ISSN | 2237-9045 |
---|---|
Instituição | Universidade Federal de Viçosa |
Nível | Graduação |
Modalidade | Pesquisa |
Área de conhecimento | Ciências Exatas e Tecnológicas |
Área temática | Inteligência Artificial |
Setor | Instituto de Ciências Exatas e Tecnológicas - Campus Florestal |
Bolsa | CNPq |
Conclusão de bolsa | Não |
Apoio financeiro | CNPq |
Primeiro autor | Víctor Hugo Rezende dos Santos |
Orientador | FABRICIO AGUIAR SILVA |
Outros membros | Germano Barcelos dos Santos, Paulo Henrique Carneiro Silva |
Título | Classificação Semântica de Pontos de Interesse Usando Redes Neurais |
Resumo | Contextualização: Um dos problemas da área de mobilidade urbana é a classificação semântica de pontos de interesse. Esse problema pode ser descrito como a descoberta da categoria de um local visitado por um usuário, como por exemplo Alimentação, Lazer ou Esportivo. Objetivo: Este projeto de pesquisa tem como objetivo explorar dados de mobilidade humana utilizando técnicas avançadas de big data e redes neurais profundas para resolver esse problema. Materiais e Métodos: O Apache Spark será a principal ferramenta para lidar com grandes volumes de dados provenientes de redes sociais baseadas em localização, como Foursquare e Gowalla. O enfoque principal é o enriquecimento semântico dos Pontos de Interesse (POIs) com base nos dados gerados por cada usuário, permitindo a compreensão do significado das visitas, como lazer, alimentação, casa, trabalho, entre outros. Para isso, serão empregadas técnicas de análise de dados e aprendizado de máquina, incluindo a implementação de redes neurais em algum estágio do processo. A biblioteca SENDAS, desenvolvida em Scala com base no Apache Spark e Apache Sedona, será utilizada para garantir o processamento eficiente e escalável dos dados de mobilidade. Sendo assim, será possível construir um modelo preditivo escalável capaz de categorizar os POIs geolocalizados, considerando tanto o ruído potencial presente nas coordenadas quanto os padrões de mobilidade dos usuários. Além disso, serão utilizadas também 3 baselines da literatura, que já foram implementadas: PGC-NN, k-FN e HMRM. O PGC-NN é uma rede neural de grafos, enquanto o k-FN considera a proximidade espacial dos POIs. O HMRM utiliza a fatoração de matrizes para determinar o comportamento do usuário. O próximo passo é adaptar o PGC-NN e/ou adicionar uma rede neural no k-FN e HMRM, visando melhorar a precisão e capacidade de generalização dos modelos. O projeto visa fornecer um enriquecimento semântico completo dos dados de mobilidade, considerando padrões de comportamento e características geoespaciais. Esse trabalho de pesquisa contribuirá para áreas como planejamento urbano, marketing e turismo, fornecendo informações cruciais para o desenvolvimento de estratégias eficazes e tomada de decisões informadas. Resultados Esperados: O modelo resultante permitirá extrair conhecimento valioso sobre os padrões de mobilidade em cidades, comportamentos dos usuários e variações ao longo do tempo. |
Palavras-chave | Mobilidade Urbana, Classificação, Enriquecimento Semântico |
Forma de apresentação..... | Painel |
Link para apresentação | Painel |
---|