Modelos de previsão de mobilidade humana usando dados de fontes heterogêneas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2015 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/ESBF-A2FJ4A |
Resumo: | Entender a mobilidade de grandes grupos de pessoas pode ajudar no planejamento urbano, contenção de doenças ou até em planos de contingência de desastres.Dados de telefonia móvel e de aplicativos georreferenciados são fontes valiosas que permitem analisar a mobilidade de grandes grupos. Nesse sentido a literatura possui diversos modelos que visam descrever ou prever os padrões de mobilidade humana em uma determinada região em um período de tempo. A maioria desses modelos foi avaliada utilizando dados de uma única fonte, por exemplo, dados de chamadas de telefonia móvel ou dados de GPS obtidos a partir de aplicações Web georreferenciadas. Portanto, a robustez destes modelos a diferentes tipos de dados e, sobretudo, à combinação de dados de múltiplas fontes (dados heterogêneos), é ainda desconhecida. Neste contexto, esta dissertação propõe dois modelos de previsão mobilidade humana que foram projetados para explorar tanto dados de telefonia móvel quanto dados de aplicativos georreferenciados (isolada e conjuntamente). O primeiro modelo, chamado MobDatU, busca prever a mobilidade de uma pessoa em uma área alvo em uma dada janela de tempo baseado na popularidade de cada região da área alvo e nas probabilidades de transição das pessoas entre regiões distintas. Já o segundo modelo, o MobDatU-Contact, busca prever a mobilidade de uma pessoa considerando, também, a relação de contatos entre as pessoas. Os dois novos modelos foram avaliados e comparados com duas soluções consideradas estado-da-arte, a saber SMOOTH e Leap Graph, em diversos cenários construídos com dados homogêneos e heterogêneos. Os experimentos indicam que o MobDatU atinge resultados melhores ou pelo menos comparáveis ao melhor modelo concorrente em todos os cenários, diferentemente dos modelos alternativos cujo desempenho é bem mais sensível ao tipo de dado utilizado. Mais ainda, o MobDatU-Contact produziu resultados superiores ao do MobDatU em todos os cenários avaliados, mostrando que a localização dos contatos de uma pessoa pode ser útil na previsão. |
id |
UFMG_795904a66874228c37a5ccb8a5edbe76 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/ESBF-A2FJ4A |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Jussara Marques de AlmeidaHumberto Torres Marques NetoHumberto Torres Marques NetoAntonio Alfredo Ferreira LoureiroClodoveu Augusto Davis JuniorEduardo Coelho CerqueiraLucas Maia Silveira2019-08-11T18:04:37Z2019-08-11T18:04:37Z2015-07-29http://hdl.handle.net/1843/ESBF-A2FJ4AEntender a mobilidade de grandes grupos de pessoas pode ajudar no planejamento urbano, contenção de doenças ou até em planos de contingência de desastres.Dados de telefonia móvel e de aplicativos georreferenciados são fontes valiosas que permitem analisar a mobilidade de grandes grupos. Nesse sentido a literatura possui diversos modelos que visam descrever ou prever os padrões de mobilidade humana em uma determinada região em um período de tempo. A maioria desses modelos foi avaliada utilizando dados de uma única fonte, por exemplo, dados de chamadas de telefonia móvel ou dados de GPS obtidos a partir de aplicações Web georreferenciadas. Portanto, a robustez destes modelos a diferentes tipos de dados e, sobretudo, à combinação de dados de múltiplas fontes (dados heterogêneos), é ainda desconhecida. Neste contexto, esta dissertação propõe dois modelos de previsão mobilidade humana que foram projetados para explorar tanto dados de telefonia móvel quanto dados de aplicativos georreferenciados (isolada e conjuntamente). O primeiro modelo, chamado MobDatU, busca prever a mobilidade de uma pessoa em uma área alvo em uma dada janela de tempo baseado na popularidade de cada região da área alvo e nas probabilidades de transição das pessoas entre regiões distintas. Já o segundo modelo, o MobDatU-Contact, busca prever a mobilidade de uma pessoa considerando, também, a