Banca de QUALIFICAÇÃO: ANTÔNIO DAMÁSIO FORTALEZA DE ARAÚJO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: ANTÔNIO DAMÁSIO FORTALEZA DE ARAÚJO
DATA: 12/08/2026
HORA: 14:30
LOCAL: OnLine via Meet
TÍTULO: Localização com LoRaWAN: Análise Comparativa da Aplicação de Aprendizado de Máquina
PALAVRAS-CHAVES: LoRa. LoRaWAN. localização. fingerprinting. aprendizado de máquina. multicaracterísticas.
PÁGINAS: 99
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
SUBÁREA: Telecomunicações
ESPECIALIDADE: Sistemas deTelecomunicações
RESUMO:

Um dos conjuntos de dados mais importantes para possibilitar o funcionamento de soluções de Internet das Coisas é aqueles relacionado à localização geográfica os quais são mais comumente obtidos por meio do uso de Sistemas Globais de Navegação por Satélite. No entanto, o uso desse tipo de sistema pode implicar num aumento no custo de implantação, no uso de recursos computacionais e no consumo energético. Isso levou pesquisadores a estudar o uso de LoRaWAN, uma tecnologia de comunicação com cobertura e baixo consumo de energia, como uma alternativa para a obtenção de dados de localização sem alterar a infraestrutura já existente. Isso é possível porque, durante o processo de transmissão, essa tecnologia já produz metadados a partir dos quais é possível inferir coordenadas geográficas a partir de referências conhecidas pelo processo de Fingerprinting. Nessa dissertação foi proposto um protocolo de avaliação que foi aplicado para comparar a performance e o custo computacional de 6 métodos distintos de aprendizado de máquina quando aplicados ao processo de localização por Fingerprinting usando dados LoRaWAN: LoRaWAN Antwerp 2019: k-Nearest Neighbors, Weighted k-Nearest Neighbors, Random Forest, Extreme Gradient Boosting, Multi-Layer Perceptron e Extreme Learning Machine. Além disso, foi observada a diferença na forma como esses métodos reagem quando a representação espacial adotada contém apenas um tipo de atributo e quando há múltiplos tipos de características. Os resultados mostraram que os métodos baseados em florestas de árvores de decisão foram aqueles que obtiveram os melhores resultados, com Random Forest tendo o menor erro médio, 243,57 m, e Extreme Gradient Boosting atingindo o melhor equilíbrio entre precisão e custo computacional, em ambos os casos usando multicaracterísticas. Foi possível verificar, também, que o uso de uma representação com múltiplos tipos de atributos resultou na redução significativa do erro médio para todos os métodos, exceto para Weighted k-Nearest Neighbors. No todo, os resultados encontrados por meio desse protocolo foram competitivos com outros apresentados na literatura, ainda que a diferença nos parâmetros adotados não permita uma comparação direta.

MEMBROS DA BANCA:
Presidente - 621.***.***-37 - JOEL JOSE PUGA COELHO RODRIGUES - UA
Interno - 1615907 - FABIO ROCHA BARBOSA
Interno - 289819 - OTACILIO DA MOTA ALMEIDA