MoveAndShot - Um aplicativo para recomendação dos melhores pontos para captura de fotografias

• Johny Silva Instituto Federal do Ceará
• Yuri Lacerda Instituto Federal do Ceará

DOI: https://doi.org/10.5753/sbsi.2017.6042

Resumo

O uso de aplicativos móveis para execução de tarefas diárias tem tornado a vida moderna mais fácil. A popularização dos smartphones e a incorporação de muitas funcionalidades, como: GPS, acesso à Internet, bússola, entre outros; têm possibilitado o seu uso para os mais diversos propósitos. Os avanços das redes sociais, aplicações e smartphones fizeram aumentar exponencialmente o número de fotos compartilhadas instantaneamente na Web. Popularmente, as fotos capturadas pelas pessoas podem ser categorizadas em dois tipos: de eventos (aniversários, shows musicais, etc.) e de Pontos de Interesse (POIs). O propósito do MoveAndShot é auxiliar as pessoas a encontrarem os melhores locais para captura de fotos de POIs em uma cidade, de forma a encontrar as melhores direções para o registro fotográfico. O aplicativo móvel recebe do servidor, através de web services, a posição geográfica dos POIs e a recomendação dos melhores locais para captura de fotografias. Um estudo de caso foi apresentado de forma a avaliar o aplicativo proposto. Os resultados obtidos mostraram que o MoveAndShot alcança quase 60% de precisão na captura de fotografias dos POIs. Os experimentos provaram a efetividade da aplicação MoveAndShot através de um estudo de caso realizado na cidade de Crato, Ceará.

Palavras-chave: serviços baseados em localização, arquitetura orientada a serviço, computação móvel, tecnologia assistiva

Referências

L. Atzori, A. Iera, G. Morabito, and A. Diee. The Internet of Things : A survey. Computer Networks, 54(15):2787–2805, 2010.

R. Barber and M. Sharkey. Course correction: using analytics to predict course success. In 2nd international conference on learning analytics and knowledge, pages 259–262, 2012.

L. Breiman. Random forests. Machine learning, 45(1):5–32, 2001.

N. Dragoni, S. Giallorenzo, A. L. Lafuente, M. Mazzara, F. Montesi, R. Mustafin, and L. Safina. Microservices: yesterday, today, and tomorrow. arXiv preprint arXiv:1606.04036, 2016.

L. J. Fülöp, Á. Beszédes, G. Tóth, H. Demeter, L. Vidács, and L. Farkas. Predictive complex event processing: a conceptual framework for combining complex event processing and predictive analytics. In Fifth Balkan Conference in Informatics, pages 26–31, 2012.

M. A. Hearst, S. T. Dumais, E. Osman, J. Platt, and B. Scholkopf. Support vector machines. IEEE Intelligent Systems, 13:18–28, 1998.

Z. Huang, P. C. Wong, P. Mackey, Y. Chen, J. Ma, K. Schneider, and F. L. Greitzer. Managing complex network operation with predictive analytics. In AAAI Spring Symposium: Technosocial Predictive Analytics, pages 59–65, 2009.

E. Siegel. Predictive analytics: The power to predict who will click, buy, lie, or die. John Wiley & Sons, 2013.

R. Tönjes, P. Barnaghi, M. Ali, A. Mileo, M. Hauswirth, F. Ganz, S. Ganea, B. Kjærgaard, D. Kuemper, S. Nechifor, et al. Real time iot stream processing and large-scale data analytics for smart city applications. In poster session, European Conference on Networks and Communications, 2014.

E. Velloso, A. Bulling, H. Gellersen, W. Ugulino, and H. Fuks. Qualitative activity recognition of weight lifting exercises. In 4th Augmented Human International Conference, pages 116–123, 2013.

N. Zumel, J. Mount, and J. Porzak. Practical data science with R. Manning, 2014.