Publicação
Utilização de data mining e deep learning para business intelligence em estrutura integrada de sistema smart parking
| Resumo: | O avanço tecnológico e o crescimento populacional dos últimos anos trouxe uma alta demanda por soluções inteligentes que pudessem melhorar a qualidade de vida da população. Uma dessas soluções é o Smart Parking (estacionamentos inteligentes). Esse conceito integra diferentes áreas e tem por objetivo reduzir o fluxo de trânsito de cidades por meio da implementação de sistemas inteligentes, focados no controle e gestão de estacionamentos. O presente trabalho integrou o desenvolvimento de um modelo de Smart Parking já estruturado, o qual foi concebido de forma gradual por alunos e professores da UTFPR e IPB. Propôs-se a criação de uma estrutura de dados que integrasse todos os módulos do sistema. Além disso, foi proposto um sistema que pudesse auxiliar na tomada de decisões do produto, utilizando como base o grande volume de dados gerados por esse tipo de aplicação. Com isso, no decorrer do trabalho é apresentado o modelo conceitual utilizado na integração dos módulos, seguido de etapas de mineração e análise de dados. Também é abordada a criação de um modelo para simulação de dados e a implementação de algoritmos de machine learning (K-Means e Random Forest) e deep learning (LSTM) focados na previsão de demanda de estacionamentos. A aplicação dos algoritmos mostrou bons resultados na previsão de demanda, sendo os melhores obtidos pelo Random Forest. Por fim, é apresentada uma ferramenta modular, que integrou processos de mineração e análise de dados, fornecendo aos gestores um sistema para auxiliar na tomada de decisões do produto. |
|---|---|
| Autores principais: | Mendes, Lucas Ribeiro |
| Assunto: | Smart parking Data mining Deep learning Business intelligence |
| Ano: | 2021 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Instituto Politécnico de Bragança |
| Idioma: | português |
| Origem: | Biblioteca Digital do IPB |
| _version_ | 1867172704399917056 |
|---|---|
| author | Mendes, Lucas Ribeiro |
| author_facet | Mendes, Lucas Ribeiro |
| author_role | author |
| contributor_name_str_mv | Alves, Paulo Borges, André Pinz Leitão, Paulo Alves, Gleifer Vaz Biblioteca Digital do IPB |
| country_str | PT |
| creators_json_txt | [{\"Person.name\":\"Mendes, Lucas Ribeiro\"}] |
| datacite.contributors.contributor.contributorName.fl_str_mv | Alves, Paulo Borges, André Pinz Leitão, Paulo Alves, Gleifer Vaz Biblioteca Digital do IPB |
| datacite.creators.creator.creatorName.fl_str_mv | Mendes, Lucas Ribeiro |
| datacite.date.Accepted.fl_str_mv | 2021-01-01T00:00:00Z |
| datacite.date.available.fl_str_mv | 2021-05-03T10:17:10Z |
| datacite.date.embargoed.fl_str_mv | 2021-05-03T10:17:10Z |
| datacite.rights.fl_str_mv | http://purl.org/coar/access_right/c_abf2 |
| datacite.subjects.subject.fl_str_mv | Smart parking Data mining Deep learning Business intelligence |
| datacite.titles.title.fl_str_mv | Utilização de data mining e deep learning para business intelligence em estrutura integrada de sistema smart parking |
| dc.contributor.none.fl_str_mv | Alves, Paulo Borges, André Pinz Leitão, Paulo Alves, Gleifer Vaz Biblioteca Digital do IPB |
| dc.creator.none.fl_str_mv | Mendes, Lucas Ribeiro |
| dc.date.Accepted.fl_str_mv | 2021-01-01T00:00:00Z |
| dc.date.available.fl_str_mv | 2021-05-03T10:17:10Z |
| dc.date.embargoed.fl_str_mv | 2021-05-03T10:17:10Z |
| dc.format.none.fl_str_mv | application/pdf |
| dc.identifier.none.fl_str_mv | http://hdl.handle.net/10198/23584 |
| dc.language.none.fl_str_mv | por |
| dc.rights.cclincense.fl_str_mv | http://creativecommons.org/licenses/by-nc/4.0/ |
| dc.rights.none.fl_str_mv | http://purl.org/coar/access_right/c_abf2 |
| dc.subject.none.fl_str_mv | Smart parking Data mining Deep learning Business intelligence |
| dc.title.fl_str_mv | Utilização de data mining e deep learning para business intelligence em estrutura integrada de sistema smart parking |
| dc.type.none.fl_str_mv | http://purl.org/coar/resource_type/c_bdcc |
| description | O avanço tecnológico e o crescimento populacional dos últimos anos trouxe uma alta demanda por soluções inteligentes que pudessem melhorar a qualidade de vida da população. Uma dessas soluções é o Smart Parking (estacionamentos inteligentes). Esse conceito integra diferentes áreas e tem por objetivo reduzir o fluxo de trânsito de cidades por meio da implementação de sistemas inteligentes, focados no controle e gestão de estacionamentos. O presente trabalho integrou o desenvolvimento de um modelo de Smart Parking já estruturado, o qual foi concebido de forma gradual por alunos e professores da UTFPR e IPB. Propôs-se a criação de uma estrutura de dados que integrasse todos os módulos do sistema. Além disso, foi proposto um sistema que pudesse auxiliar na tomada de decisões do produto, utilizando como base o grande volume de dados gerados por esse tipo de aplicação. Com isso, no decorrer do trabalho é apresentado o modelo conceitual utilizado na integração dos módulos, seguido de etapas de mineração e análise de dados. Também é abordada a criação de um modelo para simulação de dados e a implementação de algoritmos de machine learning (K-Means e Random Forest) e deep learning (LSTM) focados na previsão de demanda de estacionamentos. A aplicação dos algoritmos mostrou bons resultados na previsão de demanda, sendo os melhores obtidos pelo Random Forest. Por fim, é apresentada uma ferramenta modular, que integrou processos de mineração e análise de dados, fornecendo aos gestores um sistema para auxiliar na tomada de decisões do produto. |
