| dc.contributor | CAVALCANTI, George Darmiton da Cunha | |
| dc.contributor | http://lattes.cnpq.br/2300700383941907 | |
| dc.contributor | http://lattes.cnpq.br/8577312109146354 | |
| dc.creator | FREITAS, Marcelo Bassani de | |
| dc.date | 2016-04-06T18:16:38Z | |
| dc.date | 2016-04-06T18:16:38Z | |
| dc.date | 2015-08-26 | |
| dc.identifier | https://repositorio.ufpe.br/handle/123456789/16361 | |
| dc.description | Nos Ambientes Inteligentes, os dispositivos colaboram entre si para auxiliar o usuário de
forma não intrusiva. Uma forma de auxílio é antecipar as ações do usuário e realizá-las por ele ou facilitar a sua realização. Esse trabalho propõe um framework para a predição das ações do usuário pelo aprendizado do seu comportamento e hábitos enquanto ele interage com o Ambiente Inteligente. As ações do usuário é considerada como sendo a troca do valor de um transdutor (sensor ou atuador). A interação do usuário com o Ambiente Inteligente produz o contexto que é utilizado para a predição das ações. O preditor é um algoritmo de classificação supervisionada que aprende os padrões de comportamento do habitante do Ambiente Inteligente. Portanto, a solução proposta pode prover um serviço personalizado e adaptativo ao invés de um conjunto de regras predefinido por humanos. O preditor trabalha apenas com um transdutor alvo e para
prever valores de mais transdutores, mais preditores devem ser treinados. A solução proposta é projetada para funcionar automaticamente sem a necessidade de interferência humana. Isso faz com que o habitante do Ambiente Inteligente sinta-se mais confortável já que sua privacidade estará protegida. Todas as informações para treinar o preditor podem ser obtidas diretamente dos transdutores do Ambiente Inteligente. Não existe a necessidade de anotação manual dos dados e nem dados extras como tipo do transdutor, localização do transdutor ou objeto ao qual o
transdutor está acoplado. Isso aumenta a facilidade de instalação dos transdutores no Ambiente Inteligente. A saída do preditor pode tanto controlar diretamente um atuador ou ser enviada a um agente de software. Esse agente pode verificar condições de segurança ou requisitos de gerenciamento de energia antes de tomar a decisão. O foco desse trabalho é a geração de uma base de dados com os dados do contexto para o treinamento do preditor responsável por decidir se o transdutor alvo deverá ou não mudar seu valor. Vários parâmetros são considerados como o tamanho do período de treinamento, quantidade de ativações passadas que serão consideradas e quais são os transdutores mais relevantes para a predição. A solução proposta atinge uma
melhora significativa para todos os transdutores estudados e a maioria das combinações de parâmetros da geração da base de dados possuem resultados melhores que o caso base. Além disso, os nossos resultados são superiores às outras soluções da literatura. | |
| dc.description | CNPq | |
| dc.description | Smart environments possess devices that collaborate to help the user non-intrusively. One possible aid smart environment offer is to anticipate user’s tasks and perform them on his/her behalf or facilitate the action completion. In this work, we propose a framework that predicts user’s actions by learning his/her behavior when interacting with the smart environment. The user actions are considered as being the value change of a transducer (sensor or actuator). The user interaction with the smart environment produces the context used to predict the actions. The predictor is a supervised classification algorithm that learns the smart environment inhabitant behavior patterns. Therefore, the proposed solution can provide a personalized and adaptive service instead of a human predefined set of rules. The predictor works with only one transducer and to predict the values of several transducers, more predictors must be trained. The proposed solution is designed to work automatically without the need of human interference. That makes the smart environment inhabitant more comfortable since his/her privacy is protected. All the
information needed to train the predictor can be obtained directly from the smart environment transducers. There is no need for manual data annotation or extra data such as transducer type, transducer location or which object the transducer is attached to. This facilitates the transducer installation in the smart environment. The predictor output can either control directly an actuator or be sent to an software agent. This software agent can check for security or energy constraints before making the decision. This work focus on prepare datasets and train a predictor that is responsible to decide whether a target transducer value should be changed or not. Several parameters are considered such as the training period size, amount of previous transducer activations considered and which are the most relevant transducers for the prediction. Our solution achieves a significant improvement for all target transducers studied and most combinations of parameters yields better results than the base case. Our results are superior to other solutions in the literature. | |
| dc.format | application/pdf | |
| dc.language | por | |
| dc.publisher | Universidade Federal de Pernambuco | |
| dc.publisher | UFPE | |
| dc.publisher | Brasil | |
| dc.publisher | Programa de Pos Graduacao em Ciencia da Computacao | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | |
| dc.rights | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | |
| dc.subject | Smart Environment | |
| dc.subject | Ubiquitous Computing | |
| dc.subject | Ambient Assisted Living | |
| dc.subject | Intelligent Control | |
| dc.subject | Machine Learning | |
| dc.subject | Ambiente Inteligente | |
| dc.subject | Computação Ubíqua | |
| dc.subject | Ambient Assisted Living | |
| dc.subject | Controle Inteligente | |
| dc.subject | Aprendizagem de Máquina | |
| dc.title | Sistema de predição de estados de transdutores para ambientes inteligentes | |
| dc.type | masterThesis | |
