Critical event prediction using ontology-based sensor data integration and deep learning

• Ano de defesa: 2024
• Autor(a) principal: Amará, Jefferson do Nascimento
• Orientador(a): Menezes, Victor Ströele de Andrade
• Banca de defesa: David, José Maria Nazar , Ogasawara, Eduardo Soares
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Programa de Pós-graduação em Ciência da Computação
• Departamento: ICE – Instituto de Ciências Exatas
• País: Brasil
• Palavras-chave em Português: Data integration; Sensors; Ontology; Deep learning; Event prediction
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/17403

A detecção e predição de eventos desempenham um papel crucial em diversos domínios, especialmente em sistemas de alerta precoce, onde a identificação de eventos críticos com antecedência pode prevenir desastres e mitigar riscos. Esta pesquisa aborda o problema da integração de dados de sensores heterogêneos, comum em áreas como gestão de desastres e cidades inteligentes, onde dados brutos podem não fornecer contexto suficiente para uma tomada de decisão eficaz. Para resolver esse desafio, propomos um framework que combina uma abordagem baseada em ontologia para integrar e contextualizar os dados de sensores com técnicas de aprendizado profundo para a predição de eventos. O framework utiliza um modelo de Ontologia de Rede de Sensores Semânticos (SSN) estendido para estruturar e enriquecer os dados com informações semânticas e de contexto. Em seguida, aplicamos modelos de redes neurais recorrentes de memória de longo prazo (LSTM) para realizar a predição de eventos com base nos dados integrados. Um estudo de caso foi realizado no domínio hidrológico, utilizando dados reais de sensores hidrométricos e hidrológicos para prever eventos críticos como enchentes. Os resultados demonstraram que a combinação da integração semântica com técnicas de IA melhora a acurácia das predições e permite a identificação antecipada de eventos críticos que poderiam ser perdidos com dados isolados.