Os dados em si não possuem valor, o valor decorre do seu uso ou, mais concretamente, quando através do seu processamento somos capazes de criar informação que suporta a tomada de decisão.
A verdadeira inteligência urbana apenas acontecerá quando quem governa o território for capaz de estabelecer estratégias que conduzem à construção da cidade como plataforma, criando as condições necessárias e suficientes para, tirando partido da gestão da informação e da ciência dos dados alavancada no big data, alterar radicalmente o paradigma de planeamento e gestão das nossas cidades e vilas.
Mas os dados em si não possuem valor, o valor decorre do seu uso ou, mais concretamente, quando através do seu processamento somos capazes de criar informação que suporta a tomada de decisão e conduz à ação (informação são dados em contexto).
Nesse sentido, nesta página, pode consultar algumas das soluções de analítica e de visualização de dados suportadas em big data que ainda estão em desenvolvimento para os diversos parceiros do NOVA Cidade – Urban Analytics Lab e que estão abertas a contributos e à participação de investigadores interessados.
Analytical model based on data from mobile devices in Lisbon
Contexto / Descrição
O Big Data é cada vez mais usado para enfrentar desafios da sociedade atual. Neste contexto, prolifera a produção de dados sobre a utilização de dispositivos móveis e, entre outros, a informação sobre a localização dos seus utilizadores. Esta informação pode então ser utilizada no desenvolvimento de modelos analíticos e de aprendizagem automática que possibilitem descrever, prever e prescrever padrões de mobilidade, calcular a origem-procura de destino, construir cenários, compreender atributos demográficos e, também, avaliar a relação da mobilidade com a transmissão do vírus (no contexto da pandemia COVID-19).
Este desafio visa desenvolver este tipo de análises no contexto da cidade de Lisboa, no âmbito do projeto “Dados ao Serviço de Lisboa”, que junta a Câmara Municipal de Lisboa com o ISEL e UNL | NOVA IMS, os estudantes que desenvolvem a sua tese sobre este desafio receberão aconselhamento de ambas as universidades.
Objetivo
Mais especificamente, os objetivos destes desafios são os seguintes:
- Construir um modelo analítico de “mobilidade inteligente” que possa descrever padrões de mobilidade na cidade de Lisboa;
- Este modelo deve ser capaz de calcular matrizes de destino de origem; aglomerado e perfil dos locais da cidade com maior procura, informar sobre os atributos demográficos da população em movimento; prever mobilidade e construir cenários baseados em mudanças nos atributos dos perfis das pessoas e dos lugares;
- Construir dashboards descritivos em tempo real alimentados com os resultados do modelo;
- Apoiar a implementação do modelo nos serviços de informação da Câmara Municipal de Lisboa;
- Publicar artigos sobre o tema/trabalho desenvolvido;
- Outros desenvolvimentos que recorrem aos dados disponíveis.
Smart Lisbon Observatory
Contexto / Descrição
Os Observatórios de Cidades Inteligentes permitem a difusão do desenvolvimento inteligente de sistemas urbanos, apoiando a governança baseada em dados das cidades, fornecendo os fatores tecnológicos, de infraestrutura, económicos e sociais das Cidades Inteligentes e avaliando continuamente os benefícios socioeconómicos e ambientais associados a aplicações inteligentes.
Este desafio visa desenvolver este tipo de infraestruturas no contexto da cidade de Lisboa, no âmbito do projeto “Dados ao Serviço de Lisboa”, que associa o Município de Lisboa às Universidades ISEL e NOVA IMS – o aluno que desenvolver a sua tese sobre este desafio receberá orientação de ambas as universidades.
Objetivos
Mais especificamente, os objetivos deste desafio são os seguintes:
1. Identificar e caracterizar o estado da arte dos modelos existentes para os domínios do Observatório para identificar modelos a implementar.
2. Apresentar uma proposta de indicadores para o Observatório Inteligente de Lisboa, tendo em conta as normas e boas práticas identificadas.
3. Operacionalização do Observatório, através da criação de dashboards que permitam o acompanhamento dos indicadores propostos e disponibilizados no portal Lisbon Intelligent.
4. Publicação de um artigo cientifico sobre o o trabalho desenvolvido.
5. Outras ideias originais sobre este tópico também são bem-vindas.
Desenhar um Modelo 3D de Lisboa para Microsoft HoloLens
A realidade aumentada é uma das tecnologias mais interessantes dos últimos anos. Permite mostrar hologramas 3D em tempo real de qualquer ambiente físico, abrindo novas possibilidades de descrição e análise de dados geográficos por meio da representação digital de objetos físicos, como prédios, ruas ou mesmo cidades inteiras (na forma de um gémeo digital).
