Predição de Geolocalização de Veículo com Alerta de Roubo Usando LSTM, Transformer e TLE
Resumo
Predição de Trajetória de Sensor Externo (TSE) veicular se tornou uma necessidade real ao juntar a capacidade de OCR das câmeras modernas de vigilância com os alertas de roubos de veículos [Neto et al. 2021]. Neste trabalho, utilizando as técnicas de deep learning LSTM, Transformer e uma nova arquitetura proposta de Transformer e LSTM Entrelaçados (TLE), propõe-se utilizar os dados de vias das ruas para aprimorar a predição de próximo sensor externo. Os resultados dos modelos surpreendem ao atingir MSE de 5, 9 × 10−6 em alguns casos. Nesse contexto, observa-se que os dados de vias das ruas são informações úteis na maioria dos casos.
Referências
Almeida, V. G., Silva, T. R., and Silva, F. A. (2022). Se for, vá na paz: Construindo rotas seguras para veículos coletivos urbanos. In Anais do XL Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 140–153. SBC.
Bae, K., Lee, S., and Lee, W. (2022). Transformer networks for trajectory classification. In 2022 IEEE International Conference on Big Data and Smart Computing (BigComp), pages 331–333. IEEE.
Botchkarev, A. (2018). Evaluating performance of regression machine learning models using multiple error metrics in azure machine learning studio. Available at SSRN 3177507.
Brito, M., Martins, B., Santos, C., Medeiros, I., Araújo, F., Seruffo, M., Oliveira, H., Cerqueira, E., and Rosário, D. (2023). Personalized experience-aware multi-criteria route selection for smart mobility. In Anais do XLI Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 504–517. SBC.
Brownlee, J. (2021). Regression metrics for machine learning. [link]. [On-line; Acesso em: 12-01-2024].
Capanema, C. G. S., Silva, F. A., and Silva, T. R. d. M. B. (2020). Mfa-rnn: Uma rede neural recorrente para predição de próximo local de visita com base em dados esparsos. In Anais do XXXVIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuidos, pages 127–140. SBC.
Chen, X., Zhang, H., Zhao, F., Cai, Y., Wang, H., and Ye, Q. (2022). Vehicle trajectory prediction based on intention-aware non-autoregressive transformer with multiattention learning for internet of vehicles. IEEE Transactions on Instrumentation and Measurement, 71:1–12.
Cruz, L. A., Coelho da Silva, T. L., Magalhães, R. P., Melo, W. C. D., Cordeiro, M., de Macedo, J. A. F., and Zeitouni, K. (2022). Modeling trajectories obtained from external sensors for location prediction via nlp approaches. Sensors, 22(19):7475.
de Souza, A. M., Braun, T., Botega, L. C., Villas, L. A., and Loureiro, A. A. (2019). Safe and sound: Driver safety-aware vehicle re-routing based on spatio-temporal information. IEEE Transactions on Intelligent Transportation Systems, 21(9):3973–3989.
de Souza, A. M. and Villas, L. A. (2020). Vem tranquilo: Rotas eficientes baseado na dinâmica urbana futura com deep learning e computaçao de borda. In Anais do XXXVIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 351–364. SBC.
Devlin, J., Chang, M.-W., Lee, K., and Toutanova, K. (2018). Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805.
Gaiduchenko, N. E., Gritsyk, P. A., and Malashko, Y. I. (2020). Multi-step ballistic vehicle trajectory forecasting using deep learning models. In 2020 International Conference Engineering and Telecommunication (En&T), pages 1–6. IEEE.
Haviland, C. V. and Wiseman, H. (1974). Criminals who drive. In Proceedings: American Association for Automotive Medicine Annual Conference, volume 18, pages 432–439. Association for the Advancement of Automotive Medicine.
Hendrycks, D. and Gimpel, K. (2016). Gaussian error linear units (gelus). arXiv preprint arXiv:1606.08415.
Hu, H., Wang, Q., Du, L., Lu, Z., and Gao, Z. (2022). Vehicle trajectory prediction considering aleatoric uncertainty. Knowledge-Based Systems, 255:109617.
