CityTracks-RT: Uma aplicação para detecção do modo de transporte em tempo real nos centros urbanos
Resumo
Sistemas para detecção do modo de transporte são cada vez mais necessários para aplicações sensíveis ao contexto em sistemas de transporte inteligente. No entanto, poucas aplicações permitem esta detecção em tempo real através do uso de smartphones. Neste trabalho, apresentamos uma proposta de aplicação para inferência do modo de transporte em tempo real com base em traces de GPS, utilizando uma técnica de mineração de dados através da qual esses traces são pré-processados, agrupados em segmentos de movimento e classificados por meio de algoritmos de aprendizado de máquina supervisionado. Foi implementado um protótipo da aplicação na plataforma Android, usada em smartphones, para coleta do movimento e detecção do modo de transporte do usuário utilizando a API do WEKA em Java. Por fim, para avaliação do desempenho da aplicação em um ambiente real foram realizados testes de campo com voluntários da região metropolitana do Rio de Janeiro, através dos quais, 1338 inferências de modos de transporte foram obtidas por quatro técnicas de aprendizado de máquina e os resultados foram avaliados e comparados através dos indicadores da matriz de confusão. Assim, através da avaliação de desempenho realizada foi possível verificar que a aplicação proposta é útil para a detecção do modo de transporte em tempo real nos centros urbanos.
Referências
A. d. P. Braga, A. C. P. d. L. Ferreira, and T. B. Ludermir. Redes Neurais Artificiais: Teoria e Prática. LTC, São Paulo, 2007.
CERT.br. Centro de Estudos, Resposta e Tratamento de Incidentes de Segurança no Brasil - Estatísticas dos Incidentes Reportados ao CERT.br. Disponível em:
R. Fonseca, P. Silva, and R. Silva. Acordo inter-juízes: o caso do coeficiente Kappa. Laboratório de Psicologia, 5(1):81–90, 2013.
I. V. M. d. Lima et al. Uma abordagem simplificada de detecção de intrusão baseada em redes neurais artificiais. Florianópolis, SC, 2005.
M. Salem, S. Reissmann, and U. Buehler. Persistent dataset generation using real-time operative framework. In Conference on Computing, Networking and Communications International, pages 1023–1027. IEEE, 2014.
H. N. Scalco. Reconhecimento de intrusão em redes de computadores utilizando pybrain. In: 12 Congresso Brasileiro de Inteligência Computacional, 2015, Paraná. Anais..., pages 1–6.
H. Scalco Neto. Sistema de detecção de intrusão em redes de computadores com técnicas de inteligência computacional. Master’s thesis, Universidade Federal de Lavras, 2016. Disponivel em:
P. M. K. Scarfone. Guide to Intrusion Detection and Prevention Systems (IDPS). National Institute of Standards and Technology Gaithersburg, Gaithersburg, 2007.
T. Schaul, J. Bayer, D. Wierstra, Y. Sun, M. Felder, F. Sehnke, T. Rückstieß, and J. Schmidhuber. Pybrain. The Journal of Machine Learning Research, 11:743–746, 2010.
T. Schaul and J. Schmidhuber. Scalable neural networks for board games. In: ALIPPI, C. et al. Artificial neural networks–ICANN 2009, pages 1005–1014, 2009.
A. Shiravi, H. Shiravi, M. Tavallaee, and A. A. Ghorbani. Toward developing a systematic approach to generate benchmark datasets for intrusion detection. Computers & Security, 31(3):357–374, 2012.
H. Simon. Redes neurais. Bookman, Porto Alegre, 2001.
E. P. d. Souza and J. A. S. Monteiro. Estudo sobre sistema de detecção de intrusão por anomalias: Uma abordagem utilizando redes neurais. In: Workshop de gerência e operação de redes e serviços, 14, 2008, Vitória. Anais..., 2008.
J. Stolfo, W. Fan, W. Lee, A. Prodromidis, and P. K. Chan. Cost-based modeling and evaluation for data mining with application to fraud and intrusion detection. [s.n.], New York, 2000.
J. Q. Uchoa. Algoritmos imunoinspirados aplicados em segurança computacional: utilizaçao de algoritmos inspirados no sistema imune para detecçao de intrusos em redes de computadores, 2009. Tese (Doutorado em Bioinformática) – Universidade Federal de Minas Gerais, Belo Horizonte, 2009.
J. Wang. Computer network security. Springer, Massachusetts, 2009.
