Uma metodologia orientada a fluxo de dados para modelagem do comportamento de motoristas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRN |
Texto Completo: | https://repositorio.ufrn.br/handle/123456789/49439 |
Resumo: | A Internet das Coisas (IoT, do inglês Internet of Things) é uma rede crescente de objetos — sensores, dispositivos, sistemas, entre outros — que capturam, transferem dados e se comunicam entre si por meio de protocolos de comunicação. Além disso, tais objetos possuem capacidade de produzir sequências potencialmente ilimitadas de dados, denominadas de fluxo de dados. Neste sentido, percebe-se que a IoT está criando novas oportunidades para diversos setores, como pode ser visto de uma maneira não convencional no setor automobilístico. Sabe-se que como consequência do avanço das arquiteturas, os veículos vêm se tornando cada vez mais equipados com diversos sensores e poder computacional. E, a partir de interfaces disponíveis, torna-se possível capturar e extrair, de forma automatizada, informações por meio de sensores e protocolos de comunicação presentes nos veículos e habilitando um cenário conhecido por Internet dos Veículos Inteligentes (IoIV, do inglês Internet of Intelligent Vehicles). Um dos benefícios da IoIV é a criação de aplicações de diagnóstico, como a caracterização do comportamento de motoristas. Este tipo de diagnóstico é um requisito essencial, visto que o modo de dirigir pode impactar em diferentes contextos, a exemplo da segurança no trânsito, consumo de combustível, emissões, manutenção, entre outros. Ademais, soluções em geral disponíveis na literatura para a análise do comportamento de motoristas se concentram em modelos supervisionados de aprendizagem offline, alimentados com todo o conjunto de dados para seu treinamento e teste. Por outro lado, tais soluções não tratam os fluxos de dados adequados para a aprendizagem online, isto é, sem conhecimento dos dados subsequentes. Em face dessa realidade, o objetivo deste trabalho é identificar padrões sobre o comportamento de motoristas, a partir de uma metodologia orientada a fluxos de dados e algoritmos não-supervisionado online. A metodologia é adaptável e flexível, e considera a relação histórico-temporal entre as amostras, se adaptando de forma autônoma e evolutiva, sem a necessidade de uma fase supervisionada de treinamento. A fim de validar a metodologia proposta, realizou-se um estudo de caso em cenário real com condições diversas, na qual permitiu identificar operações de conduções presentes no dia-a-dia. Os resultados indicaram a factibilidade da proposta no que tange a identificação de detecção de eventos e indicadores do comportamento de motorista. Logo, a metodologia pode contribuir para diversas aplicações, como a indústria 4.0 — manutenções personalizadas, detecção de falhas — cidades inteligentes e mobilidade urbana — melhoria de pavimentações, aumento do número de redutores de velocidades e faixa de pedestres, diminuir a velocidade máxima de vias, entre outros. |
id |
UFRN_d81c3c7f5c56a0b21ed4c4ef62e61059 |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/49439 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Silva, Marianne Batista Diniz dahttps://orcid.org/0000-0002-8277-7571http://lattes.cnpq.br/6470261020797104https://orcid.org/0000-0002-0116-6489http://lattes.cnpq.br/3608440944832201Santos, Max Mauro DiasSoares, Eduardo AlmeidaVillanueva, Juan Moisés MauricioOliveira, Luiz Affonso Henderson Guedes dehttps://orcid.org/0000-0003-2690-1563http://lattes.cnpq.br/7987212907837941Silva, Ivanovitch Medeiros Dantas da2022-09-27T20:03:11Z2022-09-27T20:03:11Z2022-05-26SILVA, Marianne Batista Diniz da. Uma metodologia orientada a fluxo de dados para modelagem do comportamento de motoristas. 2022. 105f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2022.https://repositorio.ufrn.br/handle/123456789/49439A Internet das Coisas (IoT, do inglês Internet of Things) é uma rede crescente de objetos — sensores, dispositivos, sistemas, entre outros — que capturam, transferem dados e se comunicam entre si por meio de protocolos de comunicação. Além disso, tais objetos possuem capacidade de produzir sequências potencialmente ilimitadas de dados, denominadas de fluxo de dados. Neste sentido, percebe-se que a IoT está criando novas oportunidades para diversos setores, como pode ser visto de uma maneira não convencional no setor automobilístico. Sabe-se que como consequência do avanço das arquiteturas, os veículos vêm se tornando cada vez mais equipados com diversos sensores e poder computacional. E, a partir de interfaces disponíveis, torna-se possível capturar e extrair, de forma automatizada, informações por meio de sensores e protocolos de comunicação presentes nos veículos e habilitando um cenário conhecido por Internet dos Veículos Inteligentes (IoIV, do inglês Internet of Intelligent Vehicles). Um dos benefícios da IoIV é a criação de aplicações de diagnóstico, como a caracterização do comportamento de motoristas. Este tipo de diagnóstico é um requisito essencial, visto que o modo de dirigir pode impactar em diferentes contextos, a exemplo da segurança no trânsito, consumo de combustível, emissões, manutenção, entre outros. Ademais, soluções em geral disponíveis na literatura para a análise do comportamento de motoristas se concentram em modelos supervisionados de aprendizagem offline, alimentados com todo o conjunto de dados para seu treinamento e teste. Por outro lado, tais soluções não tratam os