Nesse sentido, um dos produtos inovadores que permitem esse tipo de análise é o HoloLens (https://www.microsoft.com/en-us/hololens/hardware). Estes óculos futuristas desenvolvidos pela Microsoft, possibilitam uma interface entre o utilizador e hologramas que podem ser carregados por um designer, com a capacidade de interagir por meio de fala e gestos.
Objetivos
Os objetivos desse desafio são os seguintes:
- Criar uma visão holográfica (modelo 3D) de Lisboa usando, por exemplo, Visual Studio e Unity 3D (ver https://www.sitepoint.com/getting-started-with-microsoft-hololens-development/ para uma introdução).
- Integrar dados relevantes da cidade no modelo 3D, permitindo uma interface interativa que mostra as características dos dados de cada objeto, tendo como input gestos e voz e output áudio.
- Configurar o modelo desenvolvido na aplicação HoloLens.
Comportamento espacial dos turistas urbanos
Contexto/Descrição
Há pouco conhecimento disponível sobre o comportamento espacial dos turistas urbanos, e ainda assim os turistas geram uma enorme quantidade de dados quando visitam as cidades. Redes Wi-Fi Públicas podem ser usadas para rastrear a presença dos turistas através das suas atividades e da análise dos seus comportamentos. A cidade de Lisboa é a capital de Portugal, com uma área de aproximadamente 100 Km2, e 500 mil habitantes. Assim, com as estatísticas turísticas fornecidas pelo INE, visitaram a Área Metropolitana de Lisboa cerca de 5 483 600 turistas durante 2018. Por isso, torna-se essencial entender o comportamento dos turistas para que os gestores municipais de Lisboa possam desenvolver estratégias para prestar melhores serviços aos turistas que visitam a cidade.
Perguntas de pesquisa
• Quais são as características demográficas dos turistas que utilizam a rede Wi-Fi pública em Lisboa?
• Como é o perfil espacial e temporal das conexões Wi-Fi dos turistas durante a semana e durante o dia?
• Quais são os POIs nos arredores dos pontos de acesso Wi-Fi?
• Quais são as características demográficos dos turistas que visitam uma determinada área da cidade e em que momento?
Resultado
Cluster e perfil de pontos Wi-Fi considerando demografia turística, conexões Wi-Fi e os POIs nos arredores dos pontos de acesso Wi-Fi
Fontes de dados
• Dados públicos da rede Wi-Fi: Os dados utilizados correspondem a uma amostra de 20%, coletados em Lisboa entre 1 de março de 2018 e 31 de maio de 2018, e contêm informações sobre o dispositivo utilizado para fazer a conexão à rede, chumbo, ponto de acesso, local, sexo do usuário e idade.
• POIs Lisboa
Adopting blockchain community currencies
Descrição: As moedas comunitárias são um meio para, os governos locais, estimularem as suas economias locais, incentivarem a produção e o consumo locais e incentivarem comportamentos positivos por parte dos cidadãos, como a reciclagem. As tecnologias blockchain têm sido aplicadas para criar cripto moedas, a escalas muito diferentes, do Bitcoin até projetos muito menores, bem como permitir um meio potencial para a implantação de novas moedas comunitárias. No entanto, muitos desafios permanecem para manter os cidadãos envolvidos em tais esquemas, bem como para saber se as pessoas aceitarão as cripto moedas blockchain como um sistema confiável.
Desafio: Olhar para a aplicação de uma estrutura de adoção de tecnologia para determinar os impulsos de adoção desta nova tecnologia. A pesquisa pode se concentrar mais em características da tecnologia, ou características dos cidadãos e adotantes precoces.
Cidade dos 15 Minutos
Descrição: Desenvolver um modelo de avaliação da capacidade de resposta das cidades ao desafio da “Cidade dos 15 minutos” através da utilização de dados abertos e cruzando uma abordagem de business intelligence com sistemas de informação geográfica capaz de permitir ao cidadão identificar um qualquer ponto de interesse e o sistema fornecer informação sobre os serviços capazes de serem alcançados em 15 minutos a pé ou de bicicleta.
Data de Início: 01-02-2021
Data de Fim: a decorrer
Impacto do COVID-19 no Alojamento Local (AL)
Descrição: Com este desafio pretende-se estimar o efeito que o COVID teve sobre as estadias em Alojamento Local (AL) através da técnica de Web Scraping às plataformas de alojamento local.
