Detalhes bibliográficos
| Ano de defesa: |
2023 |
| Autor(a) principal: |
Carvalho, Daniel Dantas Rothéia |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
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. |
