Please use this identifier to cite or link to this item: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/15824
Title: Trajtax: uma taxonomia para o domínio de trajetórias.
Other Titles: Trajtax: a taxonomy for the domain of trajectories.
???metadata.dc.creator???: ANDRADE, Luiz Henrique de.
???metadata.dc.contributor.advisor1???: BAPTISTA, Cláudio de Souza.
???metadata.dc.contributor.referee1???: PIRES, Carlos Eduardo Santos.
???metadata.dc.contributor.referee2???: SOARES JUNIOR, Amilcar.
Keywords: Taxonomia de Atributos;Trajetórias;Interpretabilidade;Engenharia de Atributos;Aprendizagem de Máquina;Attribute Taxonomy;Trajectories;Interpretability;Attribute Engineering;Machine Learning
Issue Date: 17-Aug-2020
Publisher: Universidade Federal de Campina Grande
Citation: ANDRADE, L. H. de. Trajtax: uma taxonomia para o domínio de trajetórias. 2020. 103 f. Dissertação (Mestrado em Ciência da Computação) – Programa de Pós-Graduação em Ciência da Computação, Centro de Engenharia Elétrica e Informática, Universidade Federal de Campina Grande, Paraíba, Brasil, 2020.
???metadata.dc.description.resumo???: O aumento na quantidade de dados disponíveis relacionados a trajetórias viabiliza inúmeros trabalhos em diferentes domínios: trajetórias de pedestres, animais, navios, aviões, dentre outros. Com isso, diversas aplicações de aprendizagem de máquina têm sido propostas com base nos dados. Para o sucesso destas aplicações, é importante o entendimento do domínio do problema, das técnicas disponíveis e dos atributos que são utilizados como entrada. A combinação destes pilares é a base para que as pesquisas possam evoluir e chegar a bons resultados. Muito se é discutido sobre as técnicas disponíveis e diferentes domínios, todavia, pouca atenção é dada aos atributos utilizados. Outro ponto a ser considerado no contexto de trajetórias é que a interpretabilidade dos resultados gerados é importante. A necessidade de um modelo interpretável gera uma restrição quanto à complexidade dos atributos utilizados no processo de aprendizagem de máquina. A opção de geração automática de atributos torna-se inviável para diferentes domínios devido à complexidade dos atributos resultantes. Desta forma, o processo de engenharia de atributos depende mais de atributos projetados por especialistas que são baseados na teoria atrelada ao contexto. Esta pesquisa propõe uma taxonomia, denominada TrajTax, que classifica atributos relacionados à trajetórias, utilizados no estado da arte. A taxonomia tem como propósito auxiliar no processo de engenharia de atributos, servindo como base para especialistas discutirem sobre atributos que são utilizados atualmente e para proporem novos atributos de acordo com a necessidade do projeto. Para o desenvolvimento da taxonomia, foi feito o levantamento dos atributos utilizados em trabalhos baseados em dados de trajetórias com diferentes domínios e utilizou-se uma metodologia de construção de taxonomias. Os atributos são definidos com base em suas definições na literatura. A taxonomia proposta consiste de atributos de compreensão simplificada, para que possam auxiliar na interpretabilidade do modelo. Assim, como contribuições deste trabalho, tem-se o levantamento dos atributos utilizados em trabalhos na área de trajetória em diferentes domínios e a criação da taxonomia TrajTax.
Abstract: The large volume of data concerning trajectories enables research on different domains including trajectories of pedestrians, animals, ships, and airplanes. As a result, several machine learning applications have been proposed based on these data. To achieve the success of these applications, it is important to understand the application domain, the available techniques, and the various input features. This comprehension is fundamental for the research to evolve and obtain good results. Much has been discussed on the available techniques and their different domains; however, research on features has received little to none of the attention. Another point to be considered regarding trajectories is that in some domains the interpretability of results must be rated as most important. The need for an interpretable model creates a constraint regarding the complexity of the features used along the machine learning process. The option of automatic features generation is impracticable for different domains. This is due to the complexity of the resulting features. Thus, the feature engineering process depends more on features designed by specialists. These features are based on theories regarding their various contexts. We propose a taxonomy called TrajTax that classifies trajectory features used in the stateof-the-art. The taxonomy is intended to help researchers along the feature engineering process; this will serve as a basis for specialists to discuss the features which are currently used and to suggest new ones. For the development of the taxonomy, we conducted a survey on works based on trajectory features along different domains, and used a methodology for taxonomy construction. The features were outlined based on their definitions proposed in the state-of-the-art. The Trajtax consists of a simplified comprehension concerning the features so it can help with the model interpretability. Consequently, the main contributions of the present work encompass a survey of the features used in trajectory machine learning applications on different domains, and the creation of the TrajTax taxonomy.
Keywords: Taxonomia de Atributos
Trajetórias
Interpretabilidade
Engenharia de Atributos
Aprendizagem de Máquina
Attribute Taxonomy
Trajectories
Interpretability
Attribute Engineering
Machine Learning
???metadata.dc.subject.cnpq???: Ciência da Computação
URI: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/15824
Appears in Collections:Mestrado em Ciência da Computação.

Files in This Item:
File Description SizeFormat 
LUIZ HENRIQUE DE ANDRADE – DISSERTAÇÃO (PPGCC) 2020.pdf1.1 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.