Localização de equipamentos de apoio logístico através de Machine Learning com suporte IoT e tecnologias de cloud

Detalhes bibliográficos
Autor(a) principal: Oliveira, Humberto Carlos Moreira Simões de
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

Registros relacionados