Uma abordagem baseada em aprendizado de máquina para estimar trajetórias de equipamentos de IoT em ambientes fechados

Detalhes bibliográficos
Autor(a) principal: Carvalho, Daniel Dantas Rothéia
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da UNIFOR
Texto Completo: https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/580799
Resumo: Atualmente, existem bilhões de dispositivos conectados e a Internet das Coisas (IoT) impulsionou esses números. No caso de redes privadas, algumas centenas de dispositivos conectados podem causar instabilidade e até perda de dados na comunicação. Neste trabalho, é proposta uma modelagem baseada em aprendizado de máquina para resolver a sobrecarga de rede causada pelo monitoramento contínuo das trajetórias de vários dispositivos rastreados em ambientes fechados. A modelagem proposta foi avaliada com mais de cem mil coordenadas de localização de objetos rastreados em três ambientes sintéticos e um ambiente real. Foi demonstrado que é possível resolver o problema de sobrecarga de rede aumentando a latência no envio de dados e prevendo coordenadas intermediárias das trajetórias no lado do servidor com modelos ensemble, como Random Forest, e usando Redes Neurais Artificiais sem perdas relevantes. Além disso, foi demonstrado que é possível estimar pelo menos trinta coordenadas intermediárias das trajetórias de objetos rastreados com o Coeficiente de Determinação (R2) maior que 0,8. Palavras-chave: Mineração de Dados. Internet das Coisas. Aprendizado de máquina.
id UFOR_ab6c846ee2ebb6c90c582270639fccdf
oai_identifier_str oai::580799
network_acronym_str UFOR
network_name_str Biblioteca Digital de Teses e Dissertações da UNIFOR
repository_id_str
spelling Uma abordagem baseada em aprendizado de máquina para estimar trajetórias de equipamentos de IoT em ambientes fechadosInternet das coisasMineração de dadosAtualmente, existem bilhões de dispositivos conectados e a Internet das Coisas (IoT) impulsionou esses números. No caso de redes privadas, algumas centenas de dispositivos conectados podem causar instabilidade e até perda de dados na comunicação. Neste trabalho, é proposta uma modelagem baseada em aprendizado de máquina para resolver a sobrecarga de rede causada pelo monitoramento contínuo das trajetórias de vários dispositivos rastreados em ambientes fechados. A modelagem proposta foi avaliada com mais de cem mil coordenadas de localização de objetos rastreados em três ambientes sintéticos e um ambiente real. Foi demonstrado que é possível resolver o problema de sobrecarga de rede aumentando a latência no envio de dados e prevendo coordenadas intermediárias das trajetórias no lado do servidor com modelos ensemble, como Random Forest, e usando Redes Neurais Artificiais sem perdas relevantes. Além disso, foi demonstrado que é possível estimar pelo menos trinta coordenadas intermediárias das trajetórias de objetos rastreados com o Coeficiente de Determinação (R2) maior que 0,8. Palavras-chave: Mineração de Dados. Internet das Coisas. Aprendizado de máquina.Currently, there are billions of connected devices, and the Internet of Things (IoT) has boosted these numbers. In the case of private networks, a few hundred devices connected can cause instability and even data loss in communication. In this article, we propose a machine learning-based modeling to solve network overload caused by continuous monitoring of the trajectories of several devices tracked indoors. The proposed modeling was evaluated with over a hundred thousand of coordinate locations of objects tracked in three synthetic environments and one real environment. It has been shown that it is possible to solve the network overload problem by increasing the latency in sending data and predicting intermediate coordinates of the trajectories on the server-side with ensemble models, such as Random Forest, and using Artificial Neural Networks without relevant data loss. It has also been shown that it is possible to estimate at least thirty intermediate coordinates of the trajectories of objects tracked with the Coefficient of Determination (R2) greater than 0.8. Keywords: Data Mining. Internet of Things. Machine LearningA dissertação foi enviada com autorização e certificação via CI 51470/23 em 17/07/2023Caminha Neto, Carlos de OliveiraPires, Rilder de SousaMacedo, Daniel Valente deUniversidade de Fortaleza. Programa de