Victor Hugo Betoni, Júlia Teles Cruz, F. S. D. Vasconcellos, Paulo Eduardo Crystal, H. Silva, Tânia Basso
Os acidentes de trânsito são uma das maiores preocupações do Brasil. Existem vários fatores responsáveis pela ocorrência de acidentes de trânsito nas rodovias do país e informar motoristas e passageiros sobre esses fatores pode ajudá-los a tomarem melhores decisões quanto ao seu percurso, de forma a reduzir a probabilidade e evitar possíveis acidentes. Desenvolvemos uma aplicação web chamada SafetyTracker, que permite que os usuários informem suas rotas e condições de viagem (por exemplo, clima, horário) e, com base nessas condições, fornece informações estatísticas sobre as estradas e possibilidade de acidentes. Essas informações são obtidas por meio de técnicas de mineração de dados e modelos de aprendizado de máquina aplicados ao banco de dados da Polícia Rodoviária Federal do Brasil.
{"title":"SafetyTracker - uma aplicação web para análise da periculosidade de rodovias do Brasil","authors":"Victor Hugo Betoni, Júlia Teles Cruz, F. S. D. Vasconcellos, Paulo Eduardo Crystal, H. Silva, Tânia Basso","doi":"10.5753/courb.2023.809","DOIUrl":"https://doi.org/10.5753/courb.2023.809","url":null,"abstract":"Os acidentes de trânsito são uma das maiores preocupações do Brasil. Existem vários fatores responsáveis pela ocorrência de acidentes de trânsito nas rodovias do país e informar motoristas e passageiros sobre esses fatores pode ajudá-los a tomarem melhores decisões quanto ao seu percurso, de forma a reduzir a probabilidade e evitar possíveis acidentes. Desenvolvemos uma aplicação web chamada SafetyTracker, que permite que os usuários informem suas rotas e condições de viagem (por exemplo, clima, horário) e, com base nessas condições, fornece informações estatísticas sobre as estradas e possibilidade de acidentes. Essas informações são obtidas por meio de técnicas de mineração de dados e modelos de aprendizado de máquina aplicados ao banco de dados da Polícia Rodoviária Federal do Brasil.","PeriodicalId":277232,"journal":{"name":"Anais do VII Workshop de Computação Urbana (CoUrb 2023)","volume":"64 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-05-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"128802174","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
J. Borges, Ricardo Lüders, Thiago H. Silva, Anelise Munaretto
Muitas cidades possuem um sistema de rastreamento da movimentação dos ônibus do transporte público. O problema de detecção de itinerários definido neste artigo consiste em compatibilizar os registros de geolocalização da movimentação do ônibus com seu respectivo itinerário. Este artigo propõe um algoritmo para detecção de itinerários a partir dos dados de GPS dos ônibus e da localização dos pontos das linhas de ônibus. Como este problema é afetado por falhas no envio dos dados de GPS, sequências temporais geolocalizadas incompatíveis com o itinerário programado precisam ser ajustadas pelo algoritmo. Os resultados mostram que itinerários válidos são detectados em cerca de 90% dos dados da base, excluindo marcações inválidas e adicionando horários em pontos de ônibus faltantes por meio de uma interpolação temporal.
