| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 1.21 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Os acidentes rodoviários continuam a ser um problema global preocupante, que tem persistido nas últimas décadas. Uma resolução nas Nações Unidas de 2010 definia como objetivo, para a década de 2010-19, a redução das mortes na estrada em 50%, mas o valor atingido foi de apenas 8%. Embora a segurança rodoviária seja um tema complexo e multifacetado, a adoção de comportamentos de risco e os erros de natureza humana continuam a ser um dos principais fatores para os acidentes rodoviários. Um dos tópicos que tem suscitado grande interesse na comunidade científica é a classificação de perfis de condutores, particularmente em projetos de investigação que utilizam técnicas de aprendizagem automática (Machine Learning). Os objetivos para este projeto envolviam melhorar um sistema desenvolvido no ano anterior que recolhe dados de sensores de telemóvel e dados reais de condução para classificar os comportamentos do condutor. Os novos dados seriam utilizados para desenvolver um modelo de aprendizagem profunda (Deep Learning) que permitisse identificar e prever a ocorrência de comportamentos de risco. O modelo utilizado, designado por Long Short-Term Memory, pertence ao conjunto de redes neuronais recorrentes e tem demonstrado um potencial elevado na análise de dados de natureza sequencial no espaço e no tempo. Os resultados obtidos indicam um valor aproximado de precisão de 94%, o que parece indicar performance melhorada, face aos modelos testados anteriormente.
Description
Keywords
Inteligência Artificial Sistemas de transporte inteligentes Redes Neuronais Recorrentes Comportamento de condutores Segurança Rodoviária.