U NIVERSIDADE F EDERAL DE G OIÁS

I NSTITUTO DE I NFORMÁTICA

PAULO C ÉSAR F ERREIRA M ELO

Detecção e Inferência de Padrões

Comportamentais em Smart Cities
através do uso de Sensoriamento
Oportunista

Goiânia
2016
 CAPÍTULO 1
Introdução

Atualmente, as cidades enfrentam grandes desafios para atingir objetivos de de-

senvolvimento sócio-econômico e qualidade de vida devido a concentração da população.
Como resposta a estes desafios surgiu o conceito de "‘Cidades Inteligentes"’ (Smart Ci-
ties) [4]. No contexto da computação, mais especificamente no âmbito da Internet, a defi-
nição mais simples é que uma cidade inteligente pode efetivamente processar informações
em rede para melhorar os resultados, em qualquer aspecto, das operações de uma cidade.
Em outras palavras, as cidades inteligentes utilizam a tecnologia para ofertar recursos,
que podem ajudar a resolver/minimizar problemas urbanos.
Tais recursos podem ser aplicados a domínios amplos, como: divulgação de
informações às autoridades, empresas e cidadãos, otimização da produção e do consumo
de energia e água, gestão do tráfego, segurança pública e resposta a emergências [4].
Para alcançar os objetivos propostos pelas cidades inteligentes é necessário que
haja a integração de diversas fontes de Tecnologias da Informação (TICs). Esta integração
resultam em estruturas complexas e geram grande volume de dados, que precisam ser
capturados, analisados, processados e transformados em informação útil. As fontes de
dados que integram esse modelo são em sua maioria heterogêneas, incluindo sensores
e mídias sociais, e requerem uma exploração mais aprofundada das técnicas de captura,
interpretação, fusão, agregação, análise e correlação dos dados [12].
Cidades inteligentes são cada vez mais compostas e monitoradas por computação
ubíqua e pervasiva. Neste contexto, as cidades inteligentes precisam aproveitar não apenas
as informações de vários sensores, mas também os próprios cidadãos, que cada vez mais
dispõe de tecnologias móveis e vestíveis. Com efeito, os cidadãos não são apenas atores
passivos e utilizadores finais de serviços inteligentes da cidade, mas podem desempenhar
um papel ativo e fundamental na melhoria do ecossistema urbano e na resolução dos seus
desafios [14].
Parte desse princípio se deve ao fato de que os smartphones e tecnologias ves-
tíveis, são equipados com uma quantidade cada vez maior de sensores embarcados, os
quais possibilitam o sensoriamento de dados do ambiente para que possam ser interpre-
tados e processados por diversas aplicações [10]. Desta forma, é possível a inserção das
pessoas como elementos mais participativos nas cidades inteligentes, transformando-os
em sensores humanos (Crowd Sensors) [6].
Partindo desse pressuposto e no contexto de cidades inteligentes, o monitora-
mento deve ser feito em larga escala, fazendo-se necessária a análise de dados proveni-
entes de vários indivíduos (por exemplo, para monitoramento do congestionamento no
tráfego de veículos) [5]. Deste comportamento, surge o conceito de crowdsensing móvel,
que a partir dos dados coletados, visa medir e mapear fenômenos de interesse comum [7].
Em se tratando de sensoriamento comunitário, existem mais dois tipos de mo-
delos distintos: o sensoriamento participativo, que requer a participação ativa e direta no
fornecimento de dados dos usuários e o sensoriamento oportunista, que requer um envol-
vimento mínimo do usuário (exemplo, localização automática por GPS) [15].
Neste projeto, optamos pelo uso de sensoriamento oportunista, afim de reduzir
a dependência direta do usuário em resposta a uma requisição para detecção e inferência
de padrões comportamentais, tanto dos usuários quanto do ambiente, com o objetivo de
gerar informação útil para apoio na tomada de decisão.
Com intuito de demonstrar a viabilidade desta abordagem, será utilizado a
CSVM (CrowdSensing Virtual Machine) [11], uma plataforma para o domínio crowdsen-
sing móvel que pode ser facilmente adaptada para diversos contextos incluindo cidades
inteligentes. O uso desta plataforma se dará para coletar os dados, processar os dados co-
letados pelos dispositivos móveis, aplicar regras de inferências pré-definidas e apresentar
o resultado (na forma de alerta ou notificação). Mais especificamente, as etapas que devem
ser cumpridas são: monitoramento do ambiente, ou seja, detecção e coleta de dados, espe-
cificação de regras de inferência para geração de informação, especificação de consultas
(seguindo padrão aceito pela CSVM) que orientarão a coleta dos dados, processamento
dos dados e geração da resposta.
Baseado na abordagem proposta, e com o intuito de demonstrar sua aplicabili-
dade, será apresentado um cenário da ocorrência de um desastre natural ocasionado por
uma tempestade desencadeada por uma mudança abrupta na temperatura de uma deter-
minada região. Neste contexto, foi detectado anteriormente um padrão regular que de-
terminava que naquela região a temperatura normal era de 24 graus Celsius e havia sido
inserido na plataforma uma regra de inferência para alerta de desastre natural que deveria
ser acionada quando a temperatura atingisse 10 graus Celsius e umidade relativa do ar
maior que 80%. A fim de monitoramento, os dados seriam coletados regularmente dos
sensores embarcados nos smartphones dos frequentadores da região especificada e em
seguida os dados seriam enviados à plataforma.
O Capítulo 2 apresenta o objetivo principal deste trabalho, descrevendo-o e
listando os objetivos específicos. O Capítulo 3 detalha a metodologia utilizada para
elaboração e concepção deste trabalho. O Capítulo 4 apresenta o cronograma com as
principais etapas a serem cumpridas no desenvolvimento do trabalho. O Capítulo 5
apresenta quais os resultados esperados deste trabalho.
 CAPÍTULO 2
Objetivos

