Capítulo 7. Resultados y discusiones
7.2. Casos encontrados
A causa de las limitaciones puestas en este proyecto por el tiempo disponible para un estudio de maestría se seleccionaron únicamente dos participantes para el análisis de este estudio. Fueron seleccionados por que tenían un alto nivel de sincronización con el servidor. Se tomaron los datos colectados de cada participante dentro del pe- riodo de las primeras dos semanas. A continuación mostramos algunos casos que consideramos pueden ser interesantes y que sirven como una demostración de este
estudio. Dentro de las comparaciones la ruta real recorrida por el participante es ex- presada en color azul mientras que la ruta esperada generada por el API de Google Maps es expresada en color verde.
7.2.1. Participante 35
Para el primer participante a analizar seleccionamos al participante con el identifi- cador 35. Este participante capturó 8 días en su primera conexión al servidor. De estos ocho días todos los días tienen datos válidos sobre los cuales podemos hacer análisis. Dentro del primer día con los datos de la movilidad del participante se generaron seis diferentes puntos de interés. Estos puntos de interés están mayormente en el área de la Universidad Autónoma de Baja California. Este participante es un estudiante de la universidad y representa el camino que las personas tienen que recorrer para tener acceso a los servicios.
Existe otro punto sobre el cual podemos comparar la ruta de este punto a los puntos de interés ubicados alrededor de la UABC. La distancia entre el punto de interés 1 y el punto de interés 2 que está ubicado cerca de la UABC por medio de la ruta real es 8861m, mientras que por la ruta esperada obtenida del API de Google Maps es 8554m. El que el participante haya tomado una ruta que es mas larga que la ruta real puede ser un indicador de que existe una condición que toma prioridad a la distancia que causó que cambiara su trayectoria.
Si comparamos estas dos rutas podemos ver que existen cuatro diferentes diver- gencias principales dentro de la ruta 26a. Estas existen entre el punto de interés uno y el punto de interés dos. Esta comparación la podemos ver en la figura 26. De las cuatro divergencias dos son grandes y dos son chicas, la primera divergencia entre las dos rutas se puede visualizar en la figura 26b.
(a) (b) Figura 26.Visualización de rutas
En la figura 27 podemos ver una comparación entre la distancia recorrida para cada una de las rutas encontradas del día 14 de Agosto del 2018. Existe una ruta la cual no está en la gráfica, que es la ruta entre el punto de interés 3 y 4. En esta ruta los puntos estaban demasiado cerca, por lo cual no se pudo generar una comparación. De los datos encontrados en tres de las cuatro rutas comparadas la distancia de la ruta esperada fue mas grande que la de la ruta real. Por la gran distancia recorrida, con- sideramos que la ruta 1a2 fue hecha en transporte público, lo cual explicaría algunos de los saltos en las distancias.
En la figura 28 podemos visualizar la cantidad de divergencias que hubo en las diferentes rutas. La ruta 5a6 tuvo una diferencia de 651 metros entre la ruta esperada y la ruta real; esta es la mayor de las cuatro rutas. Esta misma es la que tuvo la mayor cantidad de divergencias con un total de 6 divergencias de las 12 encontradas en todo el día.
(a)
Figura 27.Comparación de rutas en metros para el participante 35 durante el día 14 de agosto del 2018
A causa de la distancia de la ruta 1a2 podemos inferir que en esa ruta el partici- pante hizo uso del transporte público. Allí la ruta ruta esperada es mas larga que la ruta real. Sin embargo una vez mas por las distancias recorridas consideramos que las rutas 2a3, 4a5 y 5a6 fueron hechas de manera peatonal. Esto nos da una indicación de que cuando existen divergencias en trayectorias peatonales puede ser para ahorrar tiempo. Sin embargo esto es solo especulación, puesto a que como se menciona en el la sección 8.1 no pudimos hacer entrevistas a los participantes del estudio.
(a)
Figura 28.Comparación de divergencias en las rutas para el participante 35 durante el día 14 de agosto del 2018
Finalmente en la figura 29 podemos visualizar por cada día de la semana analizada la cantidad de desviaciones acumuladas para el participante 35. Los datos que en- contramos en el día 8/14/2018 muestran que la mayor cantidad de desviaciones son hechas en tramos cortos y se repite en el día 8/17/2018 y 8/20/2018.