Joseph, V. R. (2022). Optimal ratio for data splitting. Statistical Analysis and Data Mining: The ASA Data Science Journal, 15(4):531–538.
Karimzadeh, M., Aebi, R., de Souza, A. M., Zhao, Z., Braun, T., Sargento, S., and Villas, L. (2021). Reinforcement learning-designed lstm for trajectory and traffic flow prediction. In 2021 IEEE wireless communications and networking conference (WCNC), pages 1–6. IEEE.
Ladeira, L. Z., de Souza, A. M., Rocha Filho, G. P., Silva, T. H., Sanches, M. F., and Villas, L. A. (2019a). Martini: Towards a mobile and variable time window identification for spatio-temporal data. In 2019 IEEE Latin-American Conference on Communications (LATINCOM), pages 1–6. IEEE.
Ladeira, L. Z., de Souza, A. M., Rocha Filho, G. P., Silva, T. H., and Villas, L. A. (2019b). Serviço de sugestão de rotas seguras para veículos. In Anais do XXXVII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 608–621. SBC.
Ladeira, L. Z., de Souza, A. M., Silva, T. H., Rocha Filho, G. P., Peixoto, M. L. M., and Villas, L. A. (2020). Cerva: Roteamento contextual para veículos com risco espaçotemporal. In Anais do XXXVIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 379–392. SBC.
Neto, J. S. D. S., Da Silva, T. L. C., Cruz, L. A., de Lira, V. M., de Macêdo, J. A. F., Magalhaes, R. P., and Peres, L. G. (2021). Predicting the next location for trajectories from stolen vehicles. In 2021 IEEE 33rd International Conference on Tools with Artificial Intelligence (ICTAI), pages 452–456. IEEE.
Sun, R. (2019). Optimization for deep learning: theory and algorithms. arXiv preprint arXiv:1912.08957.
Tsiligkaridis, A., Zhang, J., Taguchi, H., and Nikovski, D. (2020). Personalized destination prediction using transformers in a contextless data setting. In 2020 International Joint Conference on Neural Networks (IJCNN), pages 1–7. IEEE.
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., and Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30.
Xu, Y., Wang, Y., and Peeta, S. (2023). Leveraging transformer model to predict vehicle trajectories in congested urban traffic. Transportation research record, 2677(2):898–909.
Bae, K., Lee, S., and Lee, W. (2022). Transformer networks for trajectory classification. In 2022 IEEE International Conference on Big Data and Smart Computing (BigComp), pages 331–333. IEEE.
Botchkarev, A. (2018). Evaluating performance of regression machine learning models using multiple error metrics in azure machine learning studio. Available at SSRN 3177507.
Brito, M., Martins, B., Santos, C., Medeiros, I., Araújo, F., Seruffo, M., Oliveira, H., Cerqueira, E., and Rosário, D. (2023). Personalized experience-aware multi-criteria route selection for smart mobility. In Anais do XLI Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 504–517. SBC.
Brownlee, J. (2021). Regression metrics for machine learning. [link]. [On-line; Acesso em: 12-01-2024].
Capanema, C. G. S., Silva, F. A., and Silva, T. R. d. M. B. (2020). Mfa-rnn: Uma rede neural recorrente para predição de próximo local de visita com base em dados esparsos. In Anais do XXXVIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuidos, pages 127–140. SBC.
Chen, X., Zhang, H., Zhao, F., Cai, Y., Wang, H., and Ye, Q. (2022). Vehicle trajectory prediction based on intention-aware non-autoregressive transformer with multiattention learning for internet of vehicles. IEEE Transactions on Instrumentation and Measurement, 71:1–12.
