5.4 Implementação da Plataforma
5.4.5 Formatação dos Dados
Para estabelecer uma comunicação correta entre os módulos da plataforma é necessário que todos conheçam o formato de dados utilizado. Por esse motivo, quando é
Capítulo 5. Plataforma Desenvolvida 76
necessário que um ou mais dados automotivos trafegue entre módulos o padrão utilizado segue o que está mostrado na Figura 19, conforme a formatação para troca de dados JavaScript Object Notation (JSON).
Figura 19 – Formatação dos dados - JSON
Fonte: o autor
5.5
Considerações
Neste capítulo foram apresentados os aspectos relacionados ao desenvolvimento da plataforma para classificação de dados automotivos e consequente identificação de perfis entre motoristas bem como as tecnologias, características e especificações de alto nível. Foram mostrados os pacotes e estruturas definidas para cada módulo, sendo estes: o módulo de Monitoramento; o Aplicativo Móvel; o Serviço Online e o Protótipo de Aplicativo Cliente. Também foram mostradas as telas criadas para cada aplicação e o formato de dados que foi estabelecido como forma de comunicação entre os módulos.
De modo geral, a utilização de uma plataforma distribuída para aplicação de um modelo de AM demonstrou-se uma abordagem eficaz para o fim proposto e, além disso, possibilita ganhos com aspectos que são inerentes à utilização de análises de dados aplicáveis a diferentes negócios: pode-se consumir os dados por meio de clientes diversos, com diversas finalidades de negócio; pode-se elaborar a plataforma cliente de acordo com as necessidades específicas do negócio; não há acoplamento forte entre o módulo responsável por classificar os dados e possíveis clientes, deixando o primeiro apenas com a tarefa central da plataforma; é possível evoluir a plataforma de forma modular, anexando possibilidades e análises adicionais em outros módulos através de APIs REST.
Por fim, o módulo Protótipo de Aplicação Cliente demonstrou-se capaz de consumir e mostrar o dado de forma eficiente, mostrando o resultado final da classificação. Já os
outros módulos conseguiram cumprir com os requisitos estabelecidos e manter o escopo desejado para uma aplicação primordialmente de teste.
78
6 Considerações Finais
Neste capítulo estão concentradas as últimas considerações a respeito do trabalho realizado. Além da primeira parte, que concentra as conclusões, o capítulo ainda possui uma listagem com as principais contribuições, o vislumbre dos trabalhos futuros que podem ser realizados, as dificuldades enfrentadas e os aspectos positivos que ultrapassam o escopo da pesquisa.
6.1
Retrospectiva do Trabalho
A pesquisa realizada mostrou, aindaCapítulo 1, que existe uma série de problemas diretamente relacionados à forma como os automóveis são usados, inclusive com a perda de vidas humanas e prejuízos consideráveis.
No Capítulo 2 foram apresentados vários conceitos que permeiam a telemetria automotiva e o Aprendizado de Máquina, conceitos esses que são os meios escolhidos para tentar abordar os problemas elencados no Capítulo 1.
NoCapítulo 3 foram mostradas várias iniciativas existentes no sentido de permitir o entendimento a respeito do uso de automóveis, com algumas delas, inclusive, figurando entre tecnologias já em utilização. Apesar disso, grande parte dos trabalhos que utiliza dados automotivos para estabelecer algum nível de conhecimento sobre os condutores, ou melhorar o contexto do trânsito de alguma maneira, busca fontes de dados complementares, como sensores dos celulares ou câmeras.
Ainda há aqueles que não fornecem maiores informações a respeito dos motivos para escolha de determinados métodos de AM, e outros que não utilizaram nenhum tipo de método capaz de “aprender” para alcançar seus objetivos. Com esse contexto como plano de fundo, foi possível concluir que seria necessário investigar quais seriam os melhores métodos de AM a serem usados e também tentar definir perfis entre condutores utilizando apenas os dados dos sensores automotivos, ou seja, os diferentes perfis seriam relacionados apenas aos sensores do automóvel e demonstrariam a forma de utilização desses veículos.
