OSSERVATORIO TURISMO PISA

Transcript

1 1 OSSERVATORIO TURISMO PISA Osservatorio Turistico di Destinazione KDD Lab, ISTI CNR, Pisa Comune di Pisa

2 Turismo nelle città d arte 2 I flussi in arrivo consumano le risorse della città: La mobilità: traffico, parcheggi Le risorse naturali: acqua, aria I servizi: trasporto urbano, raccolta rifiuti Turismo sostenibile: pianificazione e gestione dei flussi esterni in modo da preservare le risorse locali

3 Turismo e non solo 3 I flussi dei pendolari si sommano a quelli dei turisti Arrivano entrambi attraverso gli stessi canali? Agli stessi orari? Usano gli stessi mezzi del servizio pubblico? La mobilità di una città dipende anche dalle città limitrofe

4 Il progetto Osservatorio Flussi Turistici 4 Contributo per la creazione di un OTD (Osservatorio Turistico di Destinazione) Progetto regionale PIUSS In collaborazione con il Comune di Pisa Obiettivo Metodi innovativi per l estrazione di conoscenza da sorgenti eterogenee di dati di mobilità e presenza turistica

5 Sorgenti dati disponibili 5 Presenze: Hotel, Voli, Autonoleggio, Autobus, Park Mobilità: GSM, Flickr

6 Descrizione dei dati GSM 6 Handover Numero di utenti/cellulari che transitano da una cella ad un altra in un intervallo di tempo. Dati di chiamata (CDR) Dati delle telefonate degli utenti. Potenzialità: vasta copertura della popolazione e dell area spaziale, dati aggiornati Limitazioni: i dati non sono relativi solo ai turisti, granularita temporale e spaziale ampia

7 Dati Flickr* 7 Localizzazione: città di Pisa. Campione di dati sulla finestra temporale Utenti 1366: n 65% con più di una fotografia; n 35% con unica fotografia; Fotografie: Potenzialità: tutti i dati sono relativi turisti, dettaglio dei luoghi visitati, stima del tempo permanenza, e ricostruzione dei percorsi effettuato, dati anagrafici persona, relazione amicizia tra utenti. Limitazioni: Se ci sono poche fotografie, non è possibile ricostruire il percorso e stimare in modo verosimile il tempo permanenza. Possono esserci gap temporali nelle foto che non coprono reali attività del turista. *Flickr è un applicazione di gestione e condivisione di fotografie on line.

8 Dati aeroporto 8 Nr. di passeggeri arrivati e partiti da Pisa nei mesi Lug-Nov- Dic 21, divisi per paese di origine/destinazione del volo. Potenzialità: stima esatta del numero dei passeggeri e disponibilità dei dati su base giornaliera. Limitazioni: Non è possibile risalire alla nazionalità dei viaggiatori.

9 Dati autonoleggio 9 n Provider (compagnie di noleggio presso l aeroporto di Pisa): Hertz; Budget; Autoeuropa; Maggiore; Periodo estivo Periodo Invernale Tipologia noleggio Italiani Stranieri Italiani Stranieri Pisa su Pisa Pisa -> Altro Altro -> Pisa

10 Dati Hotel del comune di Pisa 1 Potenzialità: stima esatta delle persone accolte dalla struttura. Limitazioni: dato fortemente aggregato, Non è possibile identificare l hotel

11 Osservatorio: 1 Pillars Impatto dei trasporti 2. Qualità della vita dei residenti 3. Qualità del lavoro 4. Allargamento del rapporto domanda/offerta rispetto all obiettivo della destagionalizzazione 5. Tutela attiva del Patrimonio Culturale 6. Tutela attiva del Patrimonio Ambientale 7. Tutela attiva delle Identità delle destinazioni 8. Diminuzione e ottimizzazione utilizzo delle risorse naturali con particolare riferimento all Acqua 9. Diminuzione e ottimizzazione consumi di Energia 1. Diminuzione e gestione dei Rifiuti

12 Come Integrare i Pillars? 12 Tourist Knowledge Infrastructure (TKI) Integrazione dei dati Indicatori recepiti in tempo reale Indicatori recepiti periodicamente TKI Validazione Servizio al cittadino Cruscotto

13 TKI: ildata warehouse 13 Misure Pillars identificati da UPI Nuovi indicatori specifici per la realtà pisana Dimensioni Temporale Spaziale Compliant con gli standard Open Data RESTful interface per i produttori di dati RESTful interface per chi consulta i dati

14 Data Provider API: example 14 setpullmanturistici(pullman) POST Request = "pullmanturisticiparams") public class PullmanTuristiciParams = "comune") public String = "time") public long = "numerobus ) public int = "numerovoucher ) } public int numerovoucher; Response = "result") public class Result = "message") public String message; }

15 Querying Interface API: example 15 getmeasure(request) GET Request long:inizio dell intervallo di long:fine dell intervallo di String: nome del String: nome della misura.

