Um Arcabouço Flexível para Integração de Análise Preditiva e Prescritiva, com Atuação

• Marcos Aguiar Universidade Federal da Bahia
• Fabíola Greve Universidade Federal da Bahia
• Genaro Costa Universidade Federal da Bahia

DOI: https://doi.org/10.5753/sbsi.2017.6040

Resumo

A Internet das Coisas (IoT), aliada a diversas outras tendências, tem proporcionado uma geração massiva de dados. Todo esse volume de dados gera oportunidades para extração de conhecimento e agregação de valor. Nesse contexto, a integração da análise de dados preditiva com a análise prescritiva pode auxiliar usuários e a Indústria a serem mais produtivos e bem sucedidos. Esse artigo apresenta um arcabouço genérico para fazer predição, prescrição e atuação, permitindo com que o desenvolvedor integre esses conceitos e facilidades em seus experimentos. O arcabouço apresenta arquitetura de micro serviços flexível e escalável, promove eficácia, tolerância a falhas e exibe bom desempenho em cenários de IoT e computação em nuvem. Uma implementação da proposta é apresentada e resultados significativos são obtidos.

Palavras-chave: Análise Preditiva, Análise Prescritiva, Aprendizagem de máquina, Internet das Coisas

Referências

Araújo, N. V. de S.; Shinoda, A. A.; Oliveira, R. de. Kappa-artmap fuzzy: uma metodologia para detecção de intrusos com seleção de atributos em redes de computadores. SBRC, Universidade de Brasilia, Brasilia - DF, Brasil, 2013.

Baek, S. H. Implementation Vehicle Driving State System with. 17th Asia-Pacific Conference on Communications (APCC). Sabah - Malasya: [s.n.]. 2011.

Bastos, E. Estudo das diferenças dos requerimentos das principais legislações de On Board Diagnostics para padronização de testes de desenvolvimento e validação de transmissão automática de automóveis. Centro Universitário do Instituto Mauá de Tecnologia. São Caetano do Sul, p. 58p. 2012.

Braga, A.P; Carvalho, A.P.L.F; Ludermir, T. B. Redes neurais artificiais: teoria e aplicação. 2 ed. São Paulo: LTC, 2014.

CHONG, L. et al. A rule-based neural network approach to model driver naturalistic behavior in traffic. Transportation Research Part C: Emerging Technologies, v. 32, p. 207-223, 2013.

Cohen, J. et al. A coeficient of agreement for nominal scales. Educational and psychological measurement, Durham, v. 20, n. 1, p. 37-46, 1960.

Godavarty; Broyles, S.; Parten, M. Interfacing to the onboard diagnostic system. Vehicular Technology Conference, Boston, v. 4, n. 52, p. 2000-2004, september 2000.

Haykin, S. Neural networks, a comprehensive foudation. New Jersey: Englewood Cliffs. 2001. 842p.

Huang, S. H.; Zhang, H.-C. Applications of neural networks in manufacturing: a state-of-the-art survey. International Journal of Production Research, 33, n. 3, 2007. 705-728.

MESEGUER, J. E. et al. DrivingStyles: A smartphone application to assess driver behavior. IEEE Symposium on Computers and Communications (ISCC), Split, Croatia, p. 435-540, 2013.

NEWMAN, S. et al. Safety in occupational driving: development of a driver behaviour scale for the workplace context. Applied Psichology, v. 60, n. 4, p. 576-599, 2011.

OBD-II. The OBD-II Home Page. Disponível em: http://www.obdii.com/background.htm. Acesso em: 15 dez. 2015.

Pybrain. The Python learning machine library. Disponível em: . Acesso em: 11 jan. 2016.

Shi-Huang Chen; Jeng-Shyang Pan; Kaixuan Lu. Driving Behavior Analysis Based on Vehicle OBD Information and AdaBoost Algorithms. Proceedings of the International MultiConference of Engineers and Computer Scientists, v. 1, 2015.

Silva, I. N; Spatti, D. H; Flauzino, R. A. Redes neurais artificiais para engenharia e ciências aplicadas. São Paulo: Artliber, 2010.

Villamagna, M. R. Seleção de modelos de séries temporais e redes neurais artificiais na previsão de consumo e demanda de energia elétrica. Dissertação (mestrado). Lavras: UFLA, 2013. 113p.