Update README.md

README.md

@@ -8,24 +8,114 @@ tags:
 - timeseries
 - fuel
 - eletric
+- eved
 size_categories:
 - 10M<n<100M
 ---
 
-# VED - Vehicle Energy Dataset
-Este dataset é uma cópia. O original pode ser obitido diretamente no github dos autores: [https://github.com/gsoh/VED](https://github.com/gsoh/VED).
+# VED & eVED
+Os datasets desse Espaço são uma cópia. O original pode ser obitido diretamente no github dos autores: [https://github.com/gsoh/VED](https://github.com/gsoh/VED).
+Esses datasets são bem conhecidos no contexto veicular, pois contém dados de alta relevância para testes em cenários realistas.
+
+## VED - Vehicle Energy Dataset
+
+O **Vehicle Energy Dataset (VED)** registra **trajetórias GPS de veículos** juntamente com suas **séries temporais de dados** de **combustível, energia, velocidade e uso de potência auxiliar**.  
+Os dados foram coletados por meio de **registradores OBD-II instalados a bordo** dos veículos entre **novembro de 2017 e novembro de 2018**.
+
+A frota monitorada é composta por um total de **383 veículos particulares**, distribuídos da seguinte forma:
+
+- **264 veículos a gasolina**  
+- **92 veículos híbridos (HEV)**  
+- **27 veículos híbridos plug-in ou elétricos (PHEV/EV)**  
+
+Os dados foram coletados na cidade de **Ann Arbor, Michigan, EUA**, abrangendo **diversos cenários de condução**, desde **rodovias** até **áreas urbanas com tráfego intenso**, em **diferentes condições e estações do ano**.  
+No total, o VED acumula aproximadamente **374.000 milhas percorridas**.
+
+### 🧠 Aplicações e Oportunidades de Pesquisa
+
+Diversos exemplos foram apresentados no artigo original para demonstrar como o VED pode ser utilizado em estudos sobre **energia veicular** e **comportamento de condução**.  
+
+As **potenciais aplicações e oportunidades de pesquisa** incluem:
+
+- Modelagem de consumo de energia veicular baseada em dados  
+- Modelagem de comportamento de motoristas  
+- Aplicações de **aprendizado de máquina** e **aprendizado profundo (deep learning)**  
+- Calibração de **simuladores de tráfego**  
+- Modelagem de **escolha de rotas ótimas**  
+- **Previsão de comportamentos de condutores humanos**  
+- **Tomada de decisão de veículos autônomos**
+
+### 📍 Local e Período de Coleta
+
+- **Local:** Ann Arbor, Michigan, EUA  
+- **Período:** Novembro de 2017 a Novembro de 2018  
+- **Distância total acumulada:** ~374.000 milhas  
+
+## eVED - Extend Vehicle Energy Dataset
+
+Este repositório contém a **versão estendida** do [Vehicle Energy Dataset (VED)](https://github.com/gsoh/VED).
+O **Extended Vehicle Energy Dataset (eVED)** é um conjunto de dados em larga escala voltado à análise de consumo de energia veicular.
+Em comparação com sua versão original, o **VED estendido (eVED)** foi aprimorado com coordenadas GPS precisas das viagens dos veículos, servindo 
+como uma base confiável para associar os registros de viagem do VED a informações externas — por exemplo, limites de velocidade das vias e 
+interseções — obtidas de serviços de mapas acessíveis.  
+Essas informações adicionais permitem agregar atributos relevantes e essenciais para a análise detalhada do consumo de energia veicular.
+Em particular, foram calibrados todos os registros de trajetórias GPS do conjunto VED original, a partir dos quais os dados foram associados a
+**novos atributos** extraídos de:
+
+- **Geographic Information System (QGIS)**  
+- **Overpass API**  
+- **OpenStreetMap API**  
+- **Google Maps API**
+
+---
+
+### 📊 Atributos Associados
+
+| Tipo de Atributo | Quantidade de Registros |
+|------------------|--------------------------|
+| Elevação da via | 12.609.170 |
+| Limite de velocidade | 12.203.044 |
+| Limite de velocidade com direção (vias bidirecionais) | 12.281.719 |
+| Interseções | 584.551 |
+| Pontos de ônibus | 429.638 |
+| Faixas de pedestres | 312.196 |
+| Sinais de trânsito | 195.856 |
+| Placas de parada | 29.397 |
+| Loops de conversão | 5.848 |
+| Cruzamentos ferroviários (nível) | 4.053 |
+| Rotatórias | 3.554 |
+| Junções de rodovia | 2.938 |
+
+
+Com coordenadas GPS precisas e atributos de viagem enriquecidos, o conjunto de dados **eVED** oferece uma base **precisa e abrangente** para
+alimentar motores de aprendizado — especialmente **modelos de aprendizado profundo (deep learning)**, que exigem maior volume e diversidade de dados.
+Além disso, o software desenvolvido para extrair e associar as trajetórias de viagem veicular com os atributos mencionados pode ser reutilizado 
+como uma **ferramenta (toolkit)** para gerar novos conjuntos de dados adaptados a casos de uso específicos.  
+Essa flexibilidade permite incluir novos atributos e abrir caminho para **análises aprofundadas sobre o comportamento dos veículos e a dinâmica do tráfego**.
+Espera-se que o **eVED** e o software de enriquecimento de dados possam servir tanto ao **meio acadêmico** quanto ao **setor automotivo industrial**,
+como instrumentos para o **desenvolvimento de tecnologias futuras** relacionadas à mobilidade e eficiência energética.
+
+## Pastas
+* `ved_1`: primeira parte dos dados do VED
+* `ved_2`: segunda parte dos dados do VED
+* `eVED`: dados brutos do eVED
+* `code`: notebooks mostrando como abrir/tratar os dados e outras manipulações
+
+## 📚 Citação
+
+Se utilizar este/estes conjunto(s) de dados, cite o [VED original](https://github.com/gsoh/VED).
 
 ---
 
-VED captures GPS trajectories of vehicles along with their timeseries data of fuel, energy, speed, and auxiliary power usage, and the data was collected through onboard OBD-II loggers from Nov, 2017 to Nov, 2018.
-The fleet consists of total 383 personal cars (264 gasoline vehicles, 92 HEVs, and 27 PHEV/EVs) in Ann Arbor, Michigan, USA. 
-Driving scenarios range from highways to traffic-dense downtown area in various driving conditions and seasons. 
-In total, VED accumulates approximately 374,000 miles. 
+**Licença:** Igual à do conjunto de dados original VED.  
+**Fonte:** [https://github.com/gsoh/VED](https://github.com/gsoh/VED)
+
 
-A number of examples were presented in the paper to demonstrate how VED can be utilized for vehicle energy and behavior studies. Potential research opportunities include data-driven vehicle energy consumption modeling, driver behavior modeling, machine and deep learning, calibration of traffic simulators, optimal route choice modeling, prediction of human driver behaviors, and decision making of self-driving cars.
+## Artigo 
 
-Link to the paper: 
+Link para o artigo dos autores idealizadores do VED e eVED:
 [Vehicle Energy Dataset (VED), A Large-scale Dataset for Vehicle Energy Consumption Research](https://doi.org/10.1109/TITS.2020.3035596)\
 **Geunseob (GS) Oh**, David J. LeBlanc, Huei Peng\
 IEEE Transactions on Intelligent Transportation Systems (T-ITS), 2020.\
-The paper is also available on [Arxiv](https://arxiv.org/pdf/1905.02081.pdf).
+The paper is also available on [Arxiv](https://arxiv.org/pdf/1905.02081.pdf).
+