Publicação
Localização de equipamentos de apoio logístico através de Machine Learning com suporte IoT e tecnologias de cloud
| Resumo: | Os sistemas de localização exterior baseados em sinais de rádio frequência têm merecido grande atenção da comunidade científica e industrial, tendo adquirido uma maturidade muito grande. Já os sistemas de localização em interiores, usando sinais de rádio frequência, apesar dos inúmeros trabalhos científicos que têm vindo a ser desenvolvidos, ainda não atingiram o mesmo nível de maturidade, sendo necessária a realização de mais estudos. Nos últimos anos, a comunidade científica tem explorado o problema da localização em espaços interiores recorrendo ao uso de aprendizagem de máquina. Os modelos de aprendizagem de máquina têm recebido bastante atenção no que diz respeito à previsão de variáveis espaciais. Contudo, uma das desvantagens destes métodos é o custo associado a obter a melhor configuração de pré-processamento de dados, seleção do modelo e a sua parametrização. Neste projeto será apresentada uma solução de localização interior baseada em sinais de radio frequência e modelos de aprendizagem de máquina. A área de interesse é um armazém da DHL Express, localizado no aeroporto de Lisboa. A metodologia desenvolvida foi constituída, numa primeira fase, pela definição das variáveis de ambiente, posteriormente pela recolha das mesmas e numa fase final pela construção de uma rede neuronal (Percetrão Multicamada). A partir dos resultados obtidos, a rede foi sujeita a um ajuste dos hiperparâmetros e avaliação de alternativas que pudessem maximizar a sua capacidade de previsão espacial, nomeadamente técnicas de clustering. Utilizou-se um servidor na nuvem para a recolha dos dados e implementação de um cluster Kafka que serve como um registo de eventos distribuído. Kafka é um sistema que segue o modelo produtor consumidor, onde produtores usam tópicos para enviar mensagens para o Kafka e os consumidores consomem dados desses tópicos. Para efeitos de cálculo da eficácia do funcionamento do algoritmo, usou-se como métrica o erro médio absoluto entre os valores reais medidos e os valores estimados para cada localização real de acordo com os resultados que serão apresentados. |
|---|---|
| Autores principais: | Oliveira, Humberto Carlos Moreira Simões de |
| Assunto: | Localização interior Aprendizagem de Máquina Wi-Fi Kafka Teses de mestrado - 2022 |
| Ano: | 2022 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade de Lisboa |
| Idioma: | português |
| Origem: | Repositório da Universidade de Lisboa |
| Resumo: | Os sistemas de localização exterior baseados em sinais de rádio frequência têm merecido grande atenção da comunidade científica e industrial, tendo adquirido uma maturidade muito grande. Já os sistemas de localização em interiores, usando sinais de rádio frequência, apesar dos inúmeros trabalhos científicos que têm vindo a ser desenvolvidos, ainda não atingiram o mesmo nível de maturidade, sendo necessária a realização de mais estudos. Nos últimos anos, a comunidade científica tem explorado o problema da localização em espaços interiores recorrendo ao uso de aprendizagem de máquina. Os modelos de aprendizagem de máquina têm recebido bastante atenção no que diz respeito à previsão de variáveis espaciais. Contudo, uma das desvantagens destes métodos é o custo associado a obter a melhor configuração de pré-processamento de dados, seleção do modelo e a sua parametrização. Neste projeto será apresentada uma solução de localização interior baseada em sinais de radio frequência e modelos de aprendizagem de máquina. A área de interesse é um armazém da DHL Express, localizado no aeroporto de Lisboa. A metodologia desenvolvida foi constituída, numa primeira fase, pela definição das variáveis de ambiente, posteriormente pela recolha das mesmas e numa fase final pela construção de uma rede neuronal (Percetrão Multicamada). A partir dos resultados obtidos, a rede foi sujeita a um ajuste dos hiperparâmetros e avaliação de alternativas que pudessem maximizar a sua capacidade de previsão espacial, nomeadamente técnicas de clustering. Utilizou-se um servidor na nuvem para a recolha dos dados e implementação de um cluster Kafka que serve como um registo de eventos distribuído. Kafka é um sistema que segue o modelo produtor consumidor, onde produtores usam tópicos para enviar mensagens para o Kafka e os consumidores consomem dados desses tópicos. Para efeitos de cálculo da eficácia do funcionamento do algoritmo, usou-se como métrica o erro médio absoluto entre os valores reais medidos e os valores estimados para cada localização real de acordo com os resultados que serão apresentados. |
|---|