Atualmente, existem bilhões de dispositivos conectados e a Internet das Coisas (IoT) impulsionou esses números. No caso de redes privadas, algumas centenas de dispositivos conectados podem causar instabilidade e até perda de dados na comunicação. Neste trabalho, é proposta uma modelagem baseada em...

Atualmente, existem bilhões de dispositivos conectados e a Internet das Coisas (IoT) impulsionou esses números. No caso de redes privadas, algumas centenas de dispositivos conectados podem causar instabilidade e até perda de dados na comunicação. Neste trabalho, é proposta uma modelagem baseada em aprendizado de máquina para resolver a sobrecarga de rede causada pelo monitoramento contínuo das trajetórias de vários dispositivos rastreados em ambientes fechados. A modelagem proposta foi avaliada com mais de cem mil coordenadas de localização de objetos rastreados em três ambientes sintéticos e um ambiente real. Foi demonstrado que é possível resolver o problema de sobrecarga de rede aumentando a latência no envio de dados e prevendo coordenadas intermediárias das trajetórias no lado do servidor com modelos ensemble, como Random Forest, e usando Redes Neurais Artificiais sem perdas relevantes. Além disso, foi demonstrado que é possível
estimar pelo menos trinta coordenadas intermediárias das trajetórias de objetos rastreados com o Coeficiente de Determinação (R2) maior que 0,8.

Palavras-chave: Mineração de Dados. Internet das Coisas. Aprendizado de máquina.

Currently, there are billions of connected devices, and the Internet of Things (IoT) has boosted these numbers. In the case of private networks, a few hundred devices connected can cause instability and even data loss in communication. In this article, we propose a machine learning-based modeling to...

Currently, there are billions of connected devices, and the Internet of Things (IoT) has boosted these numbers. In the case of private networks, a few hundred devices connected can cause instability and even data loss in communication. In this article, we propose a machine learning-based modeling to solve network overload caused by continuous monitoring of the trajectories of several devices tracked indoors. The proposed modeling was evaluated with over a hundred thousand of coordinate locations of objects tracked in three synthetic environments and one real environment. It has been shown that it is possible to solve the network overload problem by increasing the latency in sending data and predicting intermediate coordinates of the trajectories on the server-side with ensemble models, such as Random Forest, and using Artificial Neural Networks without relevant data loss. It has also been shown that it is possible to estimate at least thirty intermediate coordinates of the trajectories of objects tracked with the Coefficient of Determination (R2) greater than 0.8.

Keywords: Data Mining. Internet of Things. Machine Learning