Métodos Diretos/Indiretos de Localização

As tecnologias de localização indoor podem ainda subdividir-se em métodos diretos e métodos indiretos [10].

Os métodos diretos de localização baseiam-se na existência de dispositivos sensoriais físi-cos que permitem a deteção de presenças ou a recolha de informação que permita de alguma forma localizar uma pessoa/objeto dentro de um edifício. Exemplos de métodos diretos de lo-calização são o uso de sensores de infravermelhos para verificação de presenças de pessoas em determinados espaços, o uso de sensores laser para a deteção de passagens, o uso de algoritmos de triangulação indoor e o uso de etiquetas RFID. No entanto, os métodos diretos são sempre soluções mais dispendiosas, devido ao facto de ser necessário um investimento em equipamento sensorial e calibração do mesmo.

Métodos Indiretos

Os métodos indiretos de localização destinam-se normalmente à deteção de presenças de pessoas em determinadas áreas de um edifício. Isto é conseguido analisando a forma como os recursos do edifício estão a ser utilizados. Parte-se do princípio que se há recursos a serem utilizados dentro de um determinado padrão, isso indica que há pessoas nesse edifício ou nessa área. É usual serem analisados os consumos energéticos ou os tráfegos de dados na rede de comunicações do edifício, ou até se estão ligados determinados dispositivos à rede do edifício.

Estes dados podem ser analisados através de diversos recursos. Um exemplo é o uso de algo-ritmos de Machine Learning, alimentando-os com os dados recolhidos, que detetam os padrões de consumo associados à ocupação de uma determinada área através de uma prévia aprendiza-gem.

Existem vários algoritmos de Machine Learning que diferem no modo como realizam a aprendizagem e o reconhecimento de padrões familiares. De entre muitos, destacam-se os algo-ritmos Logistic Regression, Decision Tree e SVM (Support Vector Machines) [15].

• Logistic Regression: Logistic Regression é um algoritmo de Machine Learning utilizado para a estimativa de variáveis discretas, normalmente definidas como 0 ou 1, presente ou não presente, ou, verdadeiro ou falso.

Este algoritmo advém de um modelo estatístico que usa uma função denominada função logística para prever o valor de uma variável binária, representado analítica e graficamente na Figura 5.1. Esta função possui duas assintotas que a limitam entre os valores 0 e 1. O significado do resultado dessa função é a probabilidade de a variável binária em questão ter o valor do estado 1.

Este algoritmo tem a particularidade de poder ser complementado com estratégias de re-gularização que permitem penalizar treinamentos do algoritmo com grande peso. Uma grande vantagem deste algoritmo é a sua rapidez de treino e execução e, o pouco uso de memória.

• Support Vector Machines (SVM): SVM é uma algoritmo supervisionado de Machine Learning que é regularmente usado para problemas de classificação mas, também pode ser usado para resolver problemas de regressão.

O algoritmo SVM trata os dados a analisar de forma a distribui-los num espaço com n dimensões, em que n representa o número de características existentes, como representado na Figura 5.2. Por exemplo, se se estiverem a analisar duas características, os dados vão ser distribuídos num espaço com duas dimensões, isto é, um plano.

Figura 5.2: Separação de grupos segundo três hiper-planos possíveis no algoritmo SVM.[1] Posteriormente, o algoritmo separa os dados em grupos, tantos quanto o número de carac-terísticas. O elemento separador é denominado por hiper-plano e possuirá n-1 dimensões. Analisando o exemplo anterior, se estivermos a analisar duas características, o elemento separador será uma reta, e esta reta será tal que maximize a distância entre ela e os pontos mais próximos dos dois grupos a analisar. Esta distância é conhecida como margem. Poderão existir casos em que a separação de grupos não seja evidente ou seja não linear, como por exemplo nos grupos representados na Figura 5.3. O algoritmo SVM tem a capacidade de lidar com tais casos, usando o método de Kernel, cujo objetivo é encontrar fronteiras não lineares que facilitem a separação entre os grupos. No caso representado na Figura 5.3 o método de Kernel irá tentar encontrar uma fronteira polinomial de segundo grau.

Após o algoritmo estar treinado, ou seja, conhecer os dados de treino e o hiper-plano, ao receber mais dados, este vai tentar reconhecer se os novos dados pertencem a um grupo ou a outro.

Figura 5.3: Representação de dois grupos com necessidade de aplicação do método de Kernel para determinação de fronteira polinomial de segundo grau[1].

• Decision Trees (DT): A aprendizagem Decision Trees é um modelo preditivo de classifi-cação de variáveis discretas. A estrutura do algoritmo Decision Trees passa pela criação de uma cadeia de condições que vão analisando as características da amostra em análise. Esta cadeia de condições é normalmente representada por uma árvore, em que cada ramo representa uma condição. A quantidade de ramos (condições) é dependente do número de características a analisar. A Figura 5.4 representa um exemplo simples de uma árvore de decisão com o objetivo de decidir que atividade realizar com base na meteorologia e na pré-existência de tarefas por concluir.

No entanto, este tipo de algoritmo poderá levar a uma múltipla classificação da amostra a ser analisada. Isto acontece quando a árvore de decisão é demasiado grande, ou tem condições ambíguas. Para prevenir isto condiciona-se o crescimento da árvore de decisão limitando o número de condições possível existir num determinado caso a analisar.

Figura 5.4: Representação da árvore de decisão com o objetivo de decidir que atividade realizar com base na meteorologia e na pré-existência de tarefas por concluir, utilizando o algoritmo Decisions Tree[2].