Data de Início: 04-09-2020
Data de Fim: a decorrer
Notícias Hiperlocais
Descrição: Promover o desenvolvimento de um modelo hibrido de produção de noticias hiperlocais suportada por fontes de dados abertos e utilizando inteligência artificial capaz de suportar a edição de boletins de notícias destinados a mercados locais (bairros ou juntas de freguesia) conciliando de forma virtuosa os mais recentes desenvolvimentos da ciência dos dados na utilização de dados não estruturados com as competências jornalísticas.
Data de Início: 1-2-2021
Data de Fim: a decorrer
Mobilidade
Problema: Impacto do Covid19 na mobilidade das cidades.
Pergunta: Até que ponto a pandemia Covid19 mudou a mobilidade nas cidades?
Data de Início: 01-02-2021
Data de Fim: a decorrer
Mobilidade
Problema: Medidas politicas com impacto na mobilidade.
Pergunta: Até que ponto as medidas governamentais afetam a mobilidade nas cidades?
Data de Início: 01-02-2021
Data de Fim: a decorrer
Mobilidade
Problema: Um Dia Normal nos fluxos de mobilidade das cidades.
Pergunta: Quem viaja pela cidade? Um estudo de deslocações na cidade.
Data de Início: 01-02-2021
Data de Fim: a decorrer
Gestão de resíduos
Problema: Identificação de padrões para apoiar a previsão da produção de resíduos urbanos associados a uma variedade de informações de contexto (por exemplo, eventos, situação climática, etc.)
Pergunta: Qual é o perfil social e económico dos cidadãos que produzem mais resíduos indiferenciados? Qual é a quantidade prevista de resíduos indiferenciados produzidos que devem ser recolhidos pelo município semanalmente?
Emergência
Problema: Desenvolver novas abordagens de planeamento e gestão dos acidentes de trânsito, juntamente com novas ferramentas para avaliar o impacto e previsão de comportamentos.
Pergunta: Quais são as características dos locais onde existe um maior número de acidentes de trânsito? Onde e a que horas do dia se espera existir um maior número de acidentes de trânsito?
Estacionamento
Problema: Identificação de padrões e previsão de estacionamento na cidade de Lisboa para melhorar a eficácia da sua vigilância.
Pergunta: Quais são as características dos locais onde existe um maior número de ocorrências em relação ao estacionamento irregular? Onde e a que horas do dia se espera existir um maior número de ocorrências relativas a estacionamento irregular?
Fix my street biased city governance
Descrição: Hoje uma das boas prática na governação participada das cidades tirando partido da inteligência colectiva, as aplicação do tipo “Fix my street” permitem identificar em tempo real e por comunicação direta dos cidadãos através dos seus smart phones os problemas das cidades e promover a sua resolução com a maior rapidez e eficiência possível.
No entanto, a generalização do seu uso tem levantado a questão da fractura digital e a dúvida sobre a capacidade das mesmas responder às necessidades da cidade e assegurar uma das ambições do ODS 11 – Cidades e Comunidades Sustentáveis, a inclusão, isto é, que esta forma de gerir a cidade garante a qualidade e o nível de serviço a todos os munícipes e não está enviesada pelo grau de literacia digital das diferentes realidades sócio-económicas do tecido urbano da cidade.
Neste projeto pretende-se cruzar os dados recolhidos pelas aplicações do tipo “fix my street” e cruzar os mesmo com dados sócio-demográficos para melhor compreender o fenómeno.
Data de Início: 1-2-2021
Data de Fim: a decorrer
Região Demarcada do Douro e Porto
Problema: Dashboard dinâmico para avaliação e benchmarking de custos operacionais de vinhedos.
Pergunta: Comparando com outros viticultores na minha zona, é o meu custo por kg de uva mais alto?
Data de Início: 01-02-2021
Data de Fim: a decorrer
Analytical model based on data from environmental sensors in Lisbon
Contexto / Descrição
Big Data é cada vez mais usada para ajudar a cumprir as metas de saúde climática, sustentabilidade ambiental e resiliência em países e cidades em todo o mundo. Os dados usados neste processo são gerados a partir de sensores que controlam variáveis ambientais como CO2, NO2, O3, etc., medindo os seus níveis na atmosfera. Estes dados podem ser utilizada no desenvolvimento de modelos analíticos e de machine learning que possibilitam descrever, prever e prescrever o estado do meio ambiente no momento atual e sua evolução, medir o nível de poluição do ar e, associá-lo aos comportamentos das comunidades no que diz respeito, por exemplo, ao tráfego e à produção industrial.