No Capítulo 4 foi visto que é possível definir perfis entre condutores e que es- ses perfis (grupos) possuem bons valores quanto à sua coesão (índices de validação de agrupamento). Ainda foi possível perceber que os 4 grupos inicialmente estabelecidos (moderado, prudente, apressado e imprudente) não foram a melhor representação para dados, sendo substituídos, inclusive com robustez estatística, pelos grupos: low, mid e high. Esta segunda listagem de rótulos para os grupos pode ser usados para classificação de perfis entre condutores utilizando o método MLP, que conseguiu a maior acurácia entre os
classificadores, alcançando acurácia superior a 99,5% na partição com 3 grupos gerada pelo método descritivo K-means.
Como espécie de “contra conclusões”, elencamos a dificuldade encontrada nas investigações iniciais, quando foi tentado encontrar perfis entre condutores tendo como base um contexto fortemente heterogêneo e também a diversidade de combinações possíveis no trânsito real que implica em dificuldade para entendimento na forma como um atributo isolado pode afetar os resultados dos métodos de AM. Este problema foi contornado com a realização do que chamamos de Experimento Final.
OCapítulo 5 estabelece um protótipo para o sistema que identifica os perfis entre condutores e possui características bem estabelecidas, como a necessidade de funcionamento através de componentes ligados pela internet. As características apresentadas para o sistema se mostraram promissoras para plataformas de mesma natureza e contribuíram para que fosse possível definir e utilizar em contexto real um Modelo de AM para identificação de perfis entre condutores.
6.2
Contribuições
Para a etapa de qualificação, realizada em fevereiro de 2018, foram elencadas as seguintes contribuições:
1. Definição de uma ou mais bases de dados automotivos, coletados via Conector OBD- II e disponibilização da(s) base(s) em repositório aberto com objetivo de fomentar estudos nesta área.
2. Entendimento documentado a respeito da forma como os atributos coletados junto aos automóveis favorecem ou não o resultado de métodos de AM para definição de perfis entre condutores.
3. Definição de modelos de AM com resultados robustos para identificação de perfis entre condutores.
4. Implementação inicial da plataforma proposta neste estudo, em forma de protótipo, tornando possível a sua utilização e consequente teste dos modelos de AM escolhidos.
5. Publicação de resultados deste trabalho, na totalidade, ou como contribuição para pos- síveis extensões ou modificações, em eventos e/ou periódicos científicos, contribuindo assim para o desenvolvimento do conhecimento neste campo do conhecimento.
É possível relacionar o que foi proposto com os resultados obtidos pelo trabalho. Desta forma:
Capítulo 6. Considerações Finais 80
• neste trabalho foram geradas 3 bases de dados relativas ao uso de automóveis. Uma base gerada no Experimento Preliminar e outras duas geradas no Experimento Final (“base de perfis” e “base de controle”). São aproximadamente 70 mil linhas de dados automotivos em um domínio onde há notada falta de repositórios abertos. A publicação dessas bases na plataforma GitHub (<www.github.com>) e também na plataforma para cientistas de dados Kaggle (<www.kaggle.com>) atende ao que foi previsto de forma completa ao que foi projetado no Item 1. Os repositórios citados podem ser acessados no endereço : <https://github.com/cephasax/OBDdatasets>;
• o trabalho desenvolvido nesta pesquisa e representado noCapítulo 4 e Capítulo 5, principalmente, atende de forma completa ao que foi estabelecido como contribuição nos Itens 2 e 3. Nestes capítulos há um forte elo de causa e efeito entre os passos descritos, o que pode contribuir para outras pesquisas dentro da mesma área, inclusive indo além das contribuições diretas com os resultados desses capítulos, como modelo de AM definido e a plataforma desenvolvida;
• a plataforma desenvolvida, descrita no Capítulo 5 e referenciada através de links para códigos completos é a contribuição direta esperada pelo Item 4 e ultrapassa o que se esperava que fosse uma implementação inicial da plataforma, pois, consegue alcançar aspectos como distribuição das tecnologias, aspectos relacionados à serviços via API, entre outros;
• o Item5 que prevê a publicação de trabalhos inseridos na pesquisa em periódicos ou eventos foi atendido através da publicação do artigo “A Machine Learning Approach Based on Automotive Engine Data Clustering for Driver Usage Profiling Classifi- cation” para o XV Encontro Nacional de Inteligência Artificial e Computacional (ENIAC). Além disso, uma versão estendida deste artigo, que contempla todo o trabalho feito nesta pesquisa está em desenvolvimento para submissão em periódico internacional voltado à área de sistemas, sensoriamento e análise de dados.
