Programa de Pós Graduação em Automação e Sistemas - PPGAS

URI Permanente desta comunidade

https://repositorio.cefetmg.br//handle/123456789/620

Navegar

Navegando Programa de Pós Graduação em Automação e Sistemas - PPGAS por Autor "Dias, Thiago Magela Rodrigues"

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Modelo neural fracamente supervisionado de busca de especialistas em repositório de dados científicos
    (Centro Federal de Educação Tecnológica de Minas Gerais, 2021-08-31) Sousa, Sérgio José de; Dias, Thiago Magela Rodrigues; Pinto, Adilson Luiz; http://lattes.cnpq.br/4767432940301118; http://lattes.cnpq.br/4687858846001290; http://lattes.cnpq.br/1639967799540564; Dias, Thiago Magela Rodrigues; Pinto, Adilson Luiz; Carvalho Segundo, Washington Luis Roberto de; Rodrigues, Thiago de Souza
    Com o crescente volume de dados produzidos nos dias atuais, percebe-se cada vez mais usuários utilizando de diversos tipos de sistemas, como, por exemplo, sistemas de armazenamento de dados profissionais e acadêmicos. Dada a grande quantidade de dados armazenados, é notável a dificuldade de se encontrar candidatos com perfis apropriados a uma determinada atividade. Neste contexto, para tentar solucionar esse problema surge a recuperação ou busca de especialistas, um ramo da recuperação de informações, que consiste em, dada uma consulta, documentos são recuperados e são relacionados como unidades indiretas de informações das especialidades dos candidatos, com isso, alguma técnica é usada para agregar esses documentos gerando um escore. Possuindo um número menor de pesquisas relacionadas, a busca de especialistas na área acadêmica com modelos neurais se mostra um desafio ainda maior devido à complexidade desses modelos e à necessidade de grandes volumes de dados com julgamentos de relevância ou rótulos para seu treinamento. Diante disso, este trabalho propõe uma técnica de expansão e geração de dados fracamente supervisionados onde os julgamentos de relevância são criados com técnicas heurísticas, tornando possível utilizar modelos que exigem grandes volumes de dados. Além disso, é proposto uma técnica utilizando autoencoder profundo para selecionar documentos negativos ou julgamentos de irrelevância e por fim um modelo de ranqueamento baseado em redes recorrentes denominado Dual Embedding LSTM que foi capaz de superar todos os baselines comparados.
  • Imagem de Miniatura
    Item
    Técnicas inteligentes na previsão de demanda em sistemas de compartilhamento de bicicletas
    (Centro Federal de Educação Tecnológica de Minas Gerais, 2025-01-30) Campos, Natália da Mata; Silva, Alisson Marques da; http://lattes.cnpq.br/3856358583630209; http://lattes.cnpq.br/8144676319993082; Dias, Thiago Magela Rodrigues; Menezes, Gustavo Campos; Ribeiro Júnior, José Geraldo; Silva, Alisson Marques da
    Nos últimos anos, os sistemas de bicicletas compartilhadas evoluíram significativamente, desde iniciativas com bicicletas gratuitas para uso comum, passando por estações onde o aluguel era gerenciado presencialmente por atendentes, até os sistemas tecnologicamente avançados que predominam nas cidades atualmente. Apesar dessas inovações, o objetivo principal dos sistemas de compartilhamento de bicicletas permanece inalterado: facilitar que os usuários retirem uma bicicleta em um local desejado e a devolvam em outro, tornando esse meio de transporte mais prático e acessível. Com o crescimento da demanda, um problema recorrente se torna evidente: o desequilíbrio entre a procura dos usuários e a oferta de bicicletas. A indisponibilidade do serviço em determinadas estações leva os usuários a buscarem alternativas de transporte, o que pode comprometer o sucesso e a expansão desses sistemas. Por outro lado, investimentos em infraestrutura e novas bicicletas podem não ser financeiramente vantajosos se a operação não atender à demanda de forma eficiente. Além disso, a má redistribuição de bicicletas e ineficiência operacional podem aumentar as emissões de carbono, já que os usuários recorrem a meios de transporte motorizados. Esse cenário destaca a importância de desenvolver técnicas que minimizem a discrepância entre a procura e a disponibilidade de bicicletas. Nesse contexto, o presente trabalho propõe uma nova abordagem para prever a demanda de usuários por bicicletas utilizando dados históricos de deslocamentos e informações meteorológicas. Para selecionar os atributos mais relevantes, é empregada a técnica de Eliminação Recursiva de Atributos (RFE). A previsão da demanda é realizada por modelos tradicionais, como Rede Neural Artificial, Random Forest, Support Vector Machine, Árvore de Decisão e Regressão Linear, e também por modelos evolutivos, como ALMMo, eNFN, eFCE e eFLS. Os experimentos computacionais realizados permitiram comparar o desempenho das abordagens propostas. Os resultados obtidos indicam que a abordagem apresentada é uma alternativa viável eficaz para prever a demanda de bicicletas em sistemas de compartilhamento.