fluxos de dados adequados para a aprendizagem online, isto é, sem conhecimento dos dados subsequentes. Em face dessa realidade, o objetivo deste trabalho é identificar padrões sobre o comportamento de motoristas, a partir de uma metodologia orientada a fluxos de dados e algoritmos não-supervisionado online. A metodologia é adaptável e flexível, e considera a relação histórico-temporal entre as amostras, se adaptando de forma autônoma e evolutiva, sem a necessidade de uma fase supervisionada de treinamento. A fim de validar a metodologia proposta, realizou-se um estudo de caso em cenário real com condições diversas, na qual permitiu identificar operações de conduções presentes no dia-a-dia. Os resultados indicaram a factibilidade da proposta no que tange a identificação de detecção de eventos e indicadores do comportamento de motorista. Logo, a metodologia pode contribuir para diversas aplicações, como a indústria 4.0 — manutenções personalizadas, detecção de falhas — cidades inteligentes e mobilidade urbana — melhoria de pavimentações, aumento do número de redutores de velocidades e faixa de pedestres, diminuir a velocidade máxima de vias, entre outros.The Internet of Things (IoT) is a growing network of objects — sensors, devices, systems, and more — that capture, transfer data, and communicate with each other through communication protocols. In addition, such objects have the ability to produce potentially unlimited sequences of data, called data streams. In this sense, it is clear that the IoT is creating new opportunities for various sectors, as can be seen in an unconventional way in the automotive sector. It is known that as a consequence of the advancement of architecture, vehicles are becoming increasingly equipped with various sensors and computational power. And, from available interfaces, it becomes possible to capture and extract, in an automated way, information through sensors and communication protocols present in vehicles and enabling a scenario known as the Internet of Intelligent Vehicles (IoIV). One of the benefits of IoIV is the creation of diagnostic applications, such as characterizing the behavior of drivers. This type of diagnosis is an essential requirement since the way you drive can impact different contexts, such as traffic safety, fuel consumption, emissions, and maintenance, among others. Furthermore, solutions generally available in the literature for analyzing drivers’ behavior focus on supervised offline learning models, fed with the entire dataset for training and testing. On the other hand, such solutions do not handle data streams suitable for online learning, that is, without knowledge of subsequent data. In face of this reality, the objective of this work is to identify patterns in the behavior of drivers, from a methodology oriented to data streams and unsupervised online algorithms. The methodology is adaptable and flexible, and considers the historical-temporal relationship between the samples, adapting in an autonomous and evolutionary way, without the need for a supervised training phase. In order to validate the proposed methodology, a case study was carried out in a real scenario with different conditions, which allowed the identification of daily driving operations. The results indicated the feasibility of the proposal regarding the identification of event detection and indicators of driver behavior. Therefore, the methodology can contribute to several applications, such as industry 4.0 — customized maintenance, fault detection — smart cities and urban mobility — improvement of pavements, increase in the number of speed reducers and crosswalks, decrease in the maximum speed of roads, among others.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESUniversidade Federal do Rio Grande do NortePROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃOUFRNBrasilCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAInternet das coisasFluxo de dadosVeículos inteligentesComportamento de motoristasAprendizado não supervisionado onlineUma metodologia orientada a fluxo de dados para modelagem do comportamento de motoristasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALMetodologiaorientadafluxo_Silva_2022.pdfapplication/pdf9493696https://repositorio.ufrn.br/bitstream/123456789/49439/1/Metodologiaorientadafluxo_Silva_2022.pdf8fb515052fdadfab1dcbdee45b11908bMD51123456789/494392022-09-27 17:03:52.379oai:https://repositorio.ufrn.br:123456789/49439Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2022-09-27T20:03:52Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Uma metodologia orientada a fluxo de dados para modelagem do comportamento de motoristas |
title |
Uma metodologia orientada a fluxo de dados para modelagem do comportamento de motoristas |
spellingShingle |
Uma metodologia orientada a fluxo de dados para modelagem do comportamento de motoristas Silva, Marianne Batista Diniz da CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Internet das coisas Fluxo de dados Veículos inteligentes Comportamento de motoristas Aprendizado não supervisionado online |
title_short |
Uma metodologia orientada a fluxo de dados para modelagem do comportamento de motoristas |
title_full |
Uma metodologia orientada a fluxo de dados para modelagem do comportamento de motoristas |
title_fullStr |
Uma metodologia orientada a fluxo de dados para modelagem do comportamento de motoristas |
title_full_unstemmed |
Uma metodologia orientada a fluxo de dados para modelagem do comportamento de motoristas |
