Transportation mode classification through ordinal patterns with amplitude information

• Ano de defesa: 2020
• Autor(a) principal: Isadora Cardoso Pereira da Silva
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Minas Gerais; Brasil; ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO; Programa de Pós-Graduação em Ciência da Computação; UFMG
• Palavras-chave em Português: Transportation mode classification; Time Series Classification; Ordinal Patterns; Computação – Teses; Mobilidade urbana – Teses; Classificação de modos de transporte – Teses; Análise de séries temporais – Teses
• Link de acesso: http://hdl.handle.net/1843/33413; https://orcid.org/0000-0002-7681-7653

A infraestrutura das cidades está passando por um estresse significativo, visto que a demanda pelos recursos básicos (como transporte, educação, saúde, etc.) está superando o fornecimento. Isso se dá devido ao crescimento desordenado, causado pela migração e aumento da população. Dessa forma, as comunidades científicas e industriais estão cada vez mais interessadas na elaboração de tecnologias baseadas na mobilidade humana que possam proporcionar um desenvolvimento mais sustentável e que sejam capazes de reduzir diversos problemas de locomoção, como congestionamentos, afim de aumentar a qualidade de vida dos cidadãos. Um passo crucial para atingir esses objetivos é a caracterização dos modos de transportes utilizados. É necessário desenvolver tecnologias que possam extrair esses dados sem a ativa participação do usuário, evitando-se dados incompletos e imprecisos. Nesse contexto, o objetivo dessa dissertação é o desenvolvimento de um framework que, a partir de dados de localização do usuário, possa identificar os modos de transportes utilizados. Esse framework possui quatro etapas: (i) segmentação, (ii) extração de atributos, (iii) transformação de dados e (iv) classificação. Maior atenção é dada à terceira etapa, onde propõe-se uma transformação de dados baseada na distribuição de probabilidade dos Padrões Ordinais (PO), capaz de extrair a informação de amplitude presente nos dados – chamada de Padrões Ordinais com Informação de Amplitude (POIA). Em nossos experimentos, realizados em dados reais, mostra-se que POIA apresenta resultados de classificação superiores em relação a PO, um ganho de cerca de 10% de acurácia, indicando que POIA é uma técnica com potencial para a identificação de modos de transporte.