| dirty | 0 |
| eu_rights_str_mv | openAccess |
| format | masterThesis |
| fulltext.url.fl_str_mv | https://bibliotecadigital.ipb.pt/bitstreams/31fc0165-6964-4f7d-a1c9-1538db8fbf2e/download |
| id | ipb_6d0b0ed4d7e457328e7ea7d2e4cc05ed |
| identifier.url.fl_str_mv | http://hdl.handle.net/10198/23584 |
| instacron_str | ipb |
| institution | Instituto Politécnico de Bragança |
| instname_str | Instituto Politécnico de Bragança |
| language | por |
| network_acronym_str | ipb |
| network_name_str | Biblioteca Digital do IPB |
| oai_identifier_str | oai:bibliotecadigital.ipb.pt:10198/23584 |
| organization_str_mv | urn:organizationAcronym:ipb |
| person_str_mv | Mendes, Lucas Ribeiro |
| publishDate | 2021 |
| reponame_str | Biblioteca Digital do IPB |
| repository_id_str | urn:repositoryAcronym:ipb |
| service_str_mv | urn:repositoryAcronym:ipb |
| spelling | porpt_PTO avanço tecnológico e o crescimento populacional dos últimos anos trouxe uma alta demanda por soluções inteligentes que pudessem melhorar a qualidade de vida da população. Uma dessas soluções é o Smart Parking (estacionamentos inteligentes). Esse conceito integra diferentes áreas e tem por objetivo reduzir o fluxo de trânsito de cidades por meio da implementação de sistemas inteligentes, focados no controle e gestão de estacionamentos. O presente trabalho integrou o desenvolvimento de um modelo de Smart Parking já estruturado, o qual foi concebido de forma gradual por alunos e professores da UTFPR e IPB. Propôs-se a criação de uma estrutura de dados que integrasse todos os módulos do sistema. Além disso, foi proposto um sistema que pudesse auxiliar na tomada de decisões do produto, utilizando como base o grande volume de dados gerados por esse tipo de aplicação. Com isso, no decorrer do trabalho é apresentado o modelo conceitual utilizado na integração dos módulos, seguido de etapas de mineração e análise de dados. Também é abordada a criação de um modelo para simulação de dados e a implementação de algoritmos de machine learning (K-Means e Random Forest) e deep learning (LSTM) focados na previsão de demanda de estacionamentos. A aplicação dos algoritmos mostrou bons resultados na previsão de demanda, sendo os melhores obtidos pelo Random Forest. Por fim, é apresentada uma ferramenta modular, que integrou processos de mineração e análise de dados, fornecendo aos gestores um sistema para auxiliar na tomada de decisões do produto.application/pdfpt_PTUtilização de data mining e deep learning para business intelligence em estrutura integrada de sistema smart parkingMendes, Lucas RibeiroAlves, PauloBorges, André PinzLeitão, PauloAlves, Gleifer VazHostingInstitutionOrganizationalBiblioteca Digital do IPBe-mailmailto:dspace@ipb.ptdspace@ipb.ptURNurn:tid:2027171352021-05-03T10:17:10Z20212021-01-01T00:00:00ZHandlehttp://hdl.handle.net/10198/23584http://purl.org/coar/access_right/c_abf2open accessSmart parkingData miningDeep learningBusiness intelligence5357810 bytesliteraturehttp://purl.org/coar/resource_type/c_bdccmaster thesis2021http://creativecommons.org/licenses/by-nc/4.0/http://purl.org/coar/access_right/c_abf2application/pdffulltexthttps://bibliotecadigital.ipb.pt/bitstreams/31fc0165-6964-4f7d-a1c9-1538db8fbf2e/download |
| spellingShingle | Utilização de data mining e deep learning para business intelligence em estrutura integrada de sistema smart parking Mendes, Lucas Ribeiro Smart parking Data mining Deep learning Business intelligence |
| status | SINGLETON |
| subject.fl_str_mv | Smart parking Data mining Deep learning Business intelligence |
| title | Utilização de data mining e deep learning para business intelligence em estrutura integrada de sistema smart parking |
| title_full | Utilização de data mining e deep learning para business intelligence em estrutura integrada de sistema smart parking |
| title_fullStr | Utilização de data mining e deep learning para business intelligence em estrutura integrada de sistema smart parking |
| title_full_unstemmed | Utilização de data mining e deep learning para business intelligence em estrutura integrada de sistema smart parking |
| title_short | Utilização de data mining e deep learning para business intelligence em estrutura integrada de sistema smart parking |
| title_sort | Utilização de data mining e deep learning para business intelligence em estrutura integrada de sistema smart parking |
| topic | Smart parking Data mining Deep learning Business intelligence |
| topic_facet | Smart parking Data mining Deep learning Business intelligence |
| url | http://hdl.handle.net/10198/23584 |
| visible | 1 |