6.3
Trabalhos Futuros
Tendo realizado o trabalho com sucesso, pode ser viável tentar estudar algumas variações ou extensões para a plataforma:
• criar um módulo na plataforma que captura os dados dos problemas automotivos e estudar como estes problemas podem se relacionar com os perfis identificados. Esta relação pode ser útil para vários dos contextos citados neste trabalho, principalmente o mercado de seguros e fabricantes de automóveis;
• adicionar módulo que faça o mapeamento dos locais onde condutores circulam e disponibilizar serviço que cruze as informações de perfil com as coordenadas dos
trajetos, trazendo um forte subsídio ações direcionadas a locais onde certo tipo de condutor trafega.
• conclusão e submissão de artigo em periódico internacional;
• predição de problemas automotivos utilizando a base de dados que foi coletada neste trabalho.
• Integrar com outras plataformas para agregar dados de trânsito, limites de velocidade,
GPS e outros para trazer novas possibilidades de serviços para a plataforma proposta.
6.4
Considerações
6.4.1
Contribuições Adicionais
Com a realização deste trabalho e a decorrente imersão no universo do moni- toramento automotivo houve a interação com serviços de oficinas mecânicas e outros mais. Processos que funcionam sem nenhum (ou quase nenhum) auxílio de inteligência computacional podem ser alvo de grandes benefícios através de abordagens que entre- guem dados inteligentes via serviços (APIs e abordagens similares). Além disso houve a possibilidade de interagir com grupos de trabalho como o projeto Smart Metrópolis, promovido pelo Instituto Metrópole Digital, e que possui um grupo específico para estudos voltados ao monitoramento veicular. Dentre os estudos, cito particular importância para o trabalho desenvolvido por Marianne Silva et al. (2018). Nele é referenciada a plataforma de coleta de dados automotivos que servirá como historiador de dados veiculares para qualquer plataforma se proponha a utilizá-la. Desse modo é importante citar um trabalho que pode contribuir para o incremento das pesquisas relacionadas a dados automotivos, principalmente no aspecto de riqueza de dados.
6.4.2
Dificuldades Enfrentadas
Entregar um serviço de Aprendizado de Máquina foi uma tarefa que se tornou árdua devido à diversidade de formatos de arquivo, plataformas, serviços e padrões existentes. A maioria dos serviços desse tipo está presente na nuvem e disponibiliza uma forma razoavelmente simples de tornar um modelo de AM disponível. O grande problema é que as mesmas plataformas normalmente exigem que todo o modelo seja construído nelas, o que gera um acoplamento que entendemos ser uma barreira quando se tem um modelo definido em outra plataforma.
Em virtude das dificuldades optamos por desenvolver um serviço em Java com um servidor de aplicação e integrá-lo à API da plataforma Weka, o que também se tornou um problema devido aos formatos específicos e dificuldade de interfaceamento entre a
Capítulo 6. Considerações Finais 82
plataforma Weka e o padrão EJB. Por fim, houveram algumas outras dificuldades com os dados vindos dos sensores mas foi possível contornar esses problemas através de abordagens tradicionais da Engenharia de Software.
Referências
AA’s Car Genie. The AA’s Car Genie plugin. 2017. Disponível em: <http: //www.theaa.com>. Citado na página 36.
AHMED, K. I. Modeling drivers’ acceleration and lane changing behavior. Tese (Doutorado) — Massachusetts Institute of Technology, 1999. Citado 2 vezes nas páginas
32e 35.
AL-SULTAN, S.; AL-BAYATTI, A. H.; ZEDAN, H. Context-aware driver behavior detection system in intelligent transportation systems. IEEE transactions on vehicular technology, v. 62, n. 9, p. 4264–4275, 2013. Citado na página33.
