Uso de técnicas de aprendizado de máquina para identificação de perfis de uso de automóveis baseado em dados automotivos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRN |
Texto Completo: | https://repositorio.ufrn.br/jspui/handle/123456789/26017 |
Resumo: | A violência no trânsito tem causado grandes prejuízos e, acima de tudo, vitimado muitos cidadãos, usuários ou não de automóveis. Segundo estudos do Observatório Nacional da Segurança Viária (ONSV, 2017), 90% dos acidentes de trânsito são causados por imprudência dos condutores, 5% por defeitos nos automóveis e mais 5% por má condição das rodovias. Uma das alternativas para embasar ações que enfrentam esses problemas é entender como se comportam os condutores de automóveis quando estão ao volante. Usar as informações do veículo para entender o comportamento dos motoristas é uma questão que tem ganhado importância nos últimos anos e, diante dos problemas envolvidos, identificar perfis de utilização de automóveis tem sido, cada vez mais, um tema de pesquisa em todo mundo. Este trabalho apresenta um modelo de utilização de técnicas (descritivas e preditivas) de Aprendizado de Máquina sobre dados de veículos obtidos via On-Board Diagnostics II (OBD-II) para identificação de possíveis perfis de uso automotivo. O modelo criado obteve, após todo o processo de refinamento, mais que 99% de acurácia na identificação de 3 perfis (low, mid e high). Para aplicar o modelo, foi criada uma plataforma baseada numa arquitetura distribuída (Servidor Web, Aplicativo Móvel e API de serviço). Essa plataforma é capaz de capturar os dados de um automóvel e devolver o seu perfil de uso de seu condutor (motorista). |
id |
UFRN_8f749cad8bd36637c14cbdc197d77aa4 |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/26017 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Barreto, Cephas Alves da SilveiraSilva, Ivanovitch Medeiros Dantas daSilva Júnior, Carlos NascimentoAraújo, Daniel Sabino Amorim deXavier Júnior, João Carlos2018-10-10T20:40:58Z2018-10-10T20:40:58Z2018-08-24BARRETO, Cephas Alves da Silveira. Uso de técnicas de aprendizado de máquina para identificação de perfis de uso de automóveis baseado em dados automotivos. 2018. 92f. Dissertação (Mestrado Profissional em Engenharia de Software) - Instituto Metrópole Digital, Universidade Federal do Rio Grande do Norte, Natal, 2018.https://repositorio.ufrn.br/jspui/handle/123456789/26017A violência no trânsito tem causado grandes prejuízos e, acima de tudo, vitimado muitos cidadãos, usuários ou não de automóveis. Segundo estudos do Observatório Nacional da Segurança Viária (ONSV, 2017), 90% dos acidentes de trânsito são causados por imprudência dos condutores, 5% por defeitos nos automóveis e mais 5% por má condição das rodovias. Uma das alternativas para embasar ações que enfrentam esses problemas é entender como se comportam os condutores de automóveis quando estão ao volante. Usar as informações do veículo para entender o comportamento dos motoristas é uma questão que tem ganhado importância nos últimos anos e, diante dos problemas envolvidos, identificar perfis de utilização de automóveis tem sido, cada vez mais, um tema de pesquisa em todo mundo. Este trabalho apresenta um modelo de utilização de técnicas (descritivas e preditivas) de Aprendizado de Máquina sobre dados de veículos obtidos via On-Board Diagnostics II (OBD-II) para identificação de possíveis perfis de uso automotivo. O modelo criado obteve, após todo o processo de refinamento, mais que 99% de acurácia na identificação de 3 perfis (low, mid e high). Para aplicar o modelo, foi criada uma plataforma baseada numa arquitetura distribuída (Servidor Web, Aplicativo Móvel e API de serviço). Essa plataforma é capaz de capturar os dados de um automóvel e devolver o seu perfil de uso de seu condutor (motorista).Traffic violence has caused great damage. And above all, victimized many citizens, whether drivers or non drivers. According to studies from brazilian National Road Safety Observatory (ONSV, 2017), 90% of traffic accidents