Please use this identifier to cite or link to this item: http://repositorio.ufc.br/handle/riufc/58958
Type: TCC
Title: Avaliação de técnicas de aumento de dados para trajetórias
Authors: Gonçalves Junior, Pedro Alves
Advisor: Cruz, Lívia Almada
Keywords: Análise de dados;Trajetória
Issue Date: 2020
Citation: GONÇALVES JUNIOR, Pedro Alves. Avaliação de técnicas de aumento de dados para trajetórias. 2020. 43 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação)-Universidade Federal do Ceará, Campus de Quixadá, Quixadá, 2020.
Abstract in Brazilian Portuguese: Atualmente, há uma grande quantidade de dados sendo geradas todos os dias, porém, esses dados não são obtidos de maneira uniforme, causando um problema de desbalanceamento. O mesmo ocorre com os dados de trajetória de veículos, nos quais os sensores de tráfego não capturam a passagem de objetos em movimento com a mesma frequência, gerando dados desbalanceados. Além do fato dos sensores estarem posicionados em locais fixos, o que não permite que o rastreamento completo dos objetos em movimento a serem capturados, gerando trajetórias esparsas. Esses problemas podem dificultar o desempenho dos modelos de predição de próxima localização. Com isso, o presente trabalho propõe técnicas de aumento de dados para trajetórias a fim de reduzir o problema da esparsidade de dados e do desbalanceamento com uso de técnicas de reamostragem. E ainda, criar diversos modelos preditivos para avaliar se há associação positiva entre a aplicação dessas técnicas e o desempenho de algoritmos de aprendizado de máquina.
Abstract: Currently, there is a large amount of data being generated every day, however, this data is not obtained uniformly, causing an imbalance problem. The same occurs with vehicle trajectory data, in which traffic sensors do not capture the passage of objects in motion with the same frequency, generating unbalanced data. In addition to the fact that the sensors are positioned at fixed locations, which does not allow the complete tracking of moving objects to be captured, generating sparse trajectories. These problems can hinder the performance of the prediction models of next location. With this, the present work proposes data augmentation techniques for trajectories in order to reduce the problem of data sparsity and imbalance with the use of resampling techniques. And yet, create several predictive models to assess whether there is a positive association between the application of these techniques and the performance of machine learning algorithms.
URI: http://www.repositorio.ufc.br/handle/riufc/58958
Appears in Collections:CIÊNCIA DA COMPUTAÇÃO-QUIXADÁ - Monografias

Files in This Item:
File Description SizeFormat 
2021_tcc_pagonçalvesjunior.pdf612,36 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.