Uma metodologia orientada a fluxo de dados para modelagem do comportamento de motoristas

• Ano de defesa: 2022
• Autor(a) principal: Silva, Marianne Batista Diniz da
• Orientador(a): Silva, Ivanovitch Medeiros Dantas da
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Rio Grande do Norte
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
• País: Brasil
• Palavras-chave em Português: Internet das coisas; Fluxo de dados; Veículos inteligentes; Comportamento de motoristas; Aprendizado não supervisionado online
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://repositorio.ufrn.br/handle/123456789/49439

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.