16 Interfaccia di Back End 16 Il personale tecnico puo accedere direttamente alle funzionalita della struttura per navigare i dati e construire applicazioni

17 Interfaccia di Front End 17 L unte puo accedere direttamente ai r i s u l t a t i t r a m i t e interfaccia Per ogni indicatore sono accessibili anche i metadati: fornitore del dato, descrizione, ecc.

18 Caso di studio: indicatori presenze alberghiere 18 Maggioranza di presenze italiane, specialmente nei periodi autunnali/invernali

19 Caso di studio: indicatori arrivi alberghieri 19 Gli arrivi incrementano maggiormente durante il periodo estivo: La variazione di arrivi di stranieri è circa il doppio di quelli italiani Massimi arrivi localizzati a giugno

20 Caso di studio: indicatori presenza 2 media negli alberghi Durante la stagione estiva (mese di Agosto) emerge una permanenza più lunga di italiani. Le permanenze straniere rimangono invariate.

21 Analisi effettuate 21 Distribuzione periodi di permanenza Indentificazione dei turisti Indentificazione dei POI Presenza dei turisti presso i POI Distribuzione temporale dei turisti Identificazione di eventi Profilazione dei pendolari Ranking delle aree più visitate Distribuzioni statistiche delle chiamate per utente Selezione delle zone residenziali/lavorative. Selezione di analisi più significative Analisi esplorativa di presenza presso uno specifico POI (GSM) Analisi dei percorsi effettuati (Flickr) Analisi automatica di profili di utente (GSM)

22 Analisi di densità di presenza 22 Uso della densità di chiamate per identificare zone molto frequentate Analisi specifica dei chiamanti nell area Provenienza Destinazione Profilo temporale Periodo di riferimento: Ottobre 211

23 Densità di chiamate per cella 23

24 Focus su una singola cella 24

25 Cella Ponte di Mezzo: Presenze GSM 25 Chiamate per ora - Cella PI2G

26 Cella Ponte di Mezzo: Presenze GSM 26 Chiamate medie per ora - PI2G

27 Origine dei visitatori di Ponte di Mezzo 27

28 Destinazione dei visitatori di Ponte di 28 Mezzo

29 Studio degli Itinerari 29 Localizzazione: città di Pisa. Campione di dati sulla finestra temporale Utenti 1366 Fotografie:

30 Esempio analisi dati di Flickr 3 DOVE: Partenza dal luogo in cui è stata scattata la prima fotografia. Percorsi di visita: Sequenza ordinata temporalmente delle posizioni delle fotografie scattate.

31 Percorso consigliato dalla guida 31!

32 Distribuzione delle foto lungo i percorsi 32 Percorso giallo Percorso viola!!

33 Distribuzione delle foto lungo i percorsi (visitatori 1-24 ore) 33 Percorso giallo Percorso viola!!

34 Visite veloci 34 Distribuzione delle visite per chi sta meno di un ora!

35 Profili utenti da GSM 35 Estrazione automatica di profili di visitatori Residenti Pendolari Visitatori/Touristi Aggiornamento automatico degli indicatori GSM Definizione di un modello di collaborazione con l operatore telefonico Nessuna informazione sensibile trasferita Aggregazione effettuata online dall operatore

36 Identificare i profili dai dati GSM 36 Idea: analizzare le abitudini di chiamata per stabilire dei profili Abitudini di chiamata simili corrispondono allo stesso profilo Ad esempio: chi chiama solo nei giorni e orari lavorativi e probabilmente un pendolare Chi chiama indistintamente ad ogni giorno/orario e probabilmente un residente

37 Aggregazione di un Profilo 37 L operatore telefonico calcola e invia un aggregato per ogni individuo Aspetti di privacy possono essere trattati sulla base di questo profilo Definizione di un modello di business per l operatore mobile February 212 Mo Tu We Th Fr Sa Su : - 7:59 8: - 18:59 19: - 23: Pontedera Cascina Pisa

38 Analisi di profili simili 38 Nr. Of elements in the profile Week Time slots :-7:59 8:-18:59 19:-23:59 User s profile

39 Analisi di profili simili 39 Profilo residenti Profili pendolari Profili visitatori Alcuni profili interessanti non previsti - Visitatori occasionali; - Visitatori notturni.

40 Eventi eccezionali 4

41 41 Conclusioni Un lavoro ampio che integra indicatori standard con indicatori specifici e innovativi (Dati GSM, FLickr) Il funzionamento a regime prevede un feeding automatico dei dati che vanno A costruire gli indicatori per averne una visione in tempo reale. Interfaccia a cruscotto permette di avere una visione globale e immediata

42 KDDlab ISTI - riferimenti 42 Chiara Renso: chiara.renso@isti.cnr.it tel Barbara Furletti barbara.furletti@isti.cnr.it Salvatore Rinzivillo salvatore.rinzivillo@isti.cnr.it Fosca Giannotti fosca.giannotti@isti.cnr.it