Previsão de atividades humanas para dispositivos móveis utilizando mineração de padrões sequenciais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Outros Autores: | |
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 |
Resumo: | 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%. |
id |
UFAM_3ef6be5218f349ba090d04a236a77a74 |
---|---|
oai_identifier_str |
oai:https://tede.ufam.edu.br/handle/:tede/7122 |
network_acronym_str |
UFAM |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFAM |
repository_id_str |
6592 |
spelling |
Previsão de atividades humanas para dispositivos móveis utilizando mineração de padrões sequenciaisPrediction of human activities for mobile devices using sequential pattern miningPrevisão de atividadesPrevisão de sequênciaMineração de padrões sequenciaisReconhecimento de padrõesSensores do smartphoneActivity predictionSequence predictionSequential pattern miningPattern recognitionSmartphone sensorsCIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃOOs 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%.Smartphones have transformed the way people live and how they relate to others. As the number of sensors embedded in these devices increases, the amount of data that can be recognized grows, which makes these devices natural candidates for monitoring human activities. Therefore, there is a growing interest in the development of intelligent systems, such as virtual assistants, which use this information to recognize human behavior. One way to observe human behavior is by analyzing the routine of smartphone users. In computing, such identification can be done by using sequential pattern mining (SPM) techniques. The activities performed by the human being can be modeled in a symbolic sequence. From this sequence, SPM algorithms can be used to identify these patterns and, based on these, to identify which activity will occur in the future. However, such data are still little explored to predict future events. In this context, this work proposes a method for forecasting human activities recognized through mobile devices, based on sequential pattern mining. In addition, to improve the accuracy of the forecasting method, context data are used. These data have been increasingly explored and used in the field of intelligent systems and have shown promising results. The developed method is evaluated using two databases, reaching an accuracy of up to 84.40%. In addition, the results indicate that the use of context data in the scenario evaluated increases the accuracy of the method by up to 17.97%.FAPEAM - Fundação de Amparo à Pesquisa do Estado do AmazonasUniversidade Federal do AmazonasInstituto de ComputaçãoBrasilUFAMPrograma de Pós-graduação em InformáticaSouto, Eduardo James Pereirahttp://lattes.cnpq.br/3875301617975895Martins, Gilbert Breveshttp://lattes.cnpq.br/4932200790121123Cristo, Marco Antônio Pinheiro dehttp://lattes.cnpq.br/6261175351521953Gonçalves, Klinsman Maiahttp://lattes.cnpq.br/47470649677672622019-05-03T14:59:09Z2019-04-12info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfGONÇALVES, Klinsman Maia. Previsão de atividades humanas para dispositivos móveis utilizando mineração de padrões sequenciais. 2019. 138 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus, 2019.https://tede.ufam.edu.br/handle/tede/7122porhttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFAMinstname:Universidade Federal do Amazonas (UFAM)instacron:UFAM2019-05-04T05:03:46Zoai:https://tede.ufam.edu.br/handle/:tede/7122Biblioteca Digital de Teses e Dissertaçõeshttp://200.129.163.131:8080/PUBhttp://200.129.163.131:8080/oai/requestddbc@ufam.edu.br||ddbc@ufam.edu.bropendoar:65922019-05-04T05:03:46Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM)false |
dc.title.none.fl_str_mv |
Previsão de atividades humanas para dispositivos móveis utilizando mineração de padrões sequenciais Prediction of human activities for mobile devices using sequential pattern mining |
title |
Previsão de atividades humanas para dispositivos móveis utilizando mineração de padrões sequenciais |
spellingShingle |
Previsão de atividades humanas para dispositivos móveis utilizando mineração de padrões sequenciais Gonçalves, Klinsman Maia 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 |
title_short |
Previsão de atividades humanas para dispositivos móveis utilizando mineração de padrões sequenciais |
title_full |
Previsão de atividades humanas para dispositivos móveis utilizando mineração de padrões sequenciais |
title_fullStr |
Previsão de atividades humanas para dispositivos móveis utilizando mineração de padrões sequenciais |
title_full_unstemmed |
Previsão de atividades humanas para dispositivos móveis utilizando mineração de padrões sequenciais |
title_sort |
Previsão de atividades humanas para dispositivos móveis utilizando mineração de padrões sequenciais |
author |
Gonçalves, Klinsman Maia |
author_facet |
Gonçalves, Klinsman Maia http://lattes.cnpq.br/4747064967767262 |
author_role |
author |
author2 |
http://lattes.cnpq.br/4747064967767262 |
author2_role |
author |
dc.contributor.none.fl_str_mv |
Souto, Eduardo James Pereira http://lattes.cnpq.br/3875301617975895 Martins, Gilbert Breves http://lattes.cnpq.br/4932200790121123 Cristo, Marco Antônio Pinheiro de http://lattes.cnpq.br/6261175351521953 |
dc.contributor.author.fl_str_mv |
Gonçalves, Klinsman Maia http://lattes.cnpq.br/4747064967767262 |
dc.subject.por.fl_str_mv |
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 |
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 |
description |
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%. |
publishDate |
2019 |
dc.date.none.fl_str_mv |
2019-05-03T14:59:09Z 2019-04-12 |
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 |
GONÇALVES, Klinsman Maia. Previsão de atividades humanas para dispositivos móveis utilizando mineração de padrões sequenciais. 2019. 138 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus, 2019. https://tede.ufam.edu.br/handle/tede/7122 |
identifier_str_mv |
GONÇALVES, Klinsman Maia. Previsão de atividades humanas para dispositivos móveis utilizando mineração de padrões sequenciais. 2019. 138 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus, 2019. |
url |
https://tede.ufam.edu.br/handle/tede/7122 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc/4.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc/4.0/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal do Amazonas Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática |
publisher.none.fl_str_mv |
Universidade Federal do Amazonas Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFAM instname:Universidade Federal do Amazonas (UFAM) instacron:UFAM |
instname_str |
Universidade Federal do Amazonas (UFAM) |
instacron_str |
UFAM |
institution |
UFAM |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFAM |
collection |
Biblioteca Digital de Teses e Dissertações da UFAM |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM) |
repository.mail.fl_str_mv |
ddbc@ufam.edu.br||ddbc@ufam.edu.br |
_version_ |
1809732033764655104 |