O objetivo geral deste trabalho é propor o uso oportunista de sensores embarca-

dos em smartphones afim de detectar e inferir padrões comportamentais de pessoas e do
ambiente monitorado, visando a tomada de decisão e/ou como forma de alimentar siste-
mas subjacentes (como por exemplo, sistemas de alertas de perigo de enchente). Desta
forma, o objetivo também é demonstrar que através de uma análise de padrões compor-
tamentais é possível inferir um conjunto de informações que podem ser aplicadas para
diversos fins e aplicações.
Dentre os objetivos específicos, destacam-se:

• Projetar uma camada para plataforma CSVM processar consultas específicas para
o domínio de cidades inteligentes e para permitir a inserção de regras de inferência.
• Adaptar a plataforma CSVM para permitir a inserção dinâmica de regras de infe-
rência.
• Propor um algoritmo para detecção de padrões comportamentais.
• Criar e especificar consultas parametrizadas (conforme modelo proposto pela
CSVM) para o contexto de smart cities.
• Implementar uma camada da CSVM para análise e identificação de patrões com-
portamentais.
• Propor uma arquitetura para cidades inteligentes utilizando o modelo de sensoria-
mento oportunista.
• Realizar testes e avaliação de desempenho e latência da plataforma para o contexto
de cidades inteligentes.
 CAPÍTULO 3
Metodologia

A metodologia de pesquisa adotada, visando atender os objetivos propostos no

Capítulo 2, inclui:

• Revisão bibliográfica do estado da arte smart cities, incluindo conceitos, princípios,

tecnologias envolvidas, problemas, elementos, dentre outros aspectos relevantes.
• Revisão do estado da arte sobre Crowdsensing móvel, atuais pesquisas e aborda-
gens.
• Estudo e revisão de Sensoriamento Oportunista e sua aplicabilidade em diferentes
cenários.
• Estudo e revisão sobre algoritmos de detecção e inferência de padrões comporta-
mentais aplicados a diferentes contextos.
• Levantamento de perguntas em aberto das áreas listadas acima.
• Fechamento do escopo e seleção das perguntas relevantes e pertinentes do domínio
do problema.
• Elaboração do algoritmo para detecção de padrões comportamentais, com base em
dados coletados por sensores heterogêneos.
• Adaptação da plataforma CSVM para possibilitar a inserção manual e dinâmica de
regras de inferências no contexto de smart cities.
• Elaboração de uma arquitetura para a abordagem de uso de sensores oportunistas
como ferramenta para detecção e inferência de padrões comportamentais em smart
cities.
• Configuração do ambiente real para realização dos testes
• Avaliação e validação da arquitetura por meio da realização de testes em cenário
real.
• Análise dos resultados obtidos comparando-os com trabalhos relacionados e elabo-
ração da conclusão.

Como material de estudo, foram utilizados livros, trabalhos acadêmicos, artigos

publicados em diversas revistas e journals sobre o tema proposto neste trabalho. Além
disso, foram analisados os códigos-fonte dos trabalhos mais relacionados que disponibi-
lizaram seus protótipos com licença livre para seu uso e estudo.
 CAPÍTULO 4
Etapas e Cronograma

De modo geral, este trabalho é composto por 11 etapas principais:

1. revisão bibliográfica do estado da arte;

2. levantamento de potenciais perguntas e elaboração da hipótese;
3. elaboração do algoritmo de detecção de padrões comportamentais;
4. codificação do módulo referente à inserção e ao tratamento de regras de inferência
pela plataforma CSVM;
5. configuração do ambiente simulado e real para realização de testes funcionais;
6. realização de testes;
7. coleta dos resultados;
8. avaliação dos resultados coletados;
9. elaboração da conclusão;
10. revisão orientada e correção
11. apresentação e defesa do projeto
 As etapas listadas acima estão dispostas no cronograma abaixo, referenciando o
mês e ano de execução para cada atividade.

Item Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
1 X X X X X X X X
2 X X X
3 X X
Tabela 4.1: Cronograma de 2017.

Item Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
3 X X X
4 X X X X X
5 X X
6 X X
Tabela 4.2: Cronograma de 2018.

Item Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
6 X X X X
7 X X X
8 X X X
9 X X
Tabela 4.3: Cronograma de 2019.

