Pre-Projeto de Dissertação

Transcript

1. UECE - Universidade Estadual do Ceará Mestrado Profissional em Computação Aplicada Linha de Pesquisa: Sistemas de Apoio à Decisão TÍTULO DO PROJETO Predição de próximo destino baseado em trajetórias históricas Aluno: Hedley Luna Gois Oriá Orientadores: Prof. DSc. Marcos José Negreiros Gomes Prof. DSc.José Antônio Macedo 24 de Junho de 2015
2. Predição de Destinos TEMA DELIMITAÇÃO DO TEMA Predição de Destinos utilizando Dados Históricos
3. Tendo acesso aos dados históricos das trajetórias de usuários e partindo- se de uma origem, qual será o destino? PROBLEMA
4. Criar uma aplicação web para previsão de destinos baseado nos históricos de trajetórias dos usuários. OBJETIVO GERAL
5. OBJETIVOS ESPECÍFICOS • Implementar algoritmo de similaridade de rotas; • Implementar algoritmo de previsão de destinos baseado na frequência de visita de um usuário; • Implementar algoritmo de Page Rank para rankear possíveis destinos; • Implementar algoritmo DBScan para identificar hotspots; • Implementar algoritmo de decisão híbrido: probabilístico, ranking e DBScan; • Implementar interface web para usuário final; • Implementar integração com dados externos: Google Maps.
6. Possibilidade da criação de serviços que sejam geolocalizados e/ou baseados em tempo, seja para usuários finais ou empresariais. Além da criação de uma nova metodologia combinada para predição de destinos. JUSTIFICATIVA DA ESCOLHA
7. A abordagem será feita de forma quantitativa e qualitativa, pois os dois aspectos serão avaliados no presente trabalho. A técnica deve ter boa taxa de acertos e não deve demorar a responder, do contrário teria pouca aceitação do mercado. Quanto aos objetivos, a pesquisa é de cunho experimental, uma vez que os parâmetros e dados do modelo serão constantemente alterados visando um balanço entre eles. Etapas do trabalho: • Implementação de algoritmo baseado em (Laasonen, 2005) utilizando a idéia de quadrantes usada no algoritmo QS-STT para o problema abordado e verificar se o resultado tem boa taxa de acerto e boa velocidade; • Implementação do algoritmo Page Rank e verificar sua qualidade associado ao problema de previsão; • Implementação do algoritmo de DBScan para identificação de hotspots; • Criação do modelo de avaliação entre as três técnicas implementadas; • Implementar interface web para testes por usuários quaisquer; • Avaliar desempenho geral da aplicação. METODOLOGIA
8. RESULTADOS E IMPACTOS ESPERADOS Resultados Aplicação web aplicando o modelo aqui proposto para predição de destinos. Impactos Possibilidade de criação de serviços geolocalizados e baseados em tempo, pois com a posse da localização futura de um usuário, pode-se oferecer uma grande diversidade de produtos (B2C) ou mesmo a venda desse dado em si para empresas interessadas (B2B).
9. • Dificuldade na coleta de dados; • Grande volume de dados; • Correto balanceamento entre os três algoritmos; • Performance DBScan; • Dependência dos usuários fornecerem a corretude das previsões. RISCOS
10. CRONOGRAMA Atividades ABR 15 MAI 15 JUN 15 JUL 15 AGO 15 SET 15 OUT 15 NOV 15 DEZ 15 1 Levantamento Bibliográfico X 2 Implementação algoritmo frequência X X 3 Testes de Corretude X 4 Implementação Page Rank X X 5 Testes de Corretude X X 6 Implementação Ingração Google Maps X X 7 Implementação DBScan X 8 Testes de Corretude X 9 Implementação Interface Web X X 10 Liberação da Versão de Testes na Web X 11 Escrita do Trabalho X X X X 12 Apresentação X
11. • PAGE, Lawrence et al. The PageRank citation ranking: bringing order to the Web. 1999. • LEI, Po-Ruey; LI, Shou-Chung; PENG, Wen-Chih. QS-STT: QuadSection clustering and spatial-temporal trajectory model for location prediction.Distributed and Parallel Databases, v. 31, n. 2, p. 231-258, 2013. • LAASONEN, Kari. Clustering and prediction of mobile user routes from cellular data. In: Knowledge Discovery in Databases: PKDD 2005. Springer Berlin Heidelberg, 2005. p. 569-576. • LIU, Xiong; KARIMI, Hassan A. Location awareness through trajectory prediction. Computers, Environment and Urban Systems, v. 30, n. 6, p. 741-756, 2006. • BIRANT, Derya; KUT, Alp. ST-DBSCAN: An algorithm for clustering spatial–temporal data. Data & Knowledge Engineering, v. 60, n. 1, p. 208-221, 2007. REFERÊNCIAS BIBLIOGRÁFICAS:
12. OBRIGADO!