ALMEIDA, R. de D. Sistema De Análise De Consumo De Combustível De Veículos Automotores. 2017. Trabalho de Conclusão de Curso apresentada ao Instituto Federal de Educação, Ciência e Tecnologia de Minas Gerais - Campus Formiga, como requisito parcial para obtenção do grau de Bacharel em Ciência da Computação. Área de concentração: Computação. Disponível em: <https://www.formiga.ifmg.edu.br/documents/2017/
PublicacoesTCCsBiblioteca/MonografiaRODRIGODEDEUS_FINAL.pdf>. Citado na
página 35.
AMSALU, S. B.; HOMAIFAR, A. Driver behavior modeling near intersections using Hidden Markov Model based on genetic algorithm. In: IEEE International Conference on Intelligent Transportation Engineering (ICITE). [S.l.]: IEEE, 2016. p. 193–200. Citado 3 vezes nas páginas 17, 33e 34.
Anaconda. What is Anaconda? 2017. Disponível em: <https://www.anaconda.com/ what-is-anaconda/>. Citado na página 46.
ARGENTON, A. A.; BORTH, M. R.; VILHANUEVA, M. P. Um Software para Monitorar Veículos e Proporcionar maior Segurança no Trânsito. Anais do Computer on the Beach, v. 0, n. 0, p. 536–537, 2015. Disponível em: <https: //siaiap32.univali.br/seer/index.php/acotb/article/view/7118>. Citado na página 35.
BARRETO, V.; MOOERS, D. What is OBD II? History of On-Board Diagnostics. 2017. Disponível em: <https://www.geotab.com/blog/obd-ii/>. Citado na página 25.
BERRY, M.; LINOFF, G. Mastering Data Mining: The Art and Science of Customer Relationship Management. 1st. ed. New York, NY, USA: John Wiley & Sons, Inc., 1999. ISBN 978-0-471-33123-0. Citado na página 29.
BERRY, M. J. A.; LINOFF, G. S. Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management. 2. ed. Indianapolis, Indiana: John Wiley & Sons,
2011. Google-Books-ID: AyQfVTDJypUC. ISBN 978-1-118-08745-9. Citado na página 29.
BMW. BMW – Sheer Driving Pleasure. 1916. Disponível em: <https://www.bmw.com>. Citado na página 42.
BOB, H. What makes the engine tick. 2015. Disponível em: <http://hdabob.com/ the-vehicle/engine/what-makes-the-engine-tick/>. Citado na página 23.
Referências 84
BOYRAZ, P.; SATHYANARAYANA, A.; HANSEN, J. H. L. Driver Behavior Modeling Using Hybrid Dynamic Systems For ‘Driver-Aware’ Active Vehicle Safety. p. 9, 2009. Citado 2 vezes nas páginas 33 e34.
CAN in Automation. CAN in Automation (CiA): History of the CAN technology. 2016. Disponível em: <https://www.can-cia.org/can-knowledge/can/can-history/>. Citado na página 25.
CAR MD. Car MD. 2006. Disponível em: <https://www.carmd.com>. Citado na página
36.
CARVALHO, D.; RIBEIRO, C. H. Mortes por acidentes de transporte terrestre no Brasil: Análise dos sistemas de informação do Ministério da Saúde. [S.l.], 2016. Disponível em:
<https://www.econstor.eu/handle/10419/146648>. Citado na página 17.
CASTIGNANI, G. et al. Driver behavior profiling using smartphones: A low-cost platform for driver monitoring. IEEE Intelligent Transportation Systems Magazine, v. 7, n. 1, p. 91–102, 2015. Citado 3 vezes nas páginas 33, 35e 36.
Conselho Nacional do Meio Ambiente. RESOLUÇÃO CONAMA no 354, de 13 de dezembro de 2004 Publicada no DOU no 239, de 14 de dezembro de 2004. 2004. 62–63 p. Disponível em: <http://www.mma.gov.br/port/conama/legislacao/CONAMA_RES_ CONS_2004_354.pdf>. Citado na página 25.
CONTESINI, L. Afinal o que é ECU? Como elas funcionam? 2017. Disponível em:
<https://www.flatout.com.br/afinal-o-que-e-ecu-como-elas-funcionam/>. Citado na página 22.
