Avaliação de Diferentes Arquiteturas de Redes Neurais Recorrentes na Previsão do Nível de Atividade de Abelhas
Resumo
Um terço dos alimentos consumidos pela humanidade são provenientes da ação das abelhas. Estes insetos também são fundamentais para a reprodução das plantas e estão desaparecendo do planeta. Um entendimento sobre o seu comportamento, aqui abordado sobre o ponto de vista do seu nível de atividade, pode ajudar a detectar situações adversas e até potencializar o uso das abelhas em culturas. Frente a isso, neste trabalho são avaliadas seis arquiteturas de Redes Neurais Recorrentes, alternando topologia e estruturas GRU e LSTM, para prever o nível de atividade de abelhas baseado nos valores de níveis passados. Mostra-se também como o modelo com menor erro é melhorado quando treinado com mais informações de níveis anteriores.
Referências
Almeida, G. F. (2008). Fatores que interferem no comportamento enxameatório de abelhas africanizadas. Departamento de Biologia, Programa de Pós-Graduação em Entomologia.
Arruda, H. M. (2015). Arquitetura Computacional para Manuseio de Dados de Clima e Movimentação de Abelhas com Etiquetas Eletrônicas. Programa de Mestrado Profissional em Uso Sustentável de Recursos Naturais em Regiões Tropicais do Instituto Tecnológico Vale.
Braga, A., Ludemir, T., and Carvalho, A. (2000). Redes Neurais Artificiais: Teoria e Aplicações. LTC editora.
Carvalho, E., Ferreira, B., Ferreira, J., de Souza, C., Carvalho, H., Suhara, Y., Pentland, A., and Pessin, G. (2017). Exploiting the use of recurrent neural networks for driver behavior profiling. International Joint Conference on Neural Networks (IJCNN).
Cetapis-Ufersa (2017). Sem Abelha Sem Alimento. [link].
D. Bahdanau, K. C. and Bengio, Y. (2014). Neural machine translation by jointly learning to align and translate. ICLR.
de Souza, P., Williams, R., Quarrelld, S., Budi, S., Susanto, F., Vincent, B., Allend, G., and Almeida, A. (2017). Agent-based modeling of honey bee forager flight behaviour for swarm sensing applications. Environmental Modelling and Software (under review).
Faiçal, B. S., Pessin, G., Pereira, G., Carvalho, A. P. L. F., Gomes, P. H., and Ueyama, J. (2016). Fine-tuning of uav control rules for spraying pesticides on crop fields: An approach for dynamic environments. International Journal on Artificial Intelligence Tools.
Furquim, G., Pessin, G., Faiçal, B. S., Mendiondo, E. M., and Ueyama, J. (2015). Improving the accuracy of a flood forecasting model by means of machine learning and chaos theory. Neural Computing and Applications, 27:1129–1141.
Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep Learning. MIT Press. [link].
Gullan, P. J. and Cranston, P. S. (2008). Os insetos: um resumo entomológico. Tradução de Sonia Hoenen. Roca.
Hochreiter, S. and Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8):1735–1780.
JS Pettis, E. L., Andree, M., Stitzinger, J., Rose, R., and vanEngelsdorp, D. (2013). Crop pollination exposes honey bees to pesticides which alters their susceptibility to the gut pathogen nosema ceranae. PLoS ONE.
Junyoung Chung, Caglar Gulcehre, K. C. and Bengio, Y. (2014). Empirical evaluation of gated recurrent neural networks on sequence modeling. NIPS 2014 Deep Learning and Representation Learning Workshop.
Martens, J. and Sutskever, I. (2011). Learning recurrent neural networks with hessian-free optimization. International Conference on Machine Learning, Bellevue, WA, USA, (28).
Message, D., Teixeira, E. W., and Jong, D. D. (2012). Polinizadores no Brasil: Contribuição e Perspectivas para a Biodiversidade, Uso Sustentável, Conservação e Serviços Ambientais.
Potts, S. G., Roberts, S. P. M., Dean, R., Marris, G., Brown, M., Jones, R., and Settele, J. (2009). Declines of managed honey bees and beekeepers in europe. Journal of Apicultural Research, (49):15–22.
Robinson, A. J. and Fallside (1987). The utility driven dynamic error propagation network. Cambridge University Engineering Department.
Rumelhart, D., Hinton, G., and Williams, R. (1986). Learning representations by back-propagating errors. Nature, 323:533–536.
Schwager, M., Anderson, D. M., Butler, Z., and Rus, D. (2006). Robust classification of animal tracking data. Computers and Electronics in Agriculture, 56 (2007):46–59.
