Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/31678| Título: | Análise de dados para identificação de atividades de estacionamento de veículos por meio de aprendizado de máquina |
| Título(s) alternativo(s): | Data analysis for identification of vehicle parking activities through machine learning |
| Autor(es): | Frandoloso, Vinícius Rodrigues |
| Orientador(es): | Rodrigues, Érick Oliveira |
| Palavras-chave: | Aprendizado do computador Interfaces de usuário (Sistemas de computação) Sistema de Posicionamento Global Algorítmos computacionais Machine learning User interfaces (Computer systems) Global Positioning System Computer algorithms |
| Data do documento: | 16-Jun-2023 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | FRANDOLOSO, Vinícius Rodrigues. Análise de dados para identificação de atividades de estacionamento de veículos por meio de aprendizado de máquina. 2023. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2023. |
| Resumo: | A dificuldade de lembrar onde um veículo foi estacionado é um problema comum, principalmente em ambientes desconhecidos. Este estudo teve como objetivo desenvolver uma análise e estudo a respeito da possibilidade de distinguir, por meio de algoritmos de aprendizagem de máquina, as atividades de estacionar e estar em movimento de um veículo. Um aplicativo móvel foi desenvolvido utilizando o framework Flutter com a finalidade de coletar dados por meio de sensores, como o velocímetro, giroscópio e magnetômetro, para treinar algoritmos de aprendizado de máquina. Foram empregados os algoritmos k-NN, Random Forest e SVM para analisar os dados coletados. A pesquisa foi conduzida em duas fases, utilizando conjuntos de dados distintos para treinamento e testes. O desempenho dos algoritmos foi avaliado com base na acurácia alcançada na classificação. Em resumo, os resultados revelaram que o algoritmo Random Forest obteve a melhor eficácia na classificação do estacionamento de veículos, alcançando uma acurácia de 92,71% na primeira fase e 94,12% na segunda fase. Esses resultados destacam a capacidade do sistema proposto em distinguir com precisão as atividades de estacionamento em diferentes contextos. |
| Abstract: | The difficulty of remembering where a vehicle was parked is a common problem, especially in unfamiliar environments. This study aimed to develop an analysis and investigation regarding the possibility of distinguishing parking activities and vehicle motion through machine learning algorithms. A mobile application was developed using the Flutter framework to collect data through sensors such as the speedometer, gyroscope, and magnetometer, in order to train machine learning algorithms. The k-NN, Random Forest, and SVM algorithms were employed to analyze the collected data. The research was conducted in two phases, using distinct datasets for training and testing. The performance of the algorithms was evaluated based on the accuracy achieved in classification. In summary, the results revealed that the Random Forest algorithm achieved the highest efficacy in classifying vehicle parking, reaching an accuracy of 92.71% in the first phase and 94.12% in the second phase. These results highlight the capability of the proposed system to accurately distinguish parking activities in different contexts. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/31678 |
| Aparece nas coleções: | PB - Engenharia de Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| analisedadosestacionamento.pdf | 2,04 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