are caused by drivers’ recklessness, 5% by car defects and 5% by poor road conditions. One of the alternatives to support actions that address these problems is to understand how car drivers behave when they are behind the wheel. Using vehicle information to understand drivers is an issue that has gained importance in recent years and, in the face of the problems involved, identifying car use profiles has increasingly been a subject of worldwide research. This work presents a model for the use of Machine Learning techniques (descriptive and predictive) on vehicle data obtained from OBD-II (On Board Diagnostics II) to identify possible profiles of automotive using. After the entire refinement process, the model presented more than 99% accuracy in the identification of 3 profiles (low, mid and high). To implement the model, a platform based on a distributed architecture (Web Server, Mobile Application and Service API) was created. This platform is able to capture data from a car and return its usage profile.porCNPQ::ENGENHARIAS: ENGENHARIA DE SOFTWAREAprendizado de máquinaDados automotivosAplicações inteligentesUso de técnicas de aprendizado de máquina para identificação de perfis de uso de automóveis baseado em dados automotivosMachine learning using for car usage pattern identification based on car datainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisPROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE SOFTWAREUFRNBrasilinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNTEXTUsotécnicasaprendizado_Barreto_2018.pdf.txtUsotécnicasaprendizado_Barreto_2018.pdf.txtExtracted texttext/plain164514https://repositorio.ufrn.br/bitstream/123456789/26017/2/Usot%c3%a9cnicasaprendizado_Barreto_2018.pdf.txteb33965e192fe54ebb10028b7c9f8d23MD52THUMBNAILUsotécnicasaprendizado_Barreto_2018.pdf.jpgUsotécnicasaprendizado_Barreto_2018.pdf.jpgIM Thumbnailimage/jpeg1906https://repositorio.ufrn.br/bitstream/123456789/26017/3/Usot%c3%a9cnicasaprendizado_Barreto_2018.pdf.jpg5de699fdef8cc6696c82b4788744d8aaMD53ORIGINALUsotécnicasaprendizado_Barreto_2018.pdfapplication/pdf4134139https://repositorio.ufrn.br/bitstream/123456789/26017/1/Usot%c3%a9cnicasaprendizado_Barreto_2018.pdfe1e7900d0578d2b99293f03f09a9f733MD51123456789/260172019-01-30 08:32:24.279oai:https://repositorio.ufrn.br:123456789/26017Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2019-01-30T11:32:24Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Uso de técnicas de aprendizado de máquina para identificação de perfis de uso de automóveis baseado em dados automotivos |
dc.title.alternative.pt_BR.fl_str_mv |
Machine learning using for car usage pattern identification based on car data |
title |
Uso de técnicas de aprendizado de máquina para identificação de perfis de uso de automóveis baseado em dados automotivos |
spellingShingle |
Uso de técnicas de aprendizado de máquina para identificação de perfis de uso de automóveis baseado em dados automotivos Barreto, Cephas Alves da Silveira CNPQ::ENGENHARIAS: ENGENHARIA DE SOFTWARE Aprendizado de máquina Dados automotivos Aplicações inteligentes |
title_short |
Uso de técnicas de aprendizado de máquina para identificação de perfis de uso de automóveis baseado em dados automotivos |
title_full |
Uso de técnicas de aprendizado de máquina para identificação de perfis de uso de automóveis baseado em dados automotivos |
title_fullStr |
Uso de técnicas de aprendizado de máquina para identificação de perfis de uso de automóveis baseado em dados automotivos |
title_full_unstemmed |
Uso de técnicas de aprendizado de máquina para identificação de perfis de uso de automóveis baseado em dados automotivos |
title_sort |
Uso de técnicas de aprendizado de máquina para identificação de perfis de uso de automóveis baseado em dados automotivos |
author |
Barreto, Cephas Alves da Silveira |
author_facet |
Barreto, Cephas Alves da Silveira |
author_role |
author |
dc.contributor.authorID.pt_BR.fl_str_mv |
|
dc.contributor.advisorID.pt_BR.fl_str_mv |
|
dc.contributor.advisor-co1ID.pt_BR.fl_str_mv |