Este desafio visa desenvolver este tipo de análises no contexto da cidade de Lisboa, no âmbito do projecto “Dados ao Serviço de Lisboa”, que associa o Município de Lisboa às Universidades ISEL e NOVA IMS – os alunos que desenvolvam as sua tese sobre este desafio receberão orientação de ambas as universidades.
Objectivos
Mais especificamente, os objetivos desse desafio são os seguintes:
- Construir um modelo analítico de “smart environment” capaz de descrever os padrões de saúde ambiental e qualidade do ar na cidade de Lisboa;
- Este modelo também deve ser capaz de determinar os maiores contribuintes para a deterioração atmosférica; agrupar e traçar o perfil dos locais da cidade com base em variáveis de qualidade do ar, informar sobre as características de localização e atributos demográficos da população nos diferentes perfis; prever a qualidade do ar e construir cenários hipotéticos com base nas mudanças nos atributos dos perfis das pessoas e locais;
- Criar painéis descritivos em tempo real alimentados com os resultados do modelo;
- Apoiar a implementação deste modelo nos serviços de inteligência do Município de Lisboa;
- Publicar um artigo sobre o trabalho desenvolvido;
- Outras ideias originais com recurso aos dados disponíveis também são bem-vindas.
Delivering smart cities with blockchain
Descrição: Os sistemas blockchain permitem criar um ambiente partilhado confiável para empresas colaborativas, para intercâmbio económico e partilha de informações. O blockchain permite criar aplicativos onde os usuários são os proprietários e os cidadãos podem escolher o futuro da sua infraestrutura. Consequentemente, o blockchain tem sido apontado como uma das tecnologias com maior potencial para ajudar a criar cidades verdadeiramente inteligentes. No entanto, as aplicações blockchain estão ainda no início e há muito trabalho a fazer para perceber o seu real potencial.
Desafio: Neste desafio procura-se aplicar as características da tecnologia blockchain a uma aplicação de cidade inteligente. Exemplos tipo incluem: redes de energia peer-2-peer, serviços de partilha de carros, moedas comunitárias, rastreamento de serviços municipais como resíduos e reciclagem, entre muitos outros.
Os alunos podem projetar sistemas blockchain ou implementar sistemas já existentes numa estrutura blockchain.
Adopting peer-2-peer energy communities
Descrição: O aumento da produção domiciliar descentralizada de energia, seja solar, eólica ou baterias, permitiu um novo paradigma local de consumo de energia. Com comunidades de energia peer-2-peer, os bairros partilham localmente a produção de energia renovável e fazem uso de dispositivos inteligentes para coordenar o tempo de uso da energia. No entanto, essa nova forma de fornecer as famílias e interagir com a comunidade, enfrenta muitos obstáculos para a sua adoção em larga escala.
Desafio: Olhar para a aplicação de uma estrutura de adoção de tecnologia para determinar os impulsos de adoção desta nova tecnologia crítica. A pesquisa pode concentrar-se em características da tecnologia, ou características dos cidadãos e adotantes precoces.
Desenho de metodologia para previsão de preços imobiliários aproveitando a dimensão geoespacial
Contexto / Descrição
Há muito que se utilizam modelos econométricos de previsão de preços imobiliários, recorrendo a métodos OLS, e tornando as funções autónomas para níveis geográficos específicos, por concelho ou grupos de conselhos. Esses modelos ignoram a relação entre o valor dos imóveis e daqueles que os circundam geograficamente. Da mesma forma, não aproveitam a possibilidade de utilizar dados de transações imobiliárias na proximidade geográfica, realizadas no passado. Os recentes avanços dos Sistemas de Informação Geográfica (SIG) e respetivas tecnologias abriram as portas à microlocalização dos imóveis e, com ela, à produção de estatísticas não sujeitas à divisão administrativa. Desta forma, o principal objetivo do desfio a ser desenvolvido é o desenho de uma metodologia de previsão de preços imobiliários que aproveite os modelos econométricos clássicos aliando aos mesmos uma dimensão geoespacial.
Fontes de dados
Os conjuntos de dados para o desafio serão apresentados em profundidade no início do mesmo. Em síntese, incluem informação sobre cada imóvel vendido, como preço de venda, número de quartos, área, código postal, etc. Os conjuntos de dados têm um histórico desde 2007. Abrangem Portugal Continental, mas incidem especialmente nas principais cidades e regiões metropolitanas, onde o mercado tem mais expressão.
Objetivos
Os objetivos deste desafio são os seguintes:
- Analisar a evolução histórica do preço do imobiliário em Portugal nos últimos 15 anos, no que diz respeito à sua localização e configuração;
- Desenvolvimento de um framework econométrico para estimativa de preços imobiliários (forecasting), recorrendo a abordagens estado da arte encontradas na literatura relacionada;
- Localizar geograficamente cada propriedade e as propriedades vizinhas usando tecnologias GIS, para entender até que ponto existe uma correlação entre os preços de venda de ativos vizinhos;
- Incorporar esses dados no modelo de estimativa de preços para melhorar sua capacidade preditiva, bem como analisar os resultados do modelo e sua qualidade;
- Introduzir em produção o novo modelo de previsão de preços imobiliários, disponibilizando-o para que agentes terceiros façam previsões sobre os imóveis que têm em análise.
Determinação do impacto da pandemia por COVID 19 na mobilidade e ambiente
Problemática: Os efeitos da pandemia causada pela doença COVID 19 trouxe um impacto significativo na mobilidade urbana. Existe um novo paradigma na mobilidade urbana criada pela insegurança da utilização dos meios de transporte com elevadas concentrações de pessoas, constatando-se um aumento da utilização de meios de transportes suaves.
Resultados esperados: Pretende-se estudar os efeitos desta pandemia na mudança de meios de transporte para os modos suaves.
Data de Início: 04-09-2020
Data de Fim: a decorrer
Mobilidade
Problema: Modelo de risco associado a variações em mobilidade.
Pergunta: Existe uma correlação e posso modelar o risco através de dados de mobilidade?
Data de Início: 01-02-2021
Data de Fim: a decorrer
Mobilidade
Problema: Planeamento de Infraestrutura.
Pergunta: Como podemos melhorar a infraestrutura da cidade através de dados de Mobilidade?
Data de Início: 01-02-2021
Data de Fim: a decorrer
Mobilidade
Problema: Análise descritiva das cidades.
Pergunta: Como podemos definir métricas para descrever e comparar a mobilidade ao nível da cidade?
Data de Início: 01-02-2021
Data de Fim: a decorrer
Mobilidade
Problema: Apoio a novas abordagens de planeamento e gestão com novas ferramentas para avaliar o impacto e a previsão de comportamentos.
Pergunta: Quais são as características demográficas, ambientais e infraestruturais das estações GIRA com maior demanda? Quais são as coletas e entregas estimadas nas estações GIRA por um determinado período de dia?
Poluição
Problema: Elaboração de modelos preditivos de propagação de poluentes líquidos e atmosféricos na cidade de Lisboa.
Pergunta: Na situação de acidente com substâncias de risco, como ocorre a propagação de poluentes atmosféricos e líquidos na cidade de Lisboa?
Criação indicador de tráfego geral e indicadores para cada uma das principais vias de entrada na cidade
Problemática: A caracterização do tráfego no município, usando um indicador único global, é sem dúvida um fator determinante para correlação com outros domínios, quer de gestão como de administração. A par do indicador único global para caraterização do tráfego, a perceção do estado das principais vias de entrada em Lisboa bem como as principais vias da cidade, além de constituírem a base de afetação do indicador global, permitem por si só avaliar o estado do tráfego na periferia do município, com implicação no comportamento das vias geridas por outros operadores rodoviários, e cujo município não controla diretamente.
Resultados esperados: Este indicador único global para o município, além de introduzir uma componente holística na perceção global da cidade, permite potenciar a promoção da mobilidade sustentável, correlacionando a prazo com indicadores globais de outros meios de transporte. Para alem do indicador único global, pretende-se possuir indicadores das principais vias da cidade.
Data de Início: 04-09-2020
Data de Fim: a decorrer
Taxação de estacionamentos privativos no município de Lisboa
Descrição: Em determinados casos, os hotéis, as instituições, os ministérios, os partidos políticos, entre outros, têm estacionamento atribuído pelo município através de licenciamento e pagamento de taxa devida. Neste âmbito, pretende-se identificar quais são os estacionamentos atribuídos e se estão a ser pagas as taxas.
Resultados esperados: Espera-se obter uma estimativa do valor das taxas não cobradas pelo município de Lisboa, através de cruzamento de fontes de informação.
Data de Início: 14-10-2019
Data de Fim: a decorrer
Região Demarcada do Douro e Porto
Problema: Modelo analítico de ajuda para a:
- identificação da relação entre dados físicos e químicos / qualidade (percebida) / mercado / parcelas;
- identificação de perfis de agentes econômicos; e
- geração de informações relevantes para o trabalho operacional do laboratório (métricas relacionadas a quantidades e tempos de resposta).
Pergunta: Existe alguma relação entre dados químicos e físicos / qualidade / mercado / parcelas?
Data de Início: 01-02-2021
Data de Fim: a decorrer
