Captura, representación, consulta y clasificación semántica de trayectorias
| Autor: | Martínez Pérez, Cristina |
|---|---|
| Přispěvatelé: | Saavedra Places, Ángeles, Rodríguez Luaces, Miguel |
| Rok vydání: | 2022 |
| Předmět: | |
| Zdroj: | RUC. Repositorio da Universidade da Coruña instname |
| Popis: | Programa Oficial de Doutoramento en Computación . 5009V01 [Abstract] As a consequence of the competition between different manufacturers, current smartphones improve their features continuously and they currently include many sensors. Mobile Workforce Management (MWM) is an industrial process that would benefit highly from the information captured by the sensors of mobile devices. However, there are some problems that prevent MWM software from using this information: i) the abstraction level of the activities currently identified is too low (e.g., moving instead of performing an inspection on a client, or stopped instead of loading a truck in the facility of a client; ii) research work focuses on using geographic information algorithms on GPS data, or machine learning algorithms on sensor data, but there is little research on combining both types of data; and iii) context information extracted from geographic information providers or MWM software is rarely used. In this thesis, we present a new methodology to turn raw data collected from the sensors of mobile devices into trajectories annotated with semantic activities of a high level of abstraction. The methodology is based on activity taxonomies that can be adapted easily to the needs of any company. The activity taxonomies describe the expected values for each of the variables that are collected in the system using predicates defined in a pattern specification language. We also present the functional architecture of a module that combines context information retrieved from MWM software and geographic information providers with data from the sensors of the mobile device of the worker to annotate their trajectories and that can be easily integrated in MWM systems and in the workflow of any company. [Resumen] Como consecuencia de la competencia entre los diferentes fabricantes, los smartphones actuales presentan continuamente mejoras en sus características y en la actualidad incluyen numerosos sensores. Mobile Workforce Management (MWM) es un proceso industrial que podría beneficiarse mucho de la información recogida por los sensores de los teléfonos móviles. Sin embargo, existen varios problemas que lo impiden: i) hoy en día el nivel de abstracción de las actividades que son identificadas es demasiado bajo (por ejemplo, moviéndose en vez de realizando una inspección en un cliente, o parado en vez de cargando un camión en la instalación de un cliente); ii) los trabajos de investigación se centran en el uso de algoritmos que contrastan la información geográfica con los datos del GPS, o en algoritmos de aprendizaje aplicados a los datos de los sensores, pero existen pocos resultados de investigación que combinen ambos tipos de datos; y iii) la información contextual procedente de los repositorios de información geográfica o del software MWM es raramente usada. En esta tesis se presenta una nueva metodología que convierte los datos crudos capturados por los sensores de los dispositivos móviles en trayectorias anotadas con actividades semánticas con un alto nivel de abstracción. La metodología está basada en la definición de taxonomías de actividades que pueden ser adaptadas fácilmente a las necesidades de cualquier empresa. Estas taxonomías describen los valores esperados para cada una de las variables que son recogidas en el sistema usando predicados definidos mediante un lenguaje de especificación de patrones. Por último, también se describe la arquitectura del sistema que combina la información contextual del software MWM y las fuentes de información geográfica con los datos de los sensores del dispositivo móvil del trabajador para así, finalmente, anotar sus trayectorias y que pueden integrarse fácilmente en sistemas MWM y en el flujo de trabajo de cualquier empresa. [Resumo] Como consecuencia da competencia entre os diferentes fabricantes, os smartphones actuais presentan continuamente melloras nas súas características e na actualidade inclúen numerosos sensores. Mobile Workforce Management (MWM) é un proceso industrial que podería beneficiarse moito desta información recollida polos sensores dos teléfonos móviles. Con todo, existen varios problemas que o impiden: i) hoxe en día o nivel de abstracción das actividades que son identificadas é demasiado baixo (por exemplo, movéndose en lugar de realizando unha inspección nun cliente, ou parado e cargando un camión na instalación dun cliente); ii) os traballos de investigación céntranse no uso de algoritmos que contrastan a información xeográfica cos datos do GPS, ou en algoritmos de aprendizaxe aplicados aos datos dos sensores, pero existen poucos resultados de investigación que combinen ambos os tipos de datos; e iii) a información contextual procedente dos repositorios de información xeográfica ou do software MWM é raramente usada. Nesta tese preséntase unha nova metodoloxía que converte os datos crus capturados polos sensores dos dispositivos móbiles en traxectorias anotadas con actividades semánticas cun alto nivel de abstracción. A metodoloxía está baseada na definición de taxonomías de actividades que poden ser adaptadas ás necesidades de calquera empresa dun xeito doado. Estas taxonomías describen os valores esperados para cada unha das variables que son recollidas no sistema usando predicados definidos mediante unha linguaxe de especificación de patróns. Por último, tamén se describe a arquitectura do sistema que combina a información contextual do software MWM e as fontes de información xeográfica cos datos dos sensores do dispositivo móbil do traballador para así, finalmente, anotar as súas traxectorias e que poden integrarse dun xeito doado en sistemas MWM e no fluxo de traballo de calquera empresa. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|