Universidade Federal do Ceará - Campus Quixadá ANÁLISE DE DADOS SENSORIAIS DE TRÁFEGO PARA PREDIÇÃO DE VELOCIDADE UTILIZANDO TÉCNICAS DE APRENDIZADO DE MÁQUINA E APRENDIZADO PROFUNDO Isac Moura Gomes Orientador: Prof. Dr. Regis Pires Magalhães 1 de julho de 2019 

1 Agenda Introdução Objetivos Fundamentação Teórica Trabalhos Relacionados Procedimentos Metodológicos Resultados Preliminares Cronograma Referências | 

2 Introdução O crescimento das cidades e o incremento no número de veículos nas ruas torna necessário pensar em maneiras de melhorar a mobilidade urbana nestas cidades utilizando a variedade de dados disponíveis. | 

3 Introdução Partindo da problemática, a predição de velocidades futuras analisando dados de sensores mostrou-se uma alternativa visando melhorar a mobilidade urbana. | 

4 Objetivos Objetivo Geral: Predizer as velocidades futuras de veículos que passam por vias da cidade de Fortaleza, analisando os dados de sensores que monitoram estas vias. | 

5 Objetivos Objetivos Específicos Agregar as features que possuam algum tipo de relação; Testar as abordagens de Aprendizado de Máquina existentes; Implementar um modelo de predição de velocidades utilizando Aprendizado Profundo; Comparar os resultados dos diferentes modelos de Aprendizado de Máquina e Aprendizado Profundo. | 

6 Fundamentação Teórica Aprendizado de Máquina Aprendizado Profundo Rede Neural Feedforward Rede Neural Neuro-Difusa Rede Neural Recorrente Long Short-Term Memory Métricas de Avaliação | 

7 Fundamentação Teórica Aprendizado de Máquina Figura: Hierarquia do Aprendizado de Máquina Adaptado de (MONARD; BARANAUSKAS, 2003) | 

8 Fundamentação Teórica Aprendizado Profundo Figura: Estrutura básica de uma RNA Fonte: (OLIVEIRA et al., 2010) | 

9 Fundamentação Teórica Rede Neural Recorrente: são redes neurais que possuem conexões de realimentação, com o seu processamento temporal e a sua capacidade de implementar memórias adaptativas como fatores marcantes (BENGIO et al., 1993). | 

10 Fundamentação Teórica Long Short-Term Memory: são redes que salvam informações para mais tarde, evitando que os sinais antigos desapareçam gradualmente durante o processamento (CHOLLET, 2018). Foram projetadas para modelar sequências temporais e suas dependências de longo alcance com mais precisão do que as RNNs convencionais (SAK; SENIOR; BEAUFAYS, 2014). | 

11 Fundamentação Teórica Métricas de Avaliação: Root Mean Square Error (RMSE) Mean Absolute Percentage Error (MAPE) | 

12 Trabalhos Relacionados Figura: Trabalhos Relacionados Fonte: Elaborado pelo Autor | 

13 Procedimentos Metodológicos Figura: Fluxo dos Procedimentos Metodológicos Elaborado pelo Autor | 

14 Resultados Preliminares Coleta dos dados: Os dados foram disponibilizados pela Autarquia Municipal de Trânsito e Cidadania (AMC) da cidade de Fortaleza. O dataset está dividido em 12 arquivos, com os arquivos possuindo os registros captados pelos sensores de diferentes ruas, com os dados em formato bruto. | 

15 Resultados Preliminares Figura: Amostra de dados do sensor AT037 para o mês de janeiro Fonte: Elaborado pelo Autor | 

16 Resultados Preliminares Pré-processamento dos dados Varredura para identificação de valores nulos; Varredura para identificação de valores vazios; Agregação inicial das features temporais. | 

17 Cronograma ATIVIDADES 2019 Abr Mai Jun Jul Ago Set Out Nov Análise dos dados coletados x x Identificação das features e métricas para este trabalho x x x x Defesa do projeto de pesquisa x Análise das técnicas selecionadas x x x x x x Implementar as técnicas selecionadas para o modelo x x x x x x Treino do modelo x x x x Testes do modelo x x x Comparação dos resultados obtidos x x Revisão final da monografia x x Escrita de resumo estendido para Encontros Universitários x Defesa do Trabalho Final x | 

18 Referências Bibliográficas I BENGIO, Y. et al. Recurrent neural networks for adaptive temporal processing. Universitá di Firenze, 1993. CHOLLET, F. Deep Learning mit Python und Keras: Das Praxis- Handbuch vom Entwickler der Keras-Bibliothek. [S.l.]: MITP-Verlags GmbH & Co. KG, 2018. MONARD, M. C.; BARANAUSKAS, J. A. Conceitos sobre aprendizado de máquina. Sistemas inteligentes-Fundamentos e aplicações, v. 1, n. 1, p. 32, 2003. OLIVEIRA, A. C. S. de et al. Aplicação de redes neurais artificiais na previsão da produção de álcool. 2010. SAK, H.; SENIOR, A.; BEAUFAYS, F. Long short-term memory recurrent neural network architectures for large scale acoustic modeling. In: Fifteenth annual conference of the international speech communication association. [S.l.: s.n.], 2014. | 

19 Referências Bibliográficas II LIPPI, M.; BERTINI, M.; FRASCONI, P. Short-term traffic flow forecasting: An experimental comparison of time-series analysis and supervised learning. In: IEEE Transactions on Intelligent Transportation Systems. [S.l.: s.n.], 2013. p. 871–882. ROSE, Y.; YAGUANG, L.; CYRUS, S.; UGUR, D.; YAN, L. Deep learning: A generic approach for extreme condition traffic forecasting. In: Proceedings of the 2017 SIAM International Conference on Data Mining. [S.l.: s.n.], 2017. p. 777–785. XIAOLEI, M.; ZHIMIN, T.; YINHAI, W.; HAIYANG, Y.; YUNPENG, W. Long short-term memory neural network for traffic speed prediction using remote microwave sensor data. In: Transportation Research Part C: Emerging Technologies. [S.l.: s.n.], 2015. p. 187–197 | 

Obrigado!