http://repositorio.unb.br/handle/10482/52580| Fichier | Description | Taille | Format | |
|---|---|---|---|---|
| 2025_GustavoVieiraIsobeDeMacedo_DISSERT.pdf | 4,36 MB | Adobe PDF | Voir/Ouvrir |
| Titre: | Arquitetura entrelaçada para predição de próximo sensor externo em trajetória de veículos roubados |
| Auteur(s): | Macedo, Gustavo Vieira Isobe de |
| Orientador(es):: | Gonçalves, Vinícius Pereira |
| Assunto:: | Aprendizagem profunda Sensores Reconhecimento ótico de caracteres (OCR) Veículos |
| Date de publication: | 9-oct-2025 |
| Data de defesa:: | 25-fév-2025 |
| Référence bibliographique: | MACEDO, Gustavo Vieira Isobe de. Arquitetura entrelaçada para predição de próximo sensor externo em trajetória de veículos roubados. 2025. 86 f., il. Dissertação (Mestrado Profissional em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2025. |
| Résumé: | Raramente um veículo roubado possui um equipamento de georreferenciamento acoplado para transmitir sua localização em tempo real e auxiliar na sua recuperação. No entanto, utilizando radares de velocidade e sistemas de reconhecimento óptico de caracteres (Optical Character Recognition - OCR), é possível identificar pontos discretos da trajetória desse veículo. Ao registrar esse tipo de sequência histórica, surge a necessidade de predizer o próximo sensor externo da trajetória. Esse desafio vai além da predição em si, abrangendo também a definição da arquitetura de predição mais adequada. Parte deste trabalho segue a linha principal de outros estudos e fornece uma análise dos dados que influenciam o desempenho da predição, demonstrando que informações sobre qual via da rua o veículo foi identificado auxiliam na previsão do próximo sensor externo. Por outro lado, ao observar a ausência de um consenso acerca da arquitetura ideal para esse contexto, adota-se uma perspectiva mais ampla para identificar os principais critérios que influenciam a escolha da arquitetura mais adequada. Este estudo avalia a transição da arquitetura ideal em função do comprimento da sequência histórica e do formato da representação geográfica. Os resultados revelam uma transição na arquitetura de melhor desempenho ao variar o tamanho da sequência histórica, sendo o ponto de transição influenciado pelo tipo de representação geográfica das localizações. Como principal contribuição, este trabalho apresenta uma nova arquitetura entrelaçada de deep learning, denominada Transformer e LSTM Entrelaçados (TLE). Essa arquitetura TLE se sobressai em cenários de predição com curtas sequências históricas em relação a outras arquiteturas em seu estado-da-arte. Esses resultados são ainda mais vantajosos considerando o contexto de veículos roubados, em que o tempo é um fator crucial para sua recuperação. |
| Abstract: | Stolen vehicles rarely have georeferencing devices to transmit real-time locations for recovery assistance. However, by using speed radars and Optical Character Recognition (OCR), it is possible to identify discrete points along the vehicle’s trajectory. Recording such a historical sequence brings the need to predict the next external sensor in the trajectory, a challenge that extends beyond the prediction itself to determining the most suitable prediction architecture. On one hand, this work aligns with existing studies and provides data analyses that influence prediction performance, demonstrating that information about the street lane where the vehicle was identified aids in predicting the next external sensor. On the other hand, observing the lack of consensus on the ideal architecture for this context, a broader perspective is adopted to identify the key criteria influencing the choice of the most suitable architecture. This study evaluates the transition in optimal architecture as a function of historical sequence length and geographic representation format. The results reveal a shift in the best-performing architecture as the historical sequence length varies, with the shift point being influenced by the format of geographic representation of the locations. As a key contribution, this work introduces a novel entangled deep learning architecture, referred to here as the Transformer and LSTM Entangled (TLE). This TLE architecture outperforms other state-of-the-art architectures in prediction scenarios with short historical sequences. These findings offer significant advantages in the context of stolen vehicle geolocation, where time is a critical factor for successful recovery. |
| metadata.dc.description.unidade: | Faculdade de Tecnologia (FT) Departamento de Engenharia Elétrica (FT ENE) |
| Description: | Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, Programa de Pós-Graduação em Engenharia Elétrica, 2025. |
| metadata.dc.description.ppg: | Programa de Pós-Graduação em Engenharia Elétrica, Mestrado Profissional |
| Licença:: | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. |
| Collection(s) : | Teses, dissertações e produtos pós-doutorado |
Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.