relação de contatos entre as pessoas. Os dois novos modelos foram avaliados e comparados com duas soluções consideradas estado-da-arte, a saber SMOOTH e Leap Graph, em diversos cenários construídos com dados homogêneos e heterogêneos. Os experimentos indicam que o MobDatU atinge resultados melhores ou pelo menos comparáveis ao melhor modelo concorrente em todos os cenários, diferentemente dos modelos alternativos cujo desempenho é bem mais sensível ao tipo de dado utilizado. Mais ainda, o MobDatU-Contact produziu resultados superiores ao do MobDatU em todos os cenários avaliados, mostrando que a localização dos contatos de uma pessoa pode ser útil na previsão.Understand the mobility of large groups of people can help in urban planning, containment of diseases or even disaster contingency plans. Mobile data and georeferenced applications are valuable sources for examining the mobility of large groups. In this sense, the literature has several models that seek to describe or predict the patterns of human mobility in a particular region over a period of time. Most of these models were assessed using a single source data, e.g. data of mobile phone calls or GPS data from georeferenced applications. Therefore, the robustness of these models to different data types, and especially the combination of data from multiple sources (heterogeneous data), is still unknown. In this context, this dissertation proposes two models to predict human mobility that were designed to explore both mobile data and georeferenced data applications (in an isolated or combined way). The first model, called MobDatU, seeks to predict the mobility of a person in a target area and in a given time window based on the popularity of each region of the target area and the transition probabilities of people between two different regions. The second model, the MobDatU-Contact, seeks to predict the mobility of a person considering the contact relationship between people. The two new models as wells as two state-of-the-art models, namely SMOOTH and Leap Graph, were evaluated considering various scenarios single data source and multiple data source. The experiments indicate that the MobDatU always produces results that are better than or at least comparable to the best baseline in all scenarios, unlike the previous models whose performance is much more sensitive to the type of data used. Moreover, the MobDatU-Contact has produced better results than the MobDatU in all evaluated scenarios, showing that the location of the contacts of a person can be useful in predict the human mobility.Universidade Federal de Minas GeraisUFMGSistema de comunicação móvelComputaçãoMobilidade humanaAplicativos georreferenciadosTelefonia móvelMobilidade humanaModelos de previsão de mobilidade humana usando dados de fontes heterogêneasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALlucas_maia_silveira.pdfapplication/pdf9755266https://repositorio.ufmg.br/bitstream/1843/ESBF-A2FJ4A/1/lucas_maia_silveira.pdfadb0197869e89654eea8f3a04d8daec1MD51TEXTlucas_maia_silveira.pdf.txtlucas_maia_silveira.pdf.txtExtracted texttext/plain315769https://repositorio.ufmg.br/bitstream/1843/ESBF-A2FJ4A/2/lucas_maia_silveira.pdf.txt2be8f48ea087fd622f536d5ade5ed247MD521843/ESBF-A2FJ4A2019-11-14 09:07:47.875oai:repositorio.ufmg.br:1843/ESBF-A2FJ4ARepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T12:07:47Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Modelos de previsão de mobilidade humana usando dados de fontes heterogêneas |
title |
Modelos de previsão de mobilidade humana usando dados de fontes heterogêneas |
spellingShingle |
Modelos de previsão de mobilidade humana usando dados de fontes heterogêneas Lucas Maia Silveira Aplicativos georreferenciados Telefonia móvel Mobilidade humana Sistema de comunicação móvel Computação Mobilidade humana |
title_short |
Modelos de previsão de mobilidade humana usando dados de fontes heterogêneas |
title_full |
Modelos de previsão de mobilidade humana usando dados de fontes heterogêneas |
title_fullStr |
