Search

Esta dissertação tem como principal objetivo compreender e investigar, através de árvores de decisão e máquinas de vetores de suporte, os fatores que influenciam o sucesso do passe. A metodologia utilizada é o CRISP DM, usando três iterações do seu ciclo de vida. Na primeira iteração utilizaram-se as variáveis: área do Voronoi, distância à baliza e variável de saída a continuação da posse de bola. Segundo o especialista consultado, os resultados estavam longe do esperado. Na segunda iteração é utilizada a mesma base de dados, considerando o penúltimo e último evento (passe) da jogada. Nesta fase não foram encontradas ligações entre a distância à baliza e área total do Voronoi no sucesso ou não do passe. Na última iteração são realizadas três experiências com diferentes conjuntos de dados obtidos da mesma base de dados: um contendo dados posicionais e área de Voronoi dos jogadores, outro contendo somente os dados do jogador que executa o passe, o terceiro considerando o portador da bola e os companheiros e adversários mais próximos. Os resultados obtidos do primeiro conjunto de dados indicam que a importância relativa das variáveis é dependente do jogo e de alguma forma relacionada com a formação das equipas e missão tática dos jogadores. No segundo conjunto de variáveis os resultados indicam que as variáveis mais importantes são a área do Voronoi e a distância à baliza sendo as coordenadas dos jogadores pouco relevantes. O terceiro conjunto, mais diretamente relacionado ao processo de aprovação, proporcionou uma classificação mais consistente das características. Valores baixos da medida F e precisão mostram que as variáveis e os fatores que levam ao sucesso da aprovação são de fato elusivos. This dissertation has as main objective to understand and investigate, through decision trees and support vector machines, the factors that influence the success of the pass. The methodology used is CRISP DM, using three iterations of its life cycle. In the first iteration the following variables were used: Voronoi area, distance to goal and output variable the continuation of possession. According to the expert consulted, the results were far from what was expected. In the second iteration the same database is used, considering the penultimate and last event (pass) of the play. At this stage no links were found between the distance to the goal and total area of the Voronoi in the success or not of the pass. In the last iteration three experiments are performed with different data sets from the same database: one containing positional data and Voronoi area of all players, another containing only the data of the player performing the pass, the third considering the ball carrier and the closest teammates and opponents. The results obtained from the first set of data indicate that the relative importance of the variables is game dependent and somewhat related to the formation of the teams and tactical mission of the players. In the second set of variables the results indicate that the most important variables are the Voronoi area and the distance to the goal with the players’ coordinates being of little relevance. The third set, more directly related to the approval process, provided a more consistent classification of characteristics. Low values of the F-measure and hit show that the features and factors that lead to successful passing are indeed elusive.

Humans are prepared to comprehend each other’s emotions through subtle body movements or facial expressions; using those expressions, individuals change how they deliver messages when communicating between them. Machines, user interfaces, or robots need to empower this ability, in a way to change the interaction from the traditional “human-computer interaction” to a “human-machine cooperation”, where the machine provides the “right” information and functionality, at the “right” time, and in the “right” way. This dissertation presents a framework for emotion classification based on facial, speech, and text emotion prediction sources, supported by an ensemble of open-source code retrieved from off-the-shelf available methods. The main contribution is integrating outputs from different sources and methods in a single prediction, consistent with the emotions presented by the system’s user. For each different source, an initial aggregation of primary classifiers was implemented: for facial emotion classification, the aggregation achieved an accuracy above 73% in both FER2013 and RAF-DB datasets; For the speech emotion classification, four datasets were used, namely: RAVDESS, TESS, CREMA-D, and SAVEE. The aggregation of primary classifiers, achieved for a combination of three of the mentioned datasets results above 86 % of accuracy; The text emotion aggregation of primary classifiers was tested with one dataset called EMOTIONLINES, the classification of emotions achieved an accuracy above 53 %. Finally, the integration of all the methods in a single framework allows us to develop an emotion multi-source aggregator (EMsA), which aggregates the results extracted from the primary emotion classifications from different sources, such as facial, speech, text etc. We describe the EMsA and results using the RAVDESS dataset, which achieved 81.99% accuracy, in the case of the EMsA using a combination of faces and speech. Finally, we present an initial approach for sentiment classification. Os humanos estão preparados para compreender as emoções uns dos outros por meio de movimentos subtis do corpo ou expressões faciais; i.e., a forma como esses movimentos e expressões são enviados mudam a forma de como são entregues as mensagens quando os humanos comunicam entre eles. Máquinas, interfaces de utilizador ou robôs precisam de potencializar essa capacidade, de forma a mudar a interação do tradicional “interação humano-computador” para uma “cooperação homem-máquina”, onde a máquina fornece as informações e funcionalidades “certas”, na hora “certa” e da maneira “certa”. Nesta dissertação é apresentada uma estrutura (um ensemble de modelos) para classificação de emoções baseada em múltiplas fontes, nomeadamente na previsão de emoções faciais, de fala e de texto. Os classificadores base são suportados em código-fonte aberto associados a métodos disponíveis na literatura (classificadores primários). A principal contribuição é integrar diferentes fontes e diferentes métodos (os classificadores primários) numa única previsão consistente com as emoções apresentadas pelo utilizador do sistema. Neste contexto, salienta-se que da análise ao estado da arte efetuada sobre as diferentes formas de classificar emoções em humanos, existe o reconhecimento de emoção corporal (não considerando a face). No entanto, não foi encontrado código-fonte aberto e publicado para os classificadores primários que possam ser utilizados no âmbito desta dissertação. No reconhecimento de emoções da fala e texto foram também encontradas algumas dificuldades em