title_sort |
Uma metodologia orientada a fluxo de dados para modelagem do comportamento de motoristas |
author |
Silva, Marianne Batista Diniz da |
author_facet |
Silva, Marianne Batista Diniz da |
author_role |
author |
dc.contributor.authorID.pt_BR.fl_str_mv |
https://orcid.org/0000-0002-8277-7571 |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/6470261020797104 |
dc.contributor.advisorID.pt_BR.fl_str_mv |
https://orcid.org/0000-0002-0116-6489 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3608440944832201 |
dc.contributor.referees1.none.fl_str_mv |
Santos, Max Mauro Dias |
dc.contributor.referees2.none.fl_str_mv |
Soares, Eduardo Almeida |
dc.contributor.referees3.none.fl_str_mv |
Villanueva, Juan Moisés Mauricio |
dc.contributor.referees4.none.fl_str_mv |
Oliveira, Luiz Affonso Henderson Guedes de |
dc.contributor.referees4ID.pt_BR.fl_str_mv |
https://orcid.org/0000-0003-2690-1563 |
dc.contributor.referees4Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/7987212907837941 |
dc.contributor.author.fl_str_mv |
Silva, Marianne Batista Diniz da |
dc.contributor.advisor1.fl_str_mv |
Silva, Ivanovitch Medeiros Dantas da |
contributor_str_mv |
Silva, Ivanovitch Medeiros Dantas da |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Internet das coisas Fluxo de dados Veículos inteligentes Comportamento de motoristas Aprendizado não supervisionado online |
dc.subject.por.fl_str_mv |
Internet das coisas Fluxo de dados Veículos inteligentes Comportamento de motoristas Aprendizado não supervisionado online |
description |
A Internet das Coisas (IoT, do inglês Internet of Things) é uma rede crescente de objetos — sensores, dispositivos, sistemas, entre outros — que capturam, transferem dados e se comunicam entre si por meio de protocolos de comunicação. Além disso, tais objetos possuem capacidade de produzir sequências potencialmente ilimitadas de dados, denominadas de fluxo de dados. Neste sentido, percebe-se que a IoT está criando novas oportunidades para diversos setores, como pode ser visto de uma maneira não convencional no setor automobilístico. Sabe-se que como consequência do avanço das arquiteturas, os veículos vêm se tornando cada vez mais equipados com diversos sensores e poder computacional. E, a partir de interfaces disponíveis, torna-se possível capturar e extrair, de forma automatizada, informações por meio de sensores e protocolos de comunicação presentes nos veículos e habilitando um cenário conhecido por Internet dos Veículos Inteligentes (IoIV, do inglês Internet of Intelligent Vehicles). Um dos benefícios da IoIV é a criação de aplicações de diagnóstico, como a caracterização do comportamento de motoristas. Este tipo de diagnóstico é um requisito essencial, visto que o modo de dirigir pode impactar em diferentes contextos, a exemplo da segurança no trânsito, consumo de combustível, emissões, manutenção, entre outros. Ademais, soluções em geral disponíveis na literatura para a análise do comportamento de motoristas se concentram em modelos supervisionados de aprendizagem offline, alimentados com todo o conjunto de dados para seu treinamento e teste. Por outro lado, tais soluções não tratam os fluxos de dados adequados para a aprendizagem online, isto é, sem conhecimento dos dados subsequentes. Em face dessa realidade, o objetivo deste trabalho é identificar padrões sobre o comportamento de motoristas, a partir de uma metodologia orientada a fluxos de dados e algoritmos não-supervisionado online. A metodologia é adaptável e flexível, e considera a relação histórico-temporal entre as amostras, se adaptando de forma autônoma e evolutiva, sem a necessidade de uma fase supervisionada de treinamento. A fim de validar a metodologia proposta, realizou-se um estudo de caso em cenário real com condições diversas, na qual permitiu identificar operações de conduções presentes no dia-a-dia. Os resultados indicaram a factibilidade da proposta no que tange a identificação de detecção de eventos e indicadores do comportamento de motorista. Logo, a metodologia pode contribuir para diversas aplicações, como a indústria 4.0 — manutenções personalizadas, detecção de falhas — cidades inteligentes e mobilidade urbana — melhoria de pavimentações, aumento do número de redutores de velocidades e faixa de pedestres, diminuir a velocidade máxima de vias, entre outros. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-09-27T20:03:11Z |
dc.date.available.fl_str_mv |
2022-09-27T20:03:11Z |
dc.date.issued.fl_str_mv |
2022-05-26 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
SILVA, Marianne Batista Diniz da. Uma metodologia orientada a fluxo de dados para modelagem do comportamento de motoristas. 2022. 105f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/handle/123456789/49439 |
identifier_str_mv |
SILVA, Marianne Batista Diniz da. Uma metodologia orientada a fluxo de dados para modelagem do comportamento de motoristas. 2022. 105f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2022. |
url |
https://repositorio.ufrn.br/handle/123456789/49439 |
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 do Rio Grande do Norte |
dc.publisher.program.fl_str_mv |
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
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/123456789/49439/1/Metodologiaorientadafluxo_Silva_2022.pdf |
bitstream.checksum.fl_str_mv |
8fb515052fdadfab1dcbdee45b11908b |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1802117901837139968 |