|
dc.contributor.referees1.none.fl_str_mv |
Silva Júnior, Carlos Nascimento |
dc.contributor.referees1ID.pt_BR.fl_str_mv |
|
dc.contributor.referees2.none.fl_str_mv |
Araújo, Daniel Sabino Amorim de |
dc.contributor.referees2ID.pt_BR.fl_str_mv |
|
dc.contributor.author.fl_str_mv |
Barreto, Cephas Alves da Silveira |
dc.contributor.advisor-co1.fl_str_mv |
Silva, Ivanovitch Medeiros Dantas da |
dc.contributor.advisor1.fl_str_mv |
Xavier Júnior, João Carlos |
contributor_str_mv |
Silva, Ivanovitch Medeiros Dantas da Xavier Júnior, João Carlos |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS: ENGENHARIA DE SOFTWARE |
topic |
CNPQ::ENGENHARIAS: ENGENHARIA DE SOFTWARE Aprendizado de máquina Dados automotivos Aplicações inteligentes |
dc.subject.por.fl_str_mv |
Aprendizado de máquina Dados automotivos Aplicações inteligentes |
description |
A violência no trânsito tem causado grandes prejuízos e, acima de tudo, vitimado muitos cidadãos, usuários ou não de automóveis. Segundo estudos do Observatório Nacional da Segurança Viária (ONSV, 2017), 90% dos acidentes de trânsito são causados por imprudência dos condutores, 5% por defeitos nos automóveis e mais 5% por má condição das rodovias. Uma das alternativas para embasar ações que enfrentam esses problemas é entender como se comportam os condutores de automóveis quando estão ao volante. Usar as informações do veículo para entender o comportamento dos motoristas é uma questão que tem ganhado importância nos últimos anos e, diante dos problemas envolvidos, identificar perfis de utilização de automóveis tem sido, cada vez mais, um tema de pesquisa em todo mundo. Este trabalho apresenta um modelo de utilização de técnicas (descritivas e preditivas) de Aprendizado de Máquina sobre dados de veículos obtidos via On-Board Diagnostics II (OBD-II) para identificação de possíveis perfis de uso automotivo. O modelo criado obteve, após todo o processo de refinamento, mais que 99% de acurácia na identificação de 3 perfis (low, mid e high). Para aplicar o modelo, foi criada uma plataforma baseada numa arquitetura distribuída (Servidor Web, Aplicativo Móvel e API de serviço). Essa plataforma é capaz de capturar os dados de um automóvel e devolver o seu perfil de uso de seu condutor (motorista). |
publishDate |
2018 |
dc.date.accessioned.fl_str_mv |
2018-10-10T20:40:58Z |
dc.date.available.fl_str_mv |
2018-10-10T20:40:58Z |
dc.date.issued.fl_str_mv |
2018-08-24 |
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.citation.fl_str_mv |
BARRETO, Cephas Alves da Silveira. Uso de técnicas de aprendizado de máquina para identificação de perfis de uso de automóveis baseado em dados automotivos. 2018. 92f. Dissertação (Mestrado Profissional em Engenharia de Software) - Instituto Metrópole Digital, Universidade Federal do Rio Grande do Norte, Natal, 2018. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/jspui/handle/123456789/26017 |
identifier_str_mv |
BARRETO, Cephas Alves da Silveira. Uso de técnicas de aprendizado de máquina para identificação de perfis de uso de automóveis baseado em dados automotivos. 2018. 92f. Dissertação (Mestrado Profissional em Engenharia de Software) - Instituto Metrópole Digital, Universidade Federal do Rio Grande do Norte, Natal, 2018. |
url |
https://repositorio.ufrn.br/jspui/handle/123456789/26017 |
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.program.fl_str_mv |
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE SOFTWARE |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
Brasil |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/26017/2/Usot%c3%a9cnicasaprendizado_Barreto_2018.pdf.txt https://repositorio.ufrn.br/bitstream/123456789/26017/3/Usot%c3%a9cnicasaprendizado_Barreto_2018.pdf.jpg https://repositorio.ufrn.br/bitstream/123456789/26017/1/Usot%c3%a9cnicasaprendizado_Barreto_2018.pdf |
bitstream.checksum.fl_str_mv |
eb33965e192fe54ebb10028b7c9f8d23 5de699fdef8cc6696c82b4788744d8aa e1e7900d0578d2b99293f03f09a9f733 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1802117709246234624 |