser completamente coberta por sensores estáticos, consequentemente, a cidade deve ser completamente coberta por alguma rede para escoar os dados. Esses dois problemas podem ser mitigados utilizando o sensoriamento móvel.

Para diversas tecnologias de sensoriamento, quando um sensor se movimenta, é capaz de coletar dados por todo seu trajeto. Assim, não são necessários tantos sensores para cobrir a área total da cidade. Adicionalmente, o sensor pode armazenar os dados coletados e, ao se aproximar de um ponto de acesso, descarregar os dados. Portanto, não é necessário cobrir a cidade inteira com uma rede, bastando pontos específicos nos trajetos dos sensores.

A utilização de sensores móveis requer algum tipo de estrutura que confira mobilidade aos sensores. Dependendo da estrutura escolhida, pode haver um custo associado. Para baratear custos, é possível utilizar estruturas já existentes. É possível acoplar a ônibus urbanos alguns sensores úteis às aplicações de cidades inteligentes. Essa abordagem possui algumas vantagens. Por exemplo, o custo adicional para ônibus carregarem pequenos sensores é irrisório, dotando os sensores de mobilidade com custo próximo de zero. Adicionalmente, os trajetos dos ônibus são relativamente previsíveis, uma vez que os trajetos são definidos por suas linhas. Outra vantagem é que os pontos de ônibus se tornam excelentes candidatos a pontos de trocas de dados, uma vez que, no caso geral, os ônibus permanecem um tempo razoável próximos aos pontos de ônibus.

No cenário concebido, ônibus urbanos percorrem seus trajetos coletando dados dos mais diversos tipos. Os dados são armazenados pelos próprios sensores até que o ônibus obtenha conexão com alguma rede. Os pontos de acesso dessa rede ficam localizados nos pontos de ônibus. Então, ao se aproximar de um ponto de ônibus, cada sensor descarrega os dados armazenados para o ponto de acesso, que realiza um pré-processamento e entrega os dados para um servidor. O servidor serve os dados para qualquer pessoa interessada.

O cenário descrito levanta algumas questões:

– Quanto tempo se passa desde que um dado qualquer é coletado até o momento em que está finalmente disponível no servidor? Em outras palavras: qual o atraso sofrido pelos dados coletados?

– Se reduzirmos o número de pontos de ônibus equipados com pontos de acesso, qual a consequência para o atraso dos dados?

– Se reduzirmos a quantidade de ônibus equipados com sensores, qual o impacto para a região monitorada?

– Quais aplicações finais poderiam se aproveitar de tal serviço?

Juntamente com a equipe do Grupo de Teleinformática e Automação (GTA) da COPPE/UFRJ, busquei respostas para as perguntas listadas. Tais respostas estão relatadas em minha tese, que foi orientada pelo professor Luís Henrique Maciel Kosmalski Costa e pelo professor Rodrigo de Souza Couto. Em todos os casos, buscamos propor um modelo matemático e uma análise experimental, de forma que haja um embasamento teórico e uma confirmação calcada em dados reais. No presente texto, as respostas são abordadas de maneira superficial. Entretanto, mais detalhes podem ser encontrados no texto da tese.

Dados utilizados

Nas análises realizadas com dados reais, são utilizados dados de posicionamento de GPS dos ônibus da cidade do Rio de Janeiro. Os dados são fornecidos pela prefeitura do Rio de Janeiro minuto a minuto, para todos os ônibus da cidade.

Com o objetivo de trazer mais fidelidade às rotas seguidas, as rotas de cada ônibus são reconstruídas, utilizando uma ferramenta chamada OSRM.

Estudo dos atrasos

A primeira e a segunda pergunta a serem respondidas são próximas, pois são relativas aos atrasos sofridos pelos dados coletados. A resposta da segunda depende da resposta da primeira. Os estudos mostraram que os atrasos sofridos pelos dados enquanto estão armazenados aguardando transmissão é muito maior do que o tempo que os dados passam sendo transmitidos. Assim sendo, o atraso de transmissão foi desconsiderado. A partir disso, é possível mostrar que os atrasos são iguais ao tempo que os ônibus passam sem conexão.

Utilizando os dados de GPS dos ônibus, foi elaborado um experimento para saber quanto tempo os ônibus passam sem conexão. Chegou-se à conclusão de que mais de 95% dos dados sofrem atrasos menores do que 5 minutos. Usando os mesmos dados, mostrou-se que mesmo que apenas 16% dos pontos de ônibus da cidade do Rio de Janeiro fossem equipados com pontos de acesso, os dados sofreriam no máximo 30 minutos de atraso.

Estudo da cobertura

A terceira pergunta a ser respondida tem a ver com a cobertura da rede de sensores. Essa pergunta é de difícil resposta, pois dados são utilizados de maneira diferente por aplicações diferentes. Por exemplo, um serviço de coleta inteligente de lixo ou de manutenção de vias públicas possuem um determinado nível de urgência para saber se uma lixeira está cheia ou se existe um buraco em uma rua; um serviço de combate a incêndios precisa saber com uma urgência maior que um prédio está pegando fogo. É importante observar com qual frequência os ônibus passam por uma rua e quanto tempo cada dado demora a ser entregue antes de ser possível dizer se um trecho está coberto. Adicionalmente, é necessário entender que essa cobertura está fortemente ligada à utilização dos dados: a frequência de coleta de dados e o atraso que os dados podem sofrer variam de acordo com a aplicação que se deseja implementar.

Os dados de GPS dos ônibus podem ser utilizados para estimar o número de vezes que ônibus passam por um trecho de uma rua e quanto tempo os ônibus demoram até encontrarem um ponto de ônibus e entregarem os dados. Assim, pode-se dizer se um trecho foi coberto ou não se e somente se a frequência dos ônibus que passam no trecho é grande o suficiente e se o atraso na entrega dos dados coletados por esses ônibus é pequeno o suficiente, de acordo com as necessidades de aplicação.

Estudo das aplicações possíveis

Após realizar experimentos com os dados de GPS, foi possível cruzar a frequência de visitas e o atraso de entrega em cada rua com necessidades de aplicações conhecidas na literatura científica. Chegou-se à conclusão de que uma rede de sensores com os ônibus da cidade do Rio de Janeiro poderia abrigar aplicações como coleta de lixo inteligente, monitoramento de qualidade do ar e monitoramento de ruído.

A coleta de dados é um grande desafio para a construção de cidades inteligentes. A utilização de veículos para auxiliar no sensoriamento urbano é uma estratégia possível e promissora. É necessário estudar essa estratégia para entender melhor seus potenciais e seus limites.