Engenharia de Computação (Leopoldina)

URI Permanente para esta coleção

https://repositorio.cefetmg.br//handle/123456789/603

Navegar

Navegando Engenharia de Computação (Leopoldina) por Autor "Ferreira, Fernando Garcia Diniz Campos"

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Trasmissão adaptativa de vídeo em IoT utilizando aprendizado de máquinas
    (Centro Federal de Educação Tecnológica de Minas Gerais, 2025-12-16) Pereira Junior, Rogério Perez; Bhering, Fabiano Pereira; Ferreira, Fernando Garcia Diniz Campos; http://lattes.cnpq.br/4126688051850017; http://lattes.cnpq.br/6310147796607948; http://lattes.cnpq.br/9191839290489356; Bhering, Fabiano Pereira; Ferreira, Fernado Garcia Diniz Campos; Silva, José Eduardo Henriques da; Nazare, Tiago Bittencourt
    Este trabalho apresenta uma estratégia para roteamento adaptativo em transmissão de vídeo em ambientes de Internet das Coisas (IoT), considerando a movimentação das taxas de bits geradas pelos fluxos de vídeo. O método proposto baseia-se na classificação automática da variação das taxas de bits de vídeo, uma métrica estatística que reflete a dinâmica do movimento e a complexidade das cenas. Essas informações, combinadas com parâmetros como a taxa de quadros (FPS), são utilizadas para estimar as necessidades de fluxo e auxiliar na seleção de rotas no framework FITPATH, visando otimizar a qualidade de serviço (QoS) e a experiência do usuário (QoE) em cenários heterogêneos. A avaliação da proposta foi realizada por meio de experimentos e simulações, considerando diferentes tipos de movimentações de cenas. Os resultados demonstram o potencial da proposta para integração com roteamento adaptativo ciente do tráfego do vídeo.
  • Imagem de Miniatura
    Item
    Uso de algoritmos de aprendizado de máquina na previsão de ativos financeiros utilizando indicadores técnicos: avaliação de modelos preditivos em séries temporais financeiras
    (Centro Federal de Educação Tecnológica de Minas Gerais, 2026-06-19) Fernandes, Vinícius Lima; Basílio, Samuel da Costa Alves; Ferreira, Fernando Garcia Diniz Campos; http://lattes.cnpq.br/4126688051850017; http://lattes.cnpq.br/6188828001943466; http://lattes.cnpq.br/3836261899945973; Basílio, Samuel da Costa Alves; Ferreira, Fernando Garcia Diniz Campos; Silva, José Eduardo Henriques da; Oliveira, Luan Soares
    Prever o comportamento de um ativo no mercado financeiro é uma tarefa complexa, uma vez que seu valor é determinado pela combinação de diversos fatores, como condições econômicas, políticas, emocionais e até mesmo comportamentais dos agentes de mercado. Nesse contexto, as criptomoedas representam ativos com características distintas dos mercados tradicionais, como alta volatilidade e ausência de regulação centralizada, o que torna a previsão de sua tendência ainda mais desafiadora. Este trabalho tem como objetivo avaliar o desempenho de diferentes algoritmos de aprendizado de máquina na previsão de tendências de criptomoedas com características distintas de mercado, verificando como essas características influenciam na eficácia dos modelos. Para isso, foram utilizados os modelos Random Forest (RF), K-Nearest Neighbors (KNN) e Long Short-Term Memory (LSTM), aplicados ao Bitcoin (BTC), Ethereum (ETH) e Cardano (ADA), representando respectivamente um ativo de referência, um cenário de maior estabilidade e um cenário de maior volatilidade. Os indicadores técnicos foram utilizados como entrada para os modelos, com foco na métrica de Precisão como critério principal de avaliação. Cada modelo foi executado por trinta simulações independentes, permitindo a análise estatística. O ETH, representando o cenário mais estável, apresentou os piores resultados de precisão, com modelos próximos ao limiar aleatório de 50%. O ADA, representando o cenário mais volátil, produziu os melhores retornos financeiros. O LSTM foi o único modelo a superar significativamente o buy and hold nos três ativos simultaneamente, demonstrando maior capacidade de generalização entre diferentes cenários de mercado.