???item.export.label??? ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: https://tede.ufam.edu.br/handle/tede/7122
Full metadata record
DC FieldValueLanguage
dc.creatorGonçalves, Klinsman Maia-
dc.creator.Latteshttp://lattes.cnpq.br/4747064967767262por
dc.contributor.advisor1Souto, Eduardo James Pereira-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/3875301617975895por
dc.contributor.referee1Martins, Gilbert Breves-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/4932200790121123por
dc.contributor.referee2Cristo, Marco Antônio Pinheiro de-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/6261175351521953por
dc.date.issued2019-04-12-
dc.identifier.citationGONÇALVES, Klinsman Maia. Previsão de atividades humanas para dispositivos móveis utilizando mineração de padrões sequenciais. 2019. 138 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus, 2019.por
dc.identifier.urihttps://tede.ufam.edu.br/handle/tede/7122-
dc.description.resumoOs smartphones estão transformando a forma como os seres humanos vivem e como se relacionam com as outras pessoas. A medida que o número de sensores embarcados nesses dispositivos aumenta, a quantidade de dados possíveis de serem reconhecidos cresce, tornando esses dispositivos candidatos naturais para monitorar as atividades humanas. Diante disso, há um interesse crescente no desenvolvimento de sistemas inteligentes que utilizam essas informações para reconhecer o comportamento humano, como assistentes virtuais. Uma das formas de observar o comportamento humano é por meio da análise da rotina dos usuários. Na computação, tal identificação pode ser tratada utilizando métodos de mineração de padrões sequenciais (Sequential Pattern Mining - SPM). As atividades realizadas pelo ser humano podem ser modeladas em uma sequência simbólica e a partir desta um algoritmo de SPM pode ser utilizado para identificação destes padrões, e com base nestes, identificar qual atividade ocorrerá no futuro. Entretanto, tais tipos de dados ainda são poucos explorados para previsão de eventos futuros. Neste contexto, este trabalho propõe um método para previsão de atividades humanas reconhecidas por meio de dispositivos móveis baseado em mineração de padrões sequenciais. Além disto, para aprimorar a acurácia do método de previsão são utilizados dados de contexto. A utilização destes dados têm sido cada vez mais explorada em sistemas inteligentes com resultados promissores. O método desenvolvido é avaliado utilizando duas bases de dados, alcançando acurácia de até 84,40%. Além disso, os resultados apontam que a utilização de contexto no cenário avaliado aumenta a acurácia do método em até 17,97%.por
dc.description.abstractSmartphones have transformed the way people live and how they relate to others. As the number of sensors embedded in these devices increases, the amount of data that can be recognized grows, which makes these devices natural candidates for monitoring human activities. Therefore, there is a growing interest in the development of intelligent systems, such as virtual assistants, which use this information to recognize human behavior. One way to observe human behavior is by analyzing the routine of smartphone users. In computing, such identification can be done by using sequential pattern mining (SPM) techniques. The activities performed by the human being can be modeled in a symbolic sequence. From this sequence, SPM algorithms can be used to identify these patterns and, based on these, to identify which activity will occur in the future. However, such data are still little explored to predict future events. In this context, this work proposes a method for forecasting human activities recognized through mobile devices, based on sequential pattern mining. In addition, to improve the accuracy of the forecasting method, context data are used. These data have been increasingly explored and used in the field of intelligent systems and have shown promising results. The developed method is evaluated using two databases, reaching an accuracy of up to 84.40%. In addition, the results indicate that the use of context data in the scenario evaluated increases the accuracy of the method by up to 17.97%.eng
dc.description.sponsorshipFAPEAM - Fundação de Amparo à Pesquisa do Estado do Amazonaspor
dc.formatapplication/pdf*
dc.thumbnail.urlhttps://tede.ufam.edu.br//retrieve/30358/Disserta%c3%a7%c3%a3o_KlinsmanGon%c3%a7alves_PPGI.pdf.jpg*
dc.languageporpor
dc.publisherUniversidade Federal do Amazonaspor
dc.publisher.departmentInstituto de Computaçãopor
dc.publisher.countryBrasilpor
dc.publisher.initialsUFAMpor
dc.publisher.programPrograma de Pós-graduação em Informáticapor
dc.rightsAcesso Abertopor
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/-
dc.subjectPrevisão de atividadespor
dc.subjectPrevisão de sequênciapor
dc.subjectMineração de padrões sequenciaispor
dc.subjectReconhecimento de padrõespor
dc.subjectSensores do smartphonepor
dc.subjectActivity predictioneng
dc.subjectSequence predictioneng
dc.subjectSequential pattern miningeng
dc.subjectPattern recognitioneng
dc.subjectSmartphone sensorseng
dc.subject.cnpqCIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃOpor
dc.titlePrevisão de atividades humanas para dispositivos móveis utilizando mineração de padrões sequenciaispor
dc.title.alternativePrediction of human activities for mobile devices using sequential pattern miningeng
dc.typeDissertaçãopor
Appears in Collections:Mestrado em Informática

Files in This Item:
File Description SizeFormat 
Dissertação_KlinsmanGonçalves_PPGI.pdf6.68 MBAdobe PDFThumbnail

Download/Open Preview


This item is licensed under a Creative Commons License Creative Commons