Na era da tecnologia de dados, o impacto da Internet das Coisas (IoT) tem transformado os ambientes urbanos, culturais e organizacionais. No contexto das cidades inteligentes, a análise do comportamento dos usuários por meio de dados gerados por sensores é um campo emergente, essencial para a melhoria da qualidade de vida e para a gestão eficiente de espaços públicos e privados. Um dos maiores desafios nesse cenário é a predição das trajetórias dos visitantes em ambientes culturais, como museus, utilizando a IoT e algoritmos de aprendizado de máquina.

Este estudo, conduzido por Piccialli et al. (2020), desenvolveu um sistema IoT para coletar dados sobre os movimentos de visitantes no Museu Arqueológico Nacional de Nápoles (MANN), com o objetivo de prever suas trajetórias. Utilizando algoritmos de aprendizado baseados em Cadeias de Markov e Caminhada Aleatória, o estudo fornece informações valiosas para a gestão do museu e para melhorar a experiência dos visitantes. O sistema IoT implementado no MANN contou com 16 sensores Bluetooth estrategicamente posicionados em diferentes áreas do museu, distribuídos em quatro andares. Esses sensores capturavam dados sobre a presença de dispositivos móveis próximos, gerando informações como endereços MAC e carimbos de tempo, permitindo mapear os trajetos dos visitantes. A coleta de dados ocorreu de agosto a outubro de 2018, resultando em um banco de dados com cerca de 10.000 trajetos.

Após a coleta, os dados foram processados para remover inconsistências e preparar o conjunto de dados para análise. A partir disso, a pesquisa se concentrou em duas abordagens: a Caminhada Aleatória e as Cadeias de Markov, modelos probabilísticos amplamente utilizados para analisar a sequência de movimentos em sistemas dinâmicos. A Caminhada Aleatória foi utilizada como modelo básico, no qual os próximos passos dos visitantes eram considerados aleatórios com base em uma distribuição binomial. Contudo, para melhorar a precisão das previsões, as Cadeias de Markov foram empregadas, permitindo prever o próximo local de um visitante com base em sua localização atual. No modelo de Cadeias de Markov, cada sala ou área de interesse do museu foi representada por um nó, e as transições entre esses nós foram determinadas por uma Matriz de Transição, construída a partir das frequências observadas de deslocamento dos visitantes de uma sala para outra.

A análise dos trajetos revelou padrões intrigantes. A maioria dos visitantes percorreu trajetos curtos, sendo os de três etapas os mais frequentes, representando 30% do total. Esse comportamento foi associado a visitantes que se concentraram em exposições específicas, principalmente no hall principal do museu, um ponto de passagem obrigatório entre os diferentes andares. Os resultados do modelo de Cadeias de Markov mostraram que certos nós, como o hall principal (nó I) e áreas com obras de destaque, como a escultura Farnese (nó N), eram visitados com maior frequência. A análise preditiva indicou que visitantes que passavam pelo nó I tinham uma alta probabilidade de se deslocar para os nós R, N e Q, confirmando a importância dessas áreas no fluxo de visitas.

Além disso, foi observado que visitantes com permanência mais longa no museu tendiam a explorar mais salas, mas ainda assim focavam em áreas específicas. Isso sugere que, mesmo durante visitas prolongadas, muitos visitantes preferiam se concentrar em exposições específicas ao invés de explorar todo o museu. Os resultados desta pesquisa têm implicações práticas  para a gestão de espaços culturais. A capacidade de prever o comportamento dos visitantes pode ajudar os gestores a organizar melhor as exposições, planejar o fluxo de visitantes e alocar recursos de forma mais eficiente. Além disso, a análise de trajetos pode auxiliar nas decisões sobre a disposição de futuras exposições e intervenções arquitetônicas para melhorar a acessibilidade e o conforto dos visitantes. O uso de tecnologias IoT em ambientes culturais, como o MANN, representa uma tendência crescente na gestão de espaços inteligentes. A combinação de sensores, algoritmos de aprendizado de máquina e análise de dados comportamentais oferece novas oportunidades para transformar museus e outras instituições culturais em espaços interativos e otimizados.

Este estudo de Piccialli et al. é um exemplo inovador de como a tecnologia IoT e a análise de dados podem ser aplicadas no campo do patrimônio cultural. A capacidade de prever os caminhos dos visitantes dentro de um museu não só melhora a experiência dos usuários, como também fornece insights valiosos para a gestão dos espaços culturais. Futuras pesquisas podem explorar o uso de técnicas de aprendizado profundo para aumentar a precisão das previsões e desenvolver serviços em tempo real para gerenciar a ocupação de espaços complexos.

Referências

PICCIALI, Francesco et al. Path prediction in IoT systems through Markov Chain algorithm. Future Generation Computer Systems, v. 109, p. 210-217, 2020. DOI: 10.1016/j.future.2020.03.053.