MobDeep: um arcabouço para geração de dados de mobilidade urbana utilizando aprendizado profundo
Nome: IRAN FREITAS RIBEIRO
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 03/09/2021
Orientador:
Nome |
Papel |
|---|---|
| VINICIUS FERNANDES SOARES MOTA | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| ANTONIO AUGUSTO DE ARAGÃO ROCHA | Examinador Externo |
| RODOLFO DA SILVA VILLACA | Examinador Interno |
| VINICIUS FERNANDES SOARES MOTA | Orientador |
Resumo: Entender a mobilidade dos componentes de redes móveis é fundamental para diversos
tipos de redes, como redes sem fio, redes veiculares ou ad hoc. Nesse sentido, o estudo e
acesso a dados de mobilidade urbana se mostram imprescindíveis para avaliar o
desempenho dessas redes. O impacto da mobilidade é investigado por meio de modelos
sintéticos ou dados de mobilidade reais. Embora modelos sintéticos tentem reproduzir
características reais de mobilidade, podem não refletir a realidade do cenário estudado. O
acesso e divulgação de dados de mobilidade urbana é limitado por desafios na coleta dos
dados, tratamento de informações faltantes e garantias de privacidade. Uma alternativa a
esse problema é a geração de dados sintéticos, a partir de dados reais, que possam
preservar as características dos dados enquanto mantém a sua privacidade. Considerando
que dados de mobilidade urbana são altamente dependentes do tempo, é possível tratá-lo
como séries temporais. Assim, propomos o MobDeep, um arcabouço baseado em
aprendizado profundo para geração e avaliação de modelos de séries temporais de
mobilidade urbana. Neste trabalho, utilizamos um modelo estatístico (ARIMA) e três
modelos baseados em aprendizado profundo (GANs) para simulação das séries temporais.
Para validar a solução proposta, os modelos são treinados com duas bases de dados: uma
base aberta, com informações sobre locações de bicicletas em cidades dos Estados
Unidos; e; uma base privada que possui informações sobre o trânsito da cidade Vitória-ES,
que são reportadas pelos usuários do aplicativo WAZE. Os modelos treinados são usados
para geração de bases sintéticas que, posteriormente, têm seu desempenho avaliado por
meio de análises qualitativas e quantitativas. Os resultados das avaliações mostram que a
solução proposta, utilizando os modelos baseados em aprendizado profundo, consegue
gerar dados sintéticos com as mesmas características dos dados reais. Desta forma, os
modelos podem ser compartilhados, permitindo a geração de dados sintéticos, preservando
a privacidade dos dados originais.