DAPZOL, N. Driver’s behaviour modelling using the Hidden Markov Model formalism. In: ECTRI Young researchers seminar, The Hague, the Netherlands. [S.l.: s.n.], 2005. v. 2, p. 2–1. Citado na página 34.
ELM Eletronics. Elm Electronics – Unique ICs. 2017. Disponível em: <https: //www.elmelectronics.com/>. Citado 2 vezes nas páginas39 e40.
EREN, H. et al. Estimating driving behavior by a smartphone. In: Intelligent Vehicles Symposium (IV), 2012 IEEE. [S.l.]: IEEE, 2012. p. 234–239. Citado 4 vezes nas páginas
17, 33, 36 e37.
FACELI, K. et al. Inteligência Artificial: Uma abordagem de aprendizado de máquina. Rio de Janeiro: Livros Técnicos e Científicos Editora Ltda., 2015. v. 2. ISBN 978-85-216-1880-5. Citado 3 vezes nas páginas 25, 26e 28.
FERENHOF, H. A.; FERNANDES, R. F. Desmistificando a revisão de literatura como base para redação científica: método SFF. Revista ACB, v. 21, n. 3, p. 550–563, 2016. Citado na página 32.
FIGUEIREDO, E. Requisitos Funcionais e Requisitos Não Funcionais. 2012. Citado na página 67.
FONTES, V. G.; FIGUEIREDO, J. A. O. de. EconoDrive Computador De Bordo Automotivo Em Plataforma Móvel IOS. 2015. Citado na página 35.
GANDOLFI, A. NASTABIL: um modelo de aplicativo para coleta e envio de dados em veículos. 2016. Disponível em: <http://www.repositorio.jesuita.org.br/handle/UNISINOS/ 6063>. Citado na página 35.
Google Play. Google Play. 2012. Disponível em: <https://play.google.com/store>. Citado na página 40.
HIGGS, B.; ABBAS, M. Identification and classification of state-action clusters of car-following behavior. In: Intelligent Transportation Systems (ITSC), 2014 IEEE 17th International Conference on. [S.l.]: IEEE, 2014. p. 3151–3155. Citado 2 vezes nas páginas
33e 34.
HIGGS, B.; ABBAS, M. Segmentation and clustering of car-following behavior: Recognition of driving patterns. IEEE Transactions on Intelligent Transportation Systems, v. 16, n. 1, p. 81–90, 2015. Citado na página 34.
JOHNSON, D. A.; TRIVEDI, M. M. Driving style recognition using a smartphone as a sensor platform. In: 2011 14th International IEEE Conference on Intelligent Transportation Systems (ITSC). Washington, DC, USA: IEEE, 2011. p. 1609–1615.
ISBN 978-1-4577-2197-7 978-1-4577-2198-4 978-1-4577-2196-0. Disponível em:
<http://ieeexplore.ieee.org/document/6083078/>. Citado na página 36.
KUMAGAI, T.; AKAMATSU, M. Prediction of human driving behavior using dynamic Bayesian networks. IEICE TRANSACTIONS on Information and Systems, v. 89, n. 2, p. 857–860, 2006. Citado na página 34.
LORENA, A. C.; CARVALHO, A. C. P. L. F. d. Uma Introdução às Support Vector Machines. Revista de Informática Teórica e Aplicada, v. 14, n. 2, p. 43–67, 2007. ISSN 21752745. Disponível em: <http://www.seer.ufrgs.br/index.php/rita/article/view/rita_ v14_n2_p43-67>. Citado na página 29.
Marianne Silva et al. A Customer Feedback Platform for Vehicle Manufacturing in Industry 4.0. In: . Natal-RN, Brazil: [s.n.], 2018. Citado na página 81.
MCFARLAND, M. Your car’s data may soon be more valuable than the car itself. 2017. Disponível em: <http://money.cnn.com/2017/02/07/technology/car-data-value/index. html>. Citado na página 18.
MESEGUER, J. E. et al. Drivingstyles: A smartphone application to assess driver behavior. In: Computers and Communications (ISCC), 2013 IEEE Symposium on. [S.l.]: IEEE, 2013. p. 000535–000540. Citado na página 33.