Pós-Graduação em Informática AplicadaCarvalho, Daniel Dantas Rothéia2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf63f.https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/580799https://uol.unifor.br/auth-sophia/exibicao/28688porreponame:Biblioteca Digital de Teses e Dissertações da UNIFORinstname:Universidade de Fortaleza (UNIFOR)instacron:UNIFORinfo:eu-repo/semantics/openAccess2023-08-31T12:54:56Zoai::580799Biblioteca Digital de Teses e Dissertaçõeshttps://www.unifor.br/bdtdONGhttp://dspace.unifor.br/oai/requestbib@unifor.br||bib@unifor.bropendoar:2023-08-31T12:54:56Biblioteca Digital de Teses e Dissertações da UNIFOR - Universidade de Fortaleza (UNIFOR)false
dc.title.none.fl_str_mv Uma abordagem baseada em aprendizado de máquina para estimar trajetórias de equipamentos de IoT em ambientes fechados
title Uma abordagem baseada em aprendizado de máquina para estimar trajetórias de equipamentos de IoT em ambientes fechados
spellingShingle Uma abordagem baseada em aprendizado de máquina para estimar trajetórias de equipamentos de IoT em ambientes fechados
Carvalho, Daniel Dantas Rothéia
Internet das coisas
Mineração de dados
title_short Uma abordagem baseada em aprendizado de máquina para estimar trajetórias de equipamentos de IoT em ambientes fechados
title_full Uma abordagem baseada em aprendizado de máquina para estimar trajetórias de equipamentos de IoT em ambientes fechados
title_fullStr Uma abordagem baseada em aprendizado de máquina para estimar trajetórias de equipamentos de IoT em ambientes fechados
title_full_unstemmed Uma abordagem baseada em aprendizado de máquina para estimar trajetórias de equipamentos de IoT em ambientes fechados
title_sort Uma abordagem baseada em aprendizado de máquina para estimar trajetórias de equipamentos de IoT em ambientes fechados
author Carvalho, Daniel Dantas Rothéia
author_facet Carvalho, Daniel Dantas Rothéia
author_role author
dc.contributor.none.fl_str_mv Caminha Neto, Carlos de Oliveira
Pires, Rilder de Sousa
Macedo, Daniel Valente de
Universidade de Fortaleza. Programa de Pós-Graduação em Informática Aplicada
dc.contributor.author.fl_str_mv Carvalho, Daniel Dantas Rothéia
dc.subject.por.fl_str_mv Internet das coisas
Mineração de dados
topic Internet das coisas
Mineração de dados
description Atualmente, existem bilhões de dispositivos conectados e a Internet das Coisas (IoT) impulsionou esses números. No caso de redes privadas, algumas centenas de dispositivos conectados podem causar instabilidade e até perda de dados na comunicação. Neste trabalho, é proposta uma modelagem baseada em aprendizado de máquina para resolver a sobrecarga de rede causada pelo monitoramento contínuo das trajetórias de vários dispositivos rastreados em ambientes fechados. A modelagem proposta foi avaliada com mais de cem mil coordenadas de localização de objetos rastreados em três ambientes sintéticos e um ambiente real. Foi demonstrado que é possível resolver o problema de sobrecarga de rede aumentando a latência no envio de dados e prevendo coordenadas intermediárias das trajetórias no lado do servidor com modelos ensemble, como Random Forest, e usando Redes Neurais Artificiais sem perdas relevantes. Além disso, foi demonstrado que é possível estimar pelo menos trinta coordenadas intermediárias das trajetórias de objetos rastreados com o Coeficiente de Determinação (R2) maior que 0,8. Palavras-chave: Mineração de Dados. Internet das Coisas. Aprendizado de máquina.
publishDate 2023
dc.date.none.fl_str_mv 2023
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 https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/580799
url https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/580799
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://uol.unifor.br/auth-sophia/exibicao/28688
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
63f.
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UNIFOR
instname:Universidade de Fortaleza (UNIFOR)
instacron:UNIFOR
instname_str Universidade de Fortaleza (UNIFOR)
instacron_str UNIFOR
institution UNIFOR
reponame_str Biblioteca Digital de Teses e Dissertações da UNIFOR
collection Biblioteca Digital de Teses e Dissertações da UNIFOR
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UNIFOR - Universidade de Fortaleza (UNIFOR)
repository.mail.fl_str_mv bib@unifor.br||bib@unifor.br
_version_ 1800408713463332864

Registros relacionados