Use este identificador para citar ou linkar para este item: https://rd.uffs.edu.br/handle/prefix/3344
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisor1Duarte, Denio-
dc.creatorMüller, Ricardo Augusto-
dc.date2019-
dc.date.accessioned2020-01-28T11:47:38Z-
dc.date.available2019-
dc.date.available2020-01-28T11:47:38Z-
dc.date.issued2019-
dc.identifier.urihttps://rd.uffs.edu.br/handle/prefix/3344-
dc.description.abstractThe global use of geolocation dispositives, for example, GPS(Global Position System), has created a new demand for applications that manage the massive amount of data representing user’s location, called mobile data. As an example, product and places recommendation and urban planning. The mobile data contains much information about user behavior: mean of transportation, userlocation, userspeed, amongothers. Thispaperaimstobuildaclassification model to predict user means of transportation. The work intends to estimate the results and compare them with the baseline, even it uses different metrics and methods. The experiments have good results, mainly in the Random Forest model, with an accuracy of over 80%. As additional results, this paper presents the more easily predicted’ category, besides the more informative attributes for the creation of the model.pt_BR
dc.description.resumoApopularizaçãodedispositivoscontroladoresdegeolocalização, comooGPS(Global Position System), criou uma nova demanda para aplicações que utilizem deste grande volume de dados, chamados dados móveis. Um exemplo é a recomendação de produtos, a partir de lugares frequentados, rastreamento ou até planejamento urbano. Estes dados podem possuir diversas informações sobre o usuário, por exemplo, o método de locomoção utilizado, a partir de sua localização, velocidade de seu trajeto e o próprio trajeto executado. A partir dessas informação é possível descobrir qual o meio de transporte utilizado pelo usuário. Este trabalho então, busca a criação de um modelo de predição classificatória de métodos de transporte, através de um conjunto de dados formado por dados móveis. Assim como a criação do modelo, este trabalhotambémavaliaosresultadosobtidosecomparacomtrabalhosrelacionados,mesmoque tais trabalhos utilizem métricas e métodos diferentes. Os experimentos obtiveram resultados considerados bons, principalmente no modelo Random Forest, com uma acurácia de acerto acima de 80%. Como resultados satélites, este trabalho apresenta as classes que são mais facilmente preditas, além dos atributos mais informativos para a criação do modelo.pt_BR
dc.description.provenanceSubmitted by SUELEN SPINDOLA BILHAR (suelen.bilhar@uffs.edu.br) on 2019-11-19T13:24:30Z No. of bitstreams: 1 MULLER.pdf: 1460428 bytes, checksum: 9dc95d3c1d0f2b4a485590e9938c0335 (MD5)en
dc.description.provenanceApproved for entry into archive by Franciele Scaglioni da Cruz (franciele.cruz@uffs.edu.br) on 2020-01-28T11:47:38Z (GMT) No. of bitstreams: 1 MULLER.pdf: 1460428 bytes, checksum: 9dc95d3c1d0f2b4a485590e9938c0335 (MD5)en
dc.description.provenanceMade available in DSpace on 2020-01-28T11:47:38Z (GMT). No. of bitstreams: 1 MULLER.pdf: 1460428 bytes, checksum: 9dc95d3c1d0f2b4a485590e9938c0335 (MD5) Previous issue date: 2019en
dc.languageporpt_BR
dc.publisherUniversidade Federal da Fronteira Sulpt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentCampus Chapecópt_BR
dc.publisher.initialsUFFSpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectSistema de posicionamento globalpt_BR
dc.subjectTransportespt_BR
dc.titleAplicação de aprendizado de máquina para identificar o meio de transporte baseado em localizações de GPSpt_BR
dc.typeMonografiapt_BR
Aparece nas coleções:Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MULLER.pdf1,43 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Recomendar este item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.