Modelos de previsão de mobilidade humana usando dados de fontes heterogêneas |
title_full_unstemmed |
Modelos de previsão de mobilidade humana usando dados de fontes heterogêneas |
title_sort |
Modelos de previsão de mobilidade humana usando dados de fontes heterogêneas |
author |
Lucas Maia Silveira |
author_facet |
Lucas Maia Silveira |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Jussara Marques de Almeida |
dc.contributor.advisor-co1.fl_str_mv |
Humberto Torres Marques Neto |
dc.contributor.referee1.fl_str_mv |
Humberto Torres Marques Neto |
dc.contributor.referee2.fl_str_mv |
Antonio Alfredo Ferreira Loureiro |
dc.contributor.referee3.fl_str_mv |
Clodoveu Augusto Davis Junior |
dc.contributor.referee4.fl_str_mv |
Eduardo Coelho Cerqueira |
dc.contributor.author.fl_str_mv |
Lucas Maia Silveira |
contributor_str_mv |
Jussara Marques de Almeida Humberto Torres Marques Neto Humberto Torres Marques Neto Antonio Alfredo Ferreira Loureiro Clodoveu Augusto Davis Junior Eduardo Coelho Cerqueira |
dc.subject.por.fl_str_mv |
Aplicativos georreferenciados Telefonia móvel Mobilidade humana |
topic |
Aplicativos georreferenciados Telefonia móvel Mobilidade humana Sistema de comunicação móvel Computação Mobilidade humana |
dc.subject.other.pt_BR.fl_str_mv |
Sistema de comunicação móvel Computação Mobilidade humana |
description |
Entender a mobilidade de grandes grupos de pessoas pode ajudar no planejamento urbano, contenção de doenças ou até em planos de contingência de desastres.Dados de telefonia móvel e de aplicativos georreferenciados são fontes valiosas que permitem analisar a mobilidade de grandes grupos. Nesse sentido a literatura possui diversos modelos que visam descrever ou prever os padrões de mobilidade humana em uma determinada região em um período de tempo. A maioria desses modelos foi avaliada utilizando dados de uma única fonte, por exemplo, dados de chamadas de telefonia móvel ou dados de GPS obtidos a partir de aplicações Web georreferenciadas. Portanto, a robustez destes modelos a diferentes tipos de dados e, sobretudo, à combinação de dados de múltiplas fontes (dados heterogêneos), é ainda desconhecida. Neste contexto, esta dissertação propõe dois modelos de previsão mobilidade humana que foram projetados para explorar tanto dados de telefonia móvel quanto dados de aplicativos georreferenciados (isolada e conjuntamente). O primeiro modelo, chamado MobDatU, busca prever a mobilidade de uma pessoa em uma área alvo em uma dada janela de tempo baseado na popularidade de cada região da área alvo e nas probabilidades de transição das pessoas entre regiões distintas. Já o segundo modelo, o MobDatU-Contact, busca prever a mobilidade de uma pessoa considerando, também, a relação de contatos entre as pessoas. Os dois novos modelos foram avaliados e comparados com duas soluções consideradas estado-da-arte, a saber SMOOTH e Leap Graph, em diversos cenários construídos com dados homogêneos e heterogêneos. Os experimentos indicam que o MobDatU atinge resultados melhores ou pelo menos comparáveis ao melhor modelo concorrente em todos os cenários, diferentemente dos modelos alternativos cujo desempenho é bem mais sensível ao tipo de dado utilizado. Mais ainda, o MobDatU-Contact produziu resultados superiores ao do MobDatU em todos os cenários avaliados, mostrando que a localização dos contatos de uma pessoa pode ser útil na previsão. |
publishDate |
2015 |
dc.date.issued.fl_str_mv |
2015-07-29 |
dc.date.accessioned.fl_str_mv |
2019-08-11T18:04:37Z |
dc.date.available.fl_str_mv |
2019-08-11T18:04:37Z |
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/1843/ESBF-A2FJ4A |
url |
http://hdl.handle.net/1843/ESBF-A2FJ4A |
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.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/ESBF-A2FJ4A/1/lucas_maia_silveira.pdf https://repositorio.ufmg.br/bitstream/1843/ESBF-A2FJ4A/2/lucas_maia_silveira.pdf.txt |
bitstream.checksum.fl_str_mv |
adb0197869e89654eea8f3a04d8daec1 2be8f48ea087fd622f536d5ade5ed247 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589539062611968 |