MESEGUER, J. E. et al. Assessing the impact of driving behavior on instantaneous fuel consumption. In: 2015 12th Annual IEEE Consumer Communications and Networking Conference (CCNC). [S.l.: s.n.], 2015. p. 443–448. Citado 3 vezes nas páginas 32, 33 e 34.
MITCHELL, T. M. Machine learning. 1997. Burr Ridge, IL: McGraw Hill, v. 45, n. 37, p. 870–877, 1997. Citado na página 29.
Mitsubishi Motors. MITSUBISHI MOTORS | Global Website. 1870. Disponível em:
Referências 86
NASCIMENTO, A. M. h. d. Uma Abordagem Com Sistema Multiagentes Para O Gerenciamento Do Gasto De Combustível Em Frota De Veículos. 2016. Citado na página
35.
OLIVEIRA, J. et al. CO2catcher crowdsensing veicular para monitoramento da poluição urbana. 2016. Citado na página 35.
OLIVEIRA, T. M. V. d. Amostragem não Probabilística: Adequação de Situações para uso e Limitações de amostras por Conveniência, Julgamento e Quotas. Administração On Line, v. 2, 2001. ISSN 1517-7912. Disponível em: <http: //www.fecap.br/adm_online/art23/tania2.htm>. Citado na página 42.
ONSV. Atualização do custo total dos acidentes de trânsito no Brasil. [S.l.], 2015. 8 p. Disponível em: <http://iris.onsv.org.br/iris-beta/downloads/Atualizacao_Custos_ 20150416-2.pdf>. Citado na página 17.
ONSV. 90% dos acidentes são causados por falhas humanas, alerta Observatório. 2017. Disponível em: <https://www.onsv.org.br/
90-dos-acidentes-sao-causados-por-falhas-humanas-alerta-observatorio/>. Ci- tado 4 vezes nas páginas 8,9, 17e 19.
Oracle. A Singleton Session Bean Example: counter - The Java EE 6 Tutorial. 2013. Disponível em: <https://docs.oracle.com/javaee/6/tutorial/doc/gipvi.html>. Citado na página 74.
Orange. Orange – Data Mining Fruitful & Fun. 1997. Disponível em: <https: //orange.biolab.si/>. Citado na página 46.
PERES, S. M.; LIMA, C. A. M. Medidas de avaliação de agrupamentos (Clustering). 2015. Citado na página 30.
PIRES, P. android-obd-reader: Android OBD-II Reader application that uses pure OBD-II PID’s Java API. 2017. Original-date: 2012-05-18T15:28:22Z. Disponível em:
<https://github.com/pires/android-obd-reader>. Citado 3 vezes nas páginas 40, 41 e69.
PóVOA, R. Aplicação Do Protocolo “Kw2000” Para Leitura De Dados Disponíveis No Módulo De Controle Do Motor De Um Veículo Popular. Tese (Doutorado), 2007. Citado na página 35.
RODRIGUES, J. M. Evolução da frota de automóveis e motos no Brasil 2001–2012 (Relatório 2013). Rio de Janeiro: Institutos Nacionais de Ciência e Tecnologia (INCT),
2013. Citado na página 32.
SALVUCCI, D. D. Modeling driver behavior in a cognitive architecture. Human factors, v. 48, n. 2, p. 362–380, 2006. Citado na página 35.
SANTOS, A. L. V. d. Economia de combustível com o uso de telemetria para veículos de passeio. 2016. Disponível em: <http://www.lume.ufrgs.br/handle/10183/147672>. Citado na página 35.
SEGOVIA-VARGAS, M. J.; CAMACHO-MIñANO, M.-d.-M.; PASCUAL-EZAMA, D. Risk factors selection in automobile insurance policies: a way to improve the bottom line of insurance companies. Review of Business Management, p. 1228–1245, nov. 2015. ISSN
18064892, 19830807. Disponível em:<http://rbgn.fecap.br/RBGN/article/view/1741>. Citado na página 19.
SILVA, A. R. da; JúNIOR, J.; SILVA, I. Rede de sensores para controle inteligente de