Werbos, P. J. (1987). Generalization of backpropagation with application to a recurrent gas market model.
Arruda, H. M. (2015). Arquitetura Computacional para Manuseio de Dados de Clima e Movimentação de Abelhas com Etiquetas Eletrônicas. Programa de Mestrado Profissional em Uso Sustentável de Recursos Naturais em Regiões Tropicais do Instituto Tecnológico Vale.
Braga, A., Ludemir, T., and Carvalho, A. (2000). Redes Neurais Artificiais: Teoria e Aplicações. LTC editora.
Carvalho, E., Ferreira, B., Ferreira, J., de Souza, C., Carvalho, H., Suhara, Y., Pentland, A., and Pessin, G. (2017). Exploiting the use of recurrent neural networks for driver behavior profiling. International Joint Conference on Neural Networks (IJCNN).
Cetapis-Ufersa (2017). Sem Abelha Sem Alimento. [link].
D. Bahdanau, K. C. and Bengio, Y. (2014). Neural machine translation by jointly learning to align and translate. ICLR.
de Souza, P., Williams, R., Quarrelld, S., Budi, S., Susanto, F., Vincent, B., Allend, G., and Almeida, A. (2017). Agent-based modeling of honey bee forager flight behaviour for swarm sensing applications. Environmental Modelling and Software (under review).
Faiçal, B. S., Pessin, G., Pereira, G., Carvalho, A. P. L. F., Gomes, P. H., and Ueyama, J. (2016). Fine-tuning of uav control rules for spraying pesticides on crop fields: An approach for dynamic environments. International Journal on Artificial Intelligence Tools.
Furquim, G., Pessin, G., Faiçal, B. S., Mendiondo, E. M., and Ueyama, J. (2015). Improving the accuracy of a flood forecasting model by means of machine learning and chaos theory. Neural Computing and Applications, 27:1129–1141.
Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep Learning. MIT Press. [link].
Gullan, P. J. and Cranston, P. S. (2008). Os insetos: um resumo entomológico. Tradução de Sonia Hoenen. Roca.
Hochreiter, S. and Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8):1735–1780.
JS Pettis, E. L., Andree, M., Stitzinger, J., Rose, R., and vanEngelsdorp, D. (2013). Crop pollination exposes honey bees to pesticides which alters their susceptibility to the gut pathogen nosema ceranae. PLoS ONE.
Junyoung Chung, Caglar Gulcehre, K. C. and Bengio, Y. (2014). Empirical evaluation of gated recurrent neural networks on sequence modeling. NIPS 2014 Deep Learning and Representation Learning Workshop.
Martens, J. and Sutskever, I. (2011). Learning recurrent neural networks with hessian-free optimization. International Conference on Machine Learning, Bellevue, WA, USA, (28).
Message, D., Teixeira, E. W., and Jong, D. D. (2012). Polinizadores no Brasil: Contribuição e Perspectivas para a Biodiversidade, Uso Sustentável, Conservação e Serviços Ambientais.
Potts, S. G., Roberts, S. P. M., Dean, R., Marris, G., Brown, M., Jones, R., and Settele, J. (2009). Declines of managed honey bees and beekeepers in europe. Journal of Apicultural Research, (49):15–22.
Robinson, A. J. and Fallside (1987). The utility driven dynamic error propagation network. Cambridge University Engineering Department.
Rumelhart, D., Hinton, G., and Williams, R. (1986). Learning representations by back-propagating errors. Nature, 323:533–536.
Schwager, M., Anderson, D. M., Butler, Z., and Rus, D. (2006). Robust classification of animal tracking data. Computers and Electronics in Agriculture, 56 (2007):46–59.
Werbos, P. J. (1987). Generalization of backpropagation with application to a recurrent gas market model.
Publicado
02/07/2017
Como Citar
GOMES, Pedro A. B.; DE CARVALHO, Eduardo C.; ARRUDA, Helder M.; DE SOUZA, Paulo; PESSIN, Gustavo.
Avaliação de Diferentes Arquiteturas de Redes Neurais Recorrentes na Previsão do Nível de Atividade de Abelhas. In: WORKSHOP DE COMPUTAÇÃO APLICADA À GESTÃO DO MEIO AMBIENTE E RECURSOS NATURAIS (WCAMA), 8. , 2017, São Paulo.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2017
.
p. 830-839.
ISSN 2595-6124.
DOI: https://doi.org/10.5753/wcama.2017.3443.
