Algoritmo de modelagem de perfis de condução com dados veiculares: uma abordagem de aprendizado de máquina

Abstract

Este trabalho tem como objetivo desenvolver um algoritmo de perfilamento de condutores utilizando técnicas de aprendizado de máquina baseadas em dados veiculares. Para isso, fez-se uso de uma simulação computacional para gerar dados representativos dos perfis de condução. A metodologia envolveu a criação de um ambiente controlado usando o software Simulation of Urban Mobility (SUMO), onde foram gerados cenários para a coleta de dados de condução. Estes dados foram então pré-processados e utilizados para treinar modelos de aprendizado de máquina para identificar padrões e agrupar perfis de condução. O processo de simulação resultou em um conjunto de dados com aproximadamente 100 milhões de pontos de dados, representando diversos cenários de condução. A escolha do simulador SUMO se mostrou vantajosa devido à sua capacidade de gerar cenários completos e oferecer um conjunto de dados ajustado para o desenvolvimento de algoritmos de inteligência artificial. Os modelos de aprendizado de máquina utilizados incluíram técnicas de agrupamento, como o K-means, e redes neurais recorrentes, como as Long Short-Term Memory (LSTM), para análise de séries temporais. Os resultados indicaram que a abordagem proposta é eficaz na modelagem de perfis de condutores, possibilitando a personalização de experiências de condução e contribuindo para a melhoria no ecossistema de mobilidade. Este trabalho estabelece uma base sólida que pode ser replicada e aprimorada para diversas aplicações específicas.

This work aims to develop a driver profiling algorithm using machine learning techniques based on vehicular data. A computational simulation was employed to generate representative data for driving profiles. The methodology involved creating a controlled environment using the Simulation of Urban Mobility (SUMO) software, where scenarios were generated for driving data collection. This data was then preprocessed and used to train machine learning models to identify patterns and cluster driving profiles. The simulation process resulted in a dataset with approximately 100 million data points, representing diverse driving scenarios. The choice of the SUMO simulator proved advantageous due to its ability to generate comprehensive scenarios and provide a dataset tailored for the development of artificial intelligence algorithms. The machine learning models used included clustering techniques, such as K-means, and recurrent neural networks, like Long Short-Term Memory (LSTM), for time series analysis. The results indicated that the proposed approach is effective in modeling driver profiles, enabling personalized driving experiences and contributing to improvements in the mobility ecosystem. This work establishes a solid foundation that can be replicated and enhanced for various specific applications.