{"title":"Algoritmo para Detecção de Itinerários do Transporte Público Usando Dados de GPS dos Ônibus","authors":"J. Borges, Ricardo Lüders, Thiago H. Silva, Anelise Munaretto","doi":"10.5753/courb.2023.739","DOIUrl":"https://doi.org/10.5753/courb.2023.739","url":null,"abstract":"Muitas cidades possuem um sistema de rastreamento da movimentação dos ônibus do transporte público. O problema de detecção de itinerários definido neste artigo consiste em compatibilizar os registros de geolocalização da movimentação do ônibus com seu respectivo itinerário. Este artigo propõe um algoritmo para detecção de itinerários a partir dos dados de GPS dos ônibus e da localização dos pontos das linhas de ônibus. Como este problema é afetado por falhas no envio dos dados de GPS, sequências temporais geolocalizadas incompatíveis com o itinerário programado precisam ser ajustadas pelo algoritmo. Os resultados mostram que itinerários válidos são detectados em cerca de 90% dos dados da base, excluindo marcações inválidas e adicionando horários em pontos de ônibus faltantes por meio de uma interpolação temporal.","PeriodicalId":277232,"journal":{"name":"Anais do VII Workshop de Computação Urbana (CoUrb 2023)","volume":"17 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-05-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"131243812","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Lucas Airam C. de Souza, Gustavo F. Camilo, Gabriel A. Fontes Rebello, Matteo Sammarco, M. Campista, L. Costa
O aprendizado federado é um novo paradigma que permite o treinamento de modelos de aprendizado de máquina através da colaboração entre clientes e um servidor de agregação. O treinamento dispensa o compartilhamento de dados privados, garantindo aos clientes privacidade de suas amostras. Entretanto, quando os clientes possuem distribuições de dados distintas, o treinamento apresenta dificuldades de convergência, resultando em erros preditivos no modelo final. Este artigo propõe um sistema de aprendizado federado que considera clientes com distribuições de dados heterogêneas e, mesmo assim, produz modelos acurados em menos épocas de treinamento do que o estado da arte. Os efeitos da heterogeneidade dos dados são mitigados através do agrupamento dos clientes baseado em uma estimativa da distribuição de dados através dos pesos da rede neural treinada localmente. Além disso, o sistema utiliza a técnica um-contra-todos, treina um detector para cada classe no sistema. Assim, grupos diferentes podem combinar os detectores a fim de formar um modelo capaz de detectar classes provenientes de outros grupos. Os resultados mostram que o modelo um-contra-todos possui alta capacidade de identificar corretamente as amostras e com acurácia até 18% maior do que o treinamento tradicional, com um baixo custo de comunicação durante o treinamento, reduzindo a quantidade de bytes transmitidos entre 59,6% até 94% em comparação à arquitetura MobileNet.
{"title":"ATHENA-FL: Evitando a Heterogeneidade Estatística através do Um-contra-Todos no Aprendizado Federado","authors":"Lucas Airam C. de Souza, Gustavo F. Camilo, Gabriel A. Fontes Rebello, Matteo Sammarco, M. Campista, L. Costa","doi":"10.5753/courb.2023.717","DOIUrl":"https://doi.org/10.5753/courb.2023.717","url":null,"abstract":"O aprendizado federado é um novo paradigma que permite o treinamento de modelos de aprendizado de máquina através da colaboração entre clientes e um servidor de agregação. O treinamento dispensa o compartilhamento de dados privados, garantindo aos clientes privacidade de suas amostras. Entretanto, quando os clientes possuem distribuições de dados distintas, o treinamento apresenta dificuldades de convergência, resultando em erros preditivos no modelo final. Este artigo propõe um sistema de aprendizado federado que considera clientes com distribuições de dados heterogêneas e, mesmo assim, produz modelos acurados em menos épocas de treinamento do que o estado da arte. Os efeitos da heterogeneidade dos dados são mitigados através do agrupamento dos clientes baseado em uma estimativa da distribuição de dados através dos pesos da rede neural treinada localmente. Além disso, o sistema utiliza a técnica um-contra-todos, treina um detector para cada classe no sistema. Assim, grupos diferentes podem combinar os detectores a fim de formar um modelo capaz de detectar classes provenientes de outros grupos. Os resultados mostram que o modelo um-contra-todos possui alta capacidade de identificar corretamente as amostras e com acurácia até 18% maior do que o treinamento tradicional, com um baixo custo de comunicação durante o treinamento, reduzindo a quantidade de bytes transmitidos entre 59,6% até 94% em comparação à arquitetura MobileNet.","PeriodicalId":277232,"journal":{"name":"Anais do VII Workshop de Computação Urbana (CoUrb 2023)","volume":"47 3 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-05-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"127226492","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
京公网安备 11010802042870号
京ICP备2023020795号-1
扫码关注我们
求助内容：
应助结果提醒方式：