Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/33413
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Heitor Soares Ramos Filho | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/4978869867640619 | pt_BR |
dc.contributor.advisor-co1 | Antonio Alfredo Ferreira Loureiro | pt_BR |
dc.contributor.referee1 | Alejanndro César Frery Orgambide | pt_BR |
dc.contributor.referee2 | Jefersson Alex dos Santos | pt_BR |
dc.creator | Isadora Cardoso Pereira da Silva | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/2635482488818157 | pt_BR |
dc.date.accessioned | 2020-05-11T17:59:27Z | - |
dc.date.available | 2020-05-11T17:59:27Z | - |
dc.date.issued | 2020-01-13 | - |
dc.identifier.uri | http://hdl.handle.net/1843/33413 | - |
dc.description.abstract | 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. | pt_BR |
dc.description.resumo | The infrastructure of cities is experiencing significant stress, since the demand for basic resources (such as transport, education, healthcare, etc) is outstripping supply. This is happening due to the disorderly growth caused by migration and increasing of the world’s population. Therefore, the scientific and industrial communities are investing in solutions based on human mobility that can provide a more sustainable development and reduce several commuting problems, such as traffic jam, in order to improve the life quality of humans. A critical step to achieve such goals is to characterize the transportation mode used. It is paramount the development of technologies that extract this kind of information, without the active participation of users on the act, hence avoiding inaccurate and incomplete data. In this context, this dissertation aim to develop a framework that, from user location data, can identify the transportation modes used. This framework contains four step: (i) segmentation; (ii) feature extraction; (iii) data transformation; and (iv) classification. More attention is given to the third step, where we propose a data transformation based on Ordinal Patterns (OP) probability distribution, capable of extracting the amplitude information presented in data – called Ordinal Pattern with Amplitude Information (OPAI). In our experiments, performed in real data, we show that OPAI presents superior classification results compared to OP transformation, a gain of about 10% of accuracy, indicating that OPAI is a technique with potential for the identification of transportation mode. | pt_BR |
dc.description.sponsorship | CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico | pt_BR |
dc.language | eng | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Transportation mode classification | pt_BR |
dc.subject | Time Series Classification | pt_BR |
dc.subject | Ordinal Patterns | pt_BR |
dc.subject.other | Computação – Teses | pt_BR |
dc.subject.other | Mobilidade urbana – Teses | pt_BR |
dc.subject.other | Classificação de modos de transporte – Teses | pt_BR |
dc.subject.other | Análise de séries temporais – Teses | pt_BR |
dc.title | Transportation mode classification through ordinal patterns with amplitude information | pt_BR |
dc.title.alternative | Classificação de modos de transporte utilizando padrões ordinais com informação de amplitude | pt_BR |
dc.type | Dissertação | pt_BR |
dc.identifier.orcid | https://orcid.org/0000-0002-7681-7653 | pt_BR |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
transportation_mode_classification_through_ordinal_patterns_with_amplitude_information_-_isadora_cardoso.pdf | 1.99 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.