Previsão de atividades humanas para dispositivos móveis utilizando mineração de padrões sequenciais

• Autor(a) principal: Gonçalves, Klinsman Maia
• Data de Publicação: 2019
• Outros Autores: http://lattes.cnpq.br/4747064967767262
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFAM
• Texto Completo: https://tede.ufam.edu.br/handle/tede/7122
• topic: Previsão de atividades; Previsão de sequência; Mineração de padrões sequenciais; Reconhecimento de padrões; Sensores do smartphone; Activity prediction; Sequence prediction; Sequential pattern mining; Pattern recognition; Smartphone sensors; CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO

Os smartphones estão transformando a forma como os seres humanos vivem e como se relacionam com as outras pessoas. A medida que o número de sensores embarcados nesses dispositivos aumenta, a quantidade de dados possíveis de serem reconhecidos cresce, tornando esses dispositivos candidatos naturais para monitorar as atividades humanas. Diante disso, há um interesse crescente no desenvolvimento de sistemas inteligentes que utilizam essas informações para reconhecer o comportamento humano, como assistentes virtuais. Uma das formas de observar o comportamento humano é por meio da análise da rotina dos usuários. Na computação, tal identificação pode ser tratada utilizando métodos de mineração de padrões sequenciais (Sequential Pattern Mining - SPM). As atividades realizadas pelo ser humano podem ser modeladas em uma sequência simbólica e a partir desta um algoritmo de SPM pode ser utilizado para identificação destes padrões, e com base nestes, identificar qual atividade ocorrerá no futuro. Entretanto, tais tipos de dados ainda são poucos explorados para previsão de eventos futuros. Neste contexto, este trabalho propõe um método para previsão de atividades humanas reconhecidas por meio de dispositivos móveis baseado em mineração de padrões sequenciais. Além disto, para aprimorar a acurácia do método de previsão são utilizados dados de contexto. A utilização destes dados têm sido cada vez mais explorada em sistemas inteligentes com resultados promissores. O método desenvolvido é avaliado utilizando duas bases de dados, alcançando acurácia de até 84,40%. Além disso, os resultados apontam que a utilização de contexto no cenário avaliado aumenta a acurácia do método em até 17,97%.