Item Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
9 X
10 X
11 X
Tabela 4.4: Cronograma de 2020.
 CAPÍTULO 5
Resultados Esperados

Com o crescimento e a necessidade cada vez mais evidenciada de soluções

para cidades inteligentes, o presente trabalho se apresenta como alternativa viável e de
baixo custo para identificação de padrões comportamentais através de sensoriamento
oportunista por meio de smartphones dos cidadãos e a partir da captura desses dados
a realização de inferência sobre determinados padrões.
Neste sentido, a expectativa é de que o projeto a curto prazo contribua com a
comunidade científica, através da publicação de artigos e apresentação de trabalhos em
simpósios relacionados ao tema, bem como a divulgação do algoritmo aqui proposto.
A médio/longo prazo, a expectativa está centrada no uso das teorias e modelos aqui
apresentados como forma de gerar novos insights para trabalhos futuros que visam o
uso eficiente e economia de recursos através da combinação de crowdsensing móvel no
contexto de cidades inteligentes. Além disso, tem-se como expectativas a aplicabilidade
da solução proposta neste artigo para diferentes domínios.
Assim sendo, através da abordagem proposta neste trabalho, esperamos que a
informação gerada pela detecção e inferência de padrões comportamentais em cidades
inteligentes possa ser utilizada como insumo para novas aplicações e novos trabalhos
visando a ampliação do modelo e concretização dos objetivos propostos pelas cidades
inteligentes, principalmente nos aspectos socioeconômico e na qualidade de vida das
pessoas.
Referências Bibliográficas

[1] B ENOUARET, K.; VALLIYUR -R AMALINGAM , R.; C HAROY, F. Crowdsc: Building

smart cities with large-scale citizen participation. IEEE Internet Computing,
17(6):57–63, 2013.

[2] B ORJA , R.; G AMA , K. Middleware para cidades inteligentes baseado em um

barramento de serviços. X Simpósio Brasileiro de Sistemas de Informação (SBSI),
1:584–590, 2014.

[3] C ARDONE , G.; F OSCHINI , L.; B ELLAVISTA , P.; C ORRADI , A.; B ORCEA , C.; TALASILA ,
M.; C URTMOLA , R. Fostering participaction in smart cities: a geo-social crowd-
sensing platform. IEEE Communications Magazine, 51(6):112–119, 2013.

[4] C ELINO, I.; KOTOULAS , S. Smart cities. IEEE Internet Computing, 17(6), 2013.

[5] D INIZ , H. B.; S ILVA , E. C.; DA G AMA , K. S. Uma arquitetura de referência para
plataforma de crowdsensing em smart cities. 2015.

[6] E RICKSON , T. Geocentric crowdsourcing and smarter cities: Enabling urban

intelligence in cities and regions. In: 1st Ubiquitous Crowdsourcing Workshop at
UbiComp, 2010.

[7] G ANTI , R. K.; Y E , F.; L EI , H. Mobile crowdsensing: Current state and future
challenges. Communications Magazine, IEEE, 49(11):32–39, 2011.

[8] H U, X.; L I , X.; N GAI , E. C.-H.; L EUNG , V. C.; K RUCHTEN , P. Multidimensional

context-aware social network architecture for mobile crowdsensing. IEEE
Communications Magazine, 52(6):78–87, 2014.

[9] KOMNINOS , N.; S CHAFFERS , H.; PALLOT, M. Developing a policy roadmap for
smart cities and the future internet. In: eChallenges e-2011 Conference Proce-
edings, IIMC International Information Management Corporation. IMC International
Information Management Corporation, 2011.
[10] L ANE , N. D.; M ILUZZO, E.; L U, H.; P EEBLES , D.; C HOUDHURY, T.; C AMPBELL , A. T.
A survey of mobile phone sensing. Communications Magazine, IEEE, 48(9):140–
150, 2010.

[11] M ELO, P. C. F.; DA R OCHA , R. C. A.; C OSTA , F. M. Enabling dynamic crowdsen-

sing through models@ runtime. Journal of Applied Computing Research, 5(1):17–
31, 2016.

[12] N APHADE , M.; B ANAVAR , G.; H ARRISON , C.; PARASZCZAK , J.; M ORRIS , R. Smarter
cities and their innovation challenges. Computer, 44(6):32–39, 2011.

[13] R OITMAN , H.; M AMOU, J.; M EHTA , S.; S ATT, A.; S UBRAMANIAM , L. Harnessing the
crowds for smart city sensing. In: Proceedings of the 1st international workshop
on Multimodal crowd sensing, p. 17–18. ACM, 2012.

[14] S CHAFFERS , H.; KOMNINOS , N.; PALLOT, M.; T ROUSSE , B.; N ILSSON , M.; O LI -
VEIRA , A. Smart cities and the future internet: Towards cooperation frameworks
for open innovation. In: The Future Internet Assembly, p. 431–446. Springer, 2011.

[15] S HERCHAN , W.; J AYARAMAN , P. P.; K RISHNASWAMY, S.; Z ASLAVSKY, A.; L OKE , S.;
S INHA , A. Using on-the-move mining for mobile crowdsensing. In: 2012 IEEE
13th International Conference on Mobile Data Management, p. 115–124. IEEE, 2012.