dc.contributor.advisor | Gomes, Natanael Rodrigues | |
dc.creator | Kreutz, Andressa Wickert | |
dc.date.accessioned | 2022-03-14T11:53:01Z | |
dc.date.available | 2022-03-14T11:53:01Z | |
dc.date.issued | 2022-02-17 | |
dc.date.submitted | 2022 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/23779 | |
dc.description | TCC (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia Elétrica, RS, 2022. | por |
dc.description.abstract | In the context of the Internet of Things (IoT), one of the applications are smart cities,
in which technology is employed in order to improve the quality of life of its citizens. In this
scenario, there is an intense data generation from sensors, which provide important information
about their surroundings and can be used in decision making. However, new challenges also
emerge, such as the presence of outliers, that is, values that differ drastically from others in the
same dataset, which can lead to misinterpretations. In view of this, the current work presents the
construction of a multiclassifier algorithm for outlier detection in data obtained from three envi ronmental monitoring IoT sensors. The multiclassifier is composed of two statistical techniques
(Zscore and Modified Zscore) and one of clustering (K-Means). The methods are evaluated and
compared using performance metrics of sensitivity, precision, specificity and accuracy. It is
found that Zscore and Modified Zscore exhibit better performance in identifying abnormali ties in unimodal distribution data, while K-Means has higher efficiency in bimodal distribution
data. Therefore, by gathering the responses in the multiclassifier, they complement each other,
yielding a more robust outlier detection system with better performance metrics | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Aberto | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Cidades inteligentes | por |
dc.subject | Internet das coisas | por |
dc.subject | Outliers | por |
dc.subject | Multiclassificador | por |
dc.title | Multiclassificador para a detecção de Outliers em dados gerados por sensores de monitoramento ambiental | por |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Santa Maria, RS, Brasil | por |
dc.degree.graduation | Curso de Engenharia Elétrica | por |
dc.description.resumo | No contexto de Internet das Coisas (IoT - Internet of Things), uma das aplicações são
cidades inteligentes, nas quais a tecnologia é empregada de modo a melhorar a qualidade de
vida dos seus cidadãos. Neste cenário, existe uma intensa geração de dados a partir de senso res, os quais fornecem informações importantes sobre o seu entorno e podem ser utilizados na
tomada de decisões. Porém, também emergem novos desafios, tais como a presença de outliers,
isto é, valores que se diferenciam drasticamente dos outros do mesmo conjunto de dados, o que
pode implicar em interpretações equivocadas. Em vista disto, o presente trabalho apresenta a
construção de um algoritmo multiclassificador para detecção de outliers em dados obtidos de
três sensores IoT de monitoramento ambiental. O multiclassificador é composto pela resposta
de três técnicas, sendo duas delas estatísticas (Zscore e Zscore Modificado) e uma de clusteriza-
ção (K-Means). Os métodos são avaliados e comparados por meio das métricas de desempenho
de sensibilidade, precisão, especificidade e acurácia. Constata-se que o Zscore e Zscore Mo dificado exibem melhor desempenho em identificar anormalidades nos dados de distribuição
unimodal, enquanto que K-Means possui maior eficiência nos dados de distribuição bimodal.
Portanto, ao reunir as respostas no multiclassificador, as mesmas se complementam, obtendo-se
um sistema de detecção de outliers mais robusto, com melhores métricas de desempenho. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | por |
dc.publisher.unidade | Centro de Tecnologia | por |