Una cosa importante que recordar es que una divergencia no necesariamente es un indicador de algo negativo en la ruta esperada que obtenemos del servicio de Google Maps, sino también puede ser un indicador de algo positivo en la ruta alterna que tomo el participante. Sin embargo existen unos casos donde la ruta esperada obtenida de Google Maps hace algunos errores muy obvios. Uno de estos es el mostrado en la figura 30. En esta divergencia, el participante hace uso de un paso peatonal mientras que la ruta de Google Maps toma un rodeo de cientos de metros.
(a)
Figura 29.Cantidad de desviaciones acumuladas por día para el participante 35
(a)
7.2.2. Participante 36
Similarmente al análisis que se hizo para el participante 35, se analizaron los datos de movilidad del participante 36. Este participante tuvo una mucha menor distancia de manera diaria que el participante 35. Mientras que el participante 35 recorrió un total de 68,341 metros con un promedio deμ =2847.54 metros por ruta y una desviación
estándar de σ = 4024 metros, el participante 36 durante el mismo periodo de datos
recorrió un total de 14,770 metros con un promedio de μ = 777.37 metros por ruta
y una desviación estándar de σ = 1251.5 metros. En este caso podemos ver que el
promedio es menor que la desviación estándar por que el participante 36 tuvo varias rutas cortas, y solo 3 muy largas.
Muchos de los mismos hallazgos que se hicieron con el participante 35 los podemos observar en los datos obtenidos del participante 36. Cosas como que normalmente la ruta esperada es mas larga que la ruta real. Esto lo podemos visualizar en la figura 31.
(a)
Figura 31.Comparación entre ruta real y ruta esperada
Esto es muy interesante por que dice que los participantes tratan de recorrer me- nores distancias. Sin embargo para este participante hubo algunas ocasiones en las cuales no tomó la ruta mas corta. Incluso en estas ocasiones tomó una ruta mucho mas larga y donde existía una ruta mucho mas directa.
(a)
Figura 32.Comparación entre ruta real y ruta esperada para el participante 36 durante el día 8/15/2018
Una de las funciones disponibles en el sistema consiste en graficar en la ruta real cual es la diferencia de altura. Aquí es interesante que por ejemplo el participante en la ruta de la gráfica 32 decidió tomar una ruta que es mas larga y no la ruta mas directa. Aquí consideramos que el participante decidió tomar esta ruta por el contexto del área en la que está. Una cosa que no se puede ver solamente con el mapa, para lo que el uso de la altura para dibujar la ruta nos da una indicación, es que hay una cambio de altura durante la ruta. Esto lo podemos visualizar en la figura 33 donde se nota que una de las carreteras es mas alta que la otra.
(a)
Figura 33.Imagen del área de la ruta del participante 36 durante el día 8/15/2018 donde la ruta verde es la ruta sugerida por Google Maps y la ruta Azul es la ruta real
7.3. Escenarios de Uso
Consideramos que es importante que los desarrollos que se hicieron en este pro- yecto puedan ser la base para futuras investigaciones. Con el propósito de motivar la investigación en esta área de estudio presentamos los siguientes dos escenarios que se podrían desarrollar para la implementación de esta base de conocimientos.
7.3.1. Escenario uno
La seguridad de las personas es un tema muy importante y es un tema que está directamente relacionado con la movilidad urbana de las personas. Cuestiones de se- guridad afectan las opciones disponibles en la movilidad de las personas. Por lo cual el contexto de la seguridad en las rutas que las personas toman es un dato interesante que se puede agregar a la plataforma. Al sobreponer mas datos en forma de capas sobre el mapa permite llegar a nuevas conclusiones basadas en el nuevo contexto.
dad humana es con el desarrollo de una tecnología que pueda capturar la percepción de seguridad propia de las personas en relación con su posición geográfica. Estos da- tos se pueden usar posteriormente para generar un mapa de calor con respecto a la seguridad de la zona urbana desfavorecida que se puede sobreponer en el mapa.
Durante el periodo de la investigación de este tema de tesis en colaboración con el M.C. Miguel Ylizaliturri se trabajó en un artículo que fue aceptado en la conferencia MexHIC 2018. Este artículo describe el proceso de diseño para el dispositivo llama- do Security Bubble Bracelet que podemos ver en la figura 34; un dispositivo de bajo perfil que permitiría dar un sentido de seguridad para niños que viven en estas áreas urbanas desfavorecidas. Este dispositivo permitirá que se reporte de una manera sen- cilla la inseguridad sin necesariamente llamar la atención hacia ellos mismos. A veces existen situaciones que pueden causar que la auto percepción de la persona sobre su seguridad baje pero a la vez no permita reportarlo en el momento.
Uno de estos escenarios es cuando uno observa malandros en la calle. Es imposible pedirle a participantes de un estudio que sacaran un dispositivo para poder reportar en el momento una baja en su percepción de seguridad, puesto que esto los podría convertir en posibles víctimas. Para el artículo se construyó un prototipo, proponemos que con este prototipo se podría llevar a cabo campañas de sensado donde se buscaría capturar los datos de la percepción de la seguridad de las personas.
(a)
Figura 34.Prototipo de alta fidelidad para el brazalete de seguridad
Con el prototipo que se desarrolló para el articulo de Security Bubble Bracelet se podría llevar a cabo una campaña de sensado centrado en las personas. En la figura 34 mostramos el brazalete que se desarrolló para la el articulo, este prototipo cuenta con dos botones escondidos. Proponemos que estos datos sean recolectados por medio de geo-etiquetado.
(a)
Figura 35.Computadora para la recolección de los datos
Los participantes pueden usar el botón grande para reportar una área que les cau- sa una inseguridad inmediata mas no permanente. Esto por ejemplo podría ser que estuvieran personas cerca intentando entrar a robar en una propiedad ajena, cuando presencien un asalto o vean algo peligroso. Estos puntos tendrían un tiempo de expi- ración. Mientras el otro botón puede indicar una área permanentemente insegura. De este modo podemos generar los mapas de calor.
En la figura 36 podemos visualizar como se podría ver el mapa al momento de aplicar una capa de seguridad. En la parte superior ponemos por ejemplo el uso de puntos inseguros temporales y en la parte inferior en la derecha proponemos como se podría ver el uso de puntos de inseguridad mas permanentes.
(a)
Figura 36.Simulacion de capa de seguridad
7.3.2. Escenario dos
Un segundo escenario de investigación que proponemos es donde se puede crear un servicio de generación de rutas en base a la seguridad. La inspiración la tomamos de una aplicación que se creó como parte del proyecto de SMARTSDK que genera rutas para las personas con base en su perfil médico.
Este proyecto se llama GreenRoute. La aplicación toma los perfiles médicos auto reportados de las personas y con base en los datos obtenidos de sensores ubicados en la ciudad de México toman datos sobre la contaminación del aire y la cantidad de polen. Usando estos datos el servicio genera una ruta que toma en cuenta la salud del usuario.
Usando este servicio nosotros proponemos la creación de un servicio similar que pueda tomar los datos de las rutas que tomaron las personas y sugerir esas rutas como rutas alternas a usuarios nuevos.
Cuando una persona llega a un lugar nuevo tiende a usar servicios como Google Maps para consultar el camino a su destino. Estos servicios no hacen uso del conoci- miento intrínseco que tienen las personas sobre las zonas urbanas en las que viven y es imposible actualmente transmitir estos datos de las personas que viven en estas zonas urbanas desfavorecidas a las personas que son nuevas en el área.
7.4. Resumen y conclusiones
En este capítulo se presentaron estadísticas generadas en base a los datos obte- nidos de la campaña de sensado. Se presentaron dos casos encontrados en las tra- yectorias obtenidas durante la primera semana del estudio de dos participantes y se presentaron dos escenarios de por donde se podría continuar la investigación que ha sido empezada con esta tesis.
Capítulo 8.
Conclusiones
En este capitulo se presentan las conclusiones obtenidas por el desarrollo de este trabajo de investigación. Se presentan las limitaciones que se tuvieron y las contribu- ciones. Finalmente se discute el trabajo futuro que se podría abordar basándonos en esta investigación.
8.1. Limitaciones
Algunas de las limitaciones de este estudio se mencionan a continuación:
Datos cualitativos - Una de las limitaciones para este estudio fue que no se con- siguieron datos cualitativos, sobre las rutas recorridas por los participantes. Esto nos limita a que únicamente podemos especular de las razones por las cuales los participantes tomaron las divergencias.
Cantidad de participantes - La baja cantidad de participantes que se tuvieron con- sideramos es una limitante de este estudio. Una mayor cantidad de participantes resultaría en mejores inferencias sobre las rutas.
Área estudiada - El área donde se llevo a cabo el estudio es una área muy grande. Con la baja cantidad de participantes resulta que hay datos muy dispersos y es improbable tener múltiples participantes que recorran la misma ruta.
8.2. Dificultades
Para el desarrollo de este trabajo de investigación se encontraron algunas dificulta- des. A continuación describimos las dificultades que se tuvieron.
Tiempo - El limitante principal para el desarrollo de este trabajo de tesis fue la cantidad de tiempo establecida para un trabajo de maestría. Hay muchas mejoras que se pueden hacer ambas en la plataforma y en la aplicación para Android.
Distancia al campo de pruebas - Se eligió a la colonia Camino Verde como lugar para llevar a cabo la recolección de los datos. Camino Verde está localizada en la ciudad de Tijuana, puesto que el equipo de investigación está localizado en Ensenada, se volvió difícil el hacer pruebas de campo ya con la población del experimento.
Equipo de rastreo - Dentro del equipo de rastreo existieron varias limitaciones particularmente con relación a la duración viable de recolección de datos con una carga. Pero también por la limitante de la calidad de los datos de GPS.
8.3. Contribuciones
El desarrollo de este trabajo de tesis tuvo las siguientes contribuciones al conoci- miento.
1. Metodología para captura de datos en zonas urbanas desfavorecidas - La primera aportación de este proyecto es una base de conocimiento que es compuesta por la metodología que se uso para la captura de datos en la colonia Camino Verde. Esta se puede usar para realizar futuros estudios que utilicen sensado participativo en zonas urbanas desfavorecidas.
2. Sistemas - Los sistemas que fueron desarrollados para la captura y visualización de los datos que explicamos en los capítulos 4 y 5. Como se mencionó en la sec- ción 8.1 hubo ciertas limitaciones en el desarrollo de las plataformas. Sin embar- go consideramos que los sistemas son una buena aportación y permite continuar desarrollando las plataformas.
3. Datos - En total se colectó la movilidad de 14 participantes durante un periodo de treinta días. Estos datos en conjunto con los datos capturados en la prueba piloto son aportados para la realización de estudios futuros.
8.4. Trabajo futuro
Dentro de la sección 7.3 describimos algunos escenarios donde la tecnología desa- rrollada podría ser usada para futuros proyectos. Aparte de los escenarios propuestos consideramos que se puede llevar mayor desarrollo en la plataforma de tal manera que facilite la contextualización de los datos.
A pesar de que la funcionalidad básica está en la plataforma, hay muchas mejo- ras que se podrían hacer. Principalmente si se desea realizar este estudio con una población mas grande, se requiere rediseñar la aplicación GetLock descrita en el ca- pitulo 4. En necesario desarrollar una aplicación con mejor uso de batería e incluso consideramos que la aplicación se puede rediseñar para usar el mismo dispositivo del participante sin la necesidad de proveer un dispositivo.
8.5. Resumen
Para esta investigación se realizó un estudio contextual, una aplicación para An- droid, un sistema web compuesto de dos aplicaciones, una prueba piloto y un estudio en la colonia Camino Verde de la ciudad Tijuana en Baja California, México.
Para el estudio contextual, se obtuvo información cualitativa por medio de entrevis- tas a dos residentes de la colonia Camino Verde. La información cualitativa obtenida mostró de qué manera la falta de acceso a servicios públicos y trabajo afecta el bien- estar subjetivo de las personas. El entender las opciones que tienen las personas en su movilidad urbana afecta el bienestar de las mismas personas funcionó como moti- vación para el desarrollo del proyecto.
Con esta motivación se desarrolló una aplicación Android que se pudiera usar para llevar a cabo una campaña de sensado. Los datos que captura la aplicación son datos de la ubicación del dispositivo, lo cual permite el rastreo de movilidad urbana.
Aparte de la aplicación de Android GetLock se desarrolló un sistema web que permi- te la recolección de los datos de movilidad de participantes en la campaña de sensado y la visualización de los mismos datos. El sistema web RaMoS también permite la com- paración de las rutas esperadas entre los puntos de interés de los participantes y las
rutas reales recorridas.
Con todas estas aplicaciones se estableció una base de conocimiento con la cual se realizaron dos campañas de estudio. Una como prueba piloto para calificar la funcio- nalidad del sistema. Con los conocimientos encontrados en la prueba piloto se hicieron mejoras en ambas aplicaciones y con las aplicaciones mejoradas se realizó una com- paña de sensado.
Finalmente con los datos obtenidos de la campaña de sensado se llevó a cabo el análisis sobre los datos de movilidad de dos participantes de la campaña donde se mostró que existen diferencias en la movilidad esperada y la movilidad real de las personas que viven en estos entornos urbanos desfavorecidos.
8.6. Conclusiones
En este trabajo de tesis se encontraron instancias en las que la movilidad urbana de dos de las personas que participaron en este estudio difería de la movilidad espe-