Localização de equipamentos de apoio logístico através de Machine Learning com suporte IoT e tecnologias de cloud
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10451/53659 |
Resumo: | Trabalho de Projeto de Mestrado, Engenharia Informática (Arquitetura, Sistemas e Redes de Computadores), 2021, Universidade de Lisboa, Faculdade de Ciências |
id |
RCAP_66949b64c388886df3d8f0eef9bc42e2 |
---|---|
oai_identifier_str |
oai:repositorio.ul.pt:10451/53659 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Localização de equipamentos de apoio logístico através de Machine Learning com suporte IoT e tecnologias de cloudLocalização interiorAprendizagem de MáquinaWi-FiKafkaTeses de mestrado - 2021Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaTrabalho de Projeto de Mestrado, Engenharia Informática (Arquitetura, Sistemas e Redes de Computadores), 2021, Universidade de Lisboa, Faculdade de CiênciasOs sistemas de localização exterior baseados em sinais de rádio frequência têm merecido grande atenção da comunidade científica e industrial, tendo adquirido uma maturidade muito grande. Já os sistemas de localização em interiores, usando sinais de rádio frequência, apesar dos inúmeros trabalhos científicos que têm vindo a ser desenvolvidos, ainda não atingiram o mesmo nível de maturidade, sendo necessária a realização de mais estudos. Nos últimos anos, a comunidade científica tem explorado o problema da localização em espaços interiores recorrendo ao uso de aprendizagem de máquina. Os modelos de aprendizagem de máquina têm recebido bastante atenção no que diz respeito à previsão de variáveis espaciais. Contudo, uma das desvantagens destes métodos é o custo associado a obter a melhor configuração de pré-processamento de dados, seleção do modelo e a sua parametrização. Neste projeto será apresentada uma solução de localização interior baseada em sinais de radio frequência e modelos de aprendizagem de máquina. A área de interesse é um armazém da DHL Express, localizado no aeroporto de Lisboa. A metodologia desenvolvida foi constituída, numa primeira fase, pela definição das variáveis de ambiente, posteriormente pela recolha das mesmas e numa fase final pela construção de uma rede neuronal (Percetrão Multicamada). A partir dos resultados obtidos, a rede foi sujeita a um ajuste dos hiperparâmetros e avaliação de alternativas que pudessem maximizar a sua capacidade de previsão espacial, nomeadamente técnicas de clustering. Utilizou-se um servidor na nuvem para a recolha dos dados e implementação de um cluster Kafka que serve como um registo de eventos distribuído. Kafka é um sistema que segue o modelo produtor consumidor, onde produtores usam tópicos para enviar mensagens para o Kafka e os consumidores consomem dados desses tópicos. Para efeitos de cálculo da eficácia do funcionamento do algoritmo, usou-se como métrica o erro médio absoluto entre os valores reais medidos e os valores estimados para cada localização real de acordo com os resultados que serão apresentados.Outdoor location systems based on radio frequency signals have deserved great attention from the scientific and industrial community, having acquired great maturity. On the other hand, despite the numerous scientific works that have been developed, indoor location systems using radio frequency signals have not yet reached the same level of maturity, requiring further studies to be carried out. In recent years, the scientific community has explored the problem of indoor location using Machine Learning. Machine Learning models have received a lot of attention concerning predicting spatial variables. However, one of the disadvantages of these methods is the cost of obtaining the best data pre-processing configuration, model selection, and parameterization. This thesis will present an indoor location solution based on radio frequency signals and Machine Learning models. The area of interest is the DHL Express warehouse located at Lisbon airport. The developed methodology was constituted, in the first phase, by the definition of the environment variables, later by their collection and, in a final step, by the construction of a neural network (Multi-Layer Perceptron). From the results obtained, the network was subjected to an adjustment of the hyperparameters and evaluation of alternatives that could maximize its spatial prediction capacity, namely clustering techniques. A cloud server was used to collect data and implement a Kafka cluster, which serves as a distributed event log. Kafka is a system that follows the publish-subscribe model, where producers use topics to send messages to Kafka, and users may consume data from these topics. The mean absolute error between the actual measured values and the estimated values for each real location was used to quantify the solution's performance.Cecílio, José Manuel da SilvaCosta, António Casimiro Ferreira daRepositório da Universidade de LisboaOliveira, Humberto Carlos Moreira Simões de2022-07-05T17:32:45Z202120212021-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10451/53659TID:202994937porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-11-08T16:59:41Zoai:repositorio.ul.pt:10451/53659Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T22:04:36.905964Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Localização de equipamentos de apoio logístico através de Machine Learning com suporte IoT e tecnologias de cloud |
title |
Localização de equipamentos de apoio logístico através de Machine Learning com suporte IoT e tecnologias de cloud |
spellingShingle |
Localização de equipamentos de apoio logístico através de Machine Learning com suporte IoT e tecnologias de cloud Oliveira, Humberto Carlos Moreira Simões de Localização interior Aprendizagem de Máquina Wi-Fi Kafka Teses de mestrado - 2021 Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
title_short |
Localização de equipamentos de apoio logístico através de Machine Learning com suporte IoT e tecnologias de cloud |
title_full |
Localização de equipamentos de apoio logístico através de Machine Learning com suporte IoT e tecnologias de cloud |
title_fullStr |
Localização de equipamentos de apoio logístico através de Machine Learning com suporte IoT e tecnologias de cloud |
title_full_unstemmed |
Localização de equipamentos de apoio logístico através de Machine Learning com suporte IoT e tecnologias de cloud |
title_sort |
Localização de equipamentos de apoio logístico através de Machine Learning com suporte IoT e tecnologias de cloud |
author |
Oliveira, Humberto Carlos Moreira Simões de |
author_facet |
Oliveira, Humberto Carlos Moreira Simões de |
author_role |
author |
dc.contributor.none.fl_str_mv |
Cecílio, José Manuel da Silva Costa, António Casimiro Ferreira da Repositório da Universidade de Lisboa |
dc.contributor.author.fl_str_mv |
Oliveira, Humberto Carlos Moreira Simões de |
dc.subject.por.fl_str_mv |
Localização interior Aprendizagem de Máquina Wi-Fi Kafka Teses de mestrado - 2021 Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
topic |
Localização interior Aprendizagem de Máquina Wi-Fi Kafka Teses de mestrado - 2021 Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
description |
Trabalho de Projeto de Mestrado, Engenharia Informática (Arquitetura, Sistemas e Redes de Computadores), 2021, Universidade de Lisboa, Faculdade de Ciências |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021 2021 2021-01-01T00:00:00Z 2022-07-05T17:32:45Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10451/53659 TID:202994937 |
url |
http://hdl.handle.net/10451/53659 |
identifier_str_mv |
TID:202994937 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799134597823332352 |