Detecção de pontos de interesse e predição de próximo local de visita de usuários móveis com base em dados esparsos

• Ano de defesa: 2020
• Autor(a) principal: Capanema, Cláudio Gustavo Santos
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa; Ciência da Computação
• Palavras-chave em Português: Computação ubíqua; Redes neurais (Computação); Mineração de dados (Computação); Ciência da Computação
• Link de acesso: https://locus.ufv.br//handle/123456789/30976

Dados de localização provenientes de dispositivos móveis são importantes para o es- tudo da mobilidade humana. Ao se conhecer melhor seus usuários, provedores de serviços móveis têm o interesse em aprimorar os seus produtos e aumentar o engaja- mento de clientes. A maioria das soluções presentes na literatura foram desenvolvidas com base em dados de localização que foram coletados intensivamente, o que leva a uma alta de demanda por recursos energéticos, de armazenamento, processamento e de rede nos dispositivos móveis. Por outro lado, os dados esparsos, mesmo que mais limitados, podem ser gerados por um grande número de usuários sem afetar a autonomia energética de dispositivos móveis. Assim, explorar as suas possibilidades é objeto de estudo com demanda real e crescente. Neste sentido, surgem dois proble- mas a serem pesquisados na área: detecção de pontos de interesse (PoI) e previsão de próximo local de visita. Neste trabalho, são propostas soluções para esses dois pro- blemas, considerando dados esparsos. O método proposto para a detecção de PoIs se destaca pela capacidade de definir o tipo do local de interesse em Casa ou Trabalho mesmo se a rotina de um determinado usuário é menos comum, como ir ao trabalho durante a noite e permanecer em casa durante o dia. Já a rede neural MFA-RNN, proposta para a predição de próximo local de visita, engloba convenientemente as mais recentes técnicas existentes na literatura, como utilização de múltiplos fatores de entrada (localização, tempo, identificação do usuário e tipo do dia), e aplicação do mecanismo MHSA (Multi-Head Self-Attention). Assim, diferentes aspectos podem ser aprendidos e correlacionados pela rede neural. Além disso, é descrito um mé- todo para o preenchimento de dados esparsos, que visa contribuir com o treinamento do modelo MFA-RNN. Os resultados obtidos demonstram que ambas as soluções de- senvolvidas são eficazes para dados esparsos, e neste sentido, superam os principais métodos da literatura. Palavras-chave: Pontos de interesse. Predição de próximo local. Dados esparsos