A spatiotemporal crowding visualization platform

Abstract

Overtourism degrades the tourist experience and negatively impacts the environment and local communities, potentially making tourism in popular destinations unsustainable. To help destination managers plan crowding mitigation measures, we have developed a spatiotemporal 3D crowding visualization platform. It allows users to explore historical crowding data, visualize patterns, and understand trends. It also allows viewing of near realtime data to support short-term decision making. In addition, it can generate and visualize predictive crowding data to better understand future scenarios. The platform has an extensible, connector-based architecture that supports independent crowding time-series data sources, with either online streaming or offline processing, from databases, APIs, and queuing systems. The data can come from sensors (e.g., motion sensors, Wi-Fi sensors), video analytics, mobile operator data, and other sources. The platform’s forecasting capabilities also follow an extensible architecture, allowing new predictive models to be incorporated without modifying existing source code. Two illustrative case studies are presented, one based on data from the Melbourne pedestrian counting system in Australia, and another based on mobile network data in Lisbon, Portugal. Evaluations of the developed platform were performed in four domains: usability, performance, predictive ability, and peer-review.

O excesso de turismo degrada a experiência do turista e tem um impacto negativo no ambiente e nas comunidades locais, tornando potencialmente insustentável o turismo em destinos populares. Para ajudar os gestores de destinos a planear medidas de atenuação de multidões, desenvolvemos uma plataforma de visualização de apinhamento 3D espaciotemporal. Esta plataforma permite aos utilizadores explorar dados históricos de aglomeração, visualizar padrões e compreender tendências. Também permite a visualização de dados quase em tempo real para apoiar a tomada de decisões a curto prazo. Além disso, pode gerar e visualizar dados preditivos de aglomeração para melhor compreender cenários futuros. A plataforma tem uma arquitetura extensível, baseada em conectores, que suporta fontes de dados independentes de séries temporais de apinhamento, com streaming online ou processamento offline, a partir de bases de dados, APIs e sistemas de filas. Os dados podem provir de sensores (por exemplo, sensores de movimento, sensores Wi-Fi), análise de vídeo, dados de operadores móveis e outras fontes. As capacidades de previsão da plataforma também seguem uma arquitetura extensível, permitindo a incorporação de novos modelos de previsão sem modificar o código-fonte existente. São apresentados dois casos de estudo ilustrativos, um baseado em dados do sistema de contagem de peões de Melbourne, na Austrália, e outro baseado em dados de redes móveis em Lisboa, Portugal. As avaliações da plataforma desenvolvida foram efectuadas em quatro domínios: usabilidade, desempenho, capacidade de previsão e revisão por pares.