Cruz, L. A., Coelho da Silva, T. L., Magalhães, R. P., Melo, W. C. D., Cordeiro, M., de Macedo, J. A. F., and Zeitouni, K. (2022). Modeling trajectories obtained from external sensors for location prediction via nlp approaches. Sensors, 22(19):7475.
de Souza, A. M., Braun, T., Botega, L. C., Villas, L. A., and Loureiro, A. A. (2019). Safe and sound: Driver safety-aware vehicle re-routing based on spatio-temporal information. IEEE Transactions on Intelligent Transportation Systems, 21(9):3973–3989.
de Souza, A. M. and Villas, L. A. (2020). Vem tranquilo: Rotas eficientes baseado na dinâmica urbana futura com deep learning e computaçao de borda. In Anais do XXXVIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 351–364. SBC.
Devlin, J., Chang, M.-W., Lee, K., and Toutanova, K. (2018). Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805.
Gaiduchenko, N. E., Gritsyk, P. A., and Malashko, Y. I. (2020). Multi-step ballistic vehicle trajectory forecasting using deep learning models. In 2020 International Conference Engineering and Telecommunication (En&T), pages 1–6. IEEE.
Haviland, C. V. and Wiseman, H. (1974). Criminals who drive. In Proceedings: American Association for Automotive Medicine Annual Conference, volume 18, pages 432–439. Association for the Advancement of Automotive Medicine.
Hendrycks, D. and Gimpel, K. (2016). Gaussian error linear units (gelus). arXiv preprint arXiv:1606.08415.
Hu, H., Wang, Q., Du, L., Lu, Z., and Gao, Z. (2022). Vehicle trajectory prediction considering aleatoric uncertainty. Knowledge-Based Systems, 255:109617.
Joseph, V. R. (2022). Optimal ratio for data splitting. Statistical Analysis and Data Mining: The ASA Data Science Journal, 15(4):531–538.
Karimzadeh, M., Aebi, R., de Souza, A. M., Zhao, Z., Braun, T., Sargento, S., and Villas, L. (2021). Reinforcement learning-designed lstm for trajectory and traffic flow prediction. In 2021 IEEE wireless communications and networking conference (WCNC), pages 1–6. IEEE.
Ladeira, L. Z., de Souza, A. M., Rocha Filho, G. P., Silva, T. H., Sanches, M. F., and Villas, L. A. (2019a). Martini: Towards a mobile and variable time window identification for spatio-temporal data. In 2019 IEEE Latin-American Conference on Communications (LATINCOM), pages 1–6. IEEE.
Ladeira, L. Z., de Souza, A. M., Rocha Filho, G. P., Silva, T. H., and Villas, L. A. (2019b). Serviço de sugestão de rotas seguras para veículos. In Anais do XXXVII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 608–621. SBC.
Ladeira, L. Z., de Souza, A. M., Silva, T. H., Rocha Filho, G. P., Peixoto, M. L. M., and Villas, L. A. (2020). Cerva: Roteamento contextual para veículos com risco espaçotemporal. In Anais do XXXVIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 379–392. SBC.
Neto, J. S. D. S., Da Silva, T. L. C., Cruz, L. A., de Lira, V. M., de Macêdo, J. A. F., Magalhaes, R. P., and Peres, L. G. (2021). Predicting the next location for trajectories from stolen vehicles. In 2021 IEEE 33rd International Conference on Tools with Artificial Intelligence (ICTAI), pages 452–456. IEEE.
Sun, R. (2019). Optimization for deep learning: theory and algorithms. arXiv preprint arXiv:1912.08957.
Tsiligkaridis, A., Zhang, J., Taguchi, H., and Nikovski, D. (2020). Personalized destination prediction using transformers in a contextless data setting. In 2020 International Joint Conference on Neural Networks (IJCNN), pages 1–7. IEEE.
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., and Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30.
Xu, Y., Wang, Y., and Peeta, S. (2023). Leveraging transformer model to predict vehicle trajectories in congested urban traffic. Transportation research record, 2677(2):898–909.
Publicado
21/07/2024
Como Citar
MACEDO, Gustavo V. I. de et al.
Predição de Geolocalização de Veículo com Alerta de Roubo Usando LSTM, Transformer e TLE. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO UBÍQUA E PERVASIVA (SBCUP), 16. , 2024, Brasília/DF.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 61-70.
ISSN 2595-6183.
DOI: https://doi.org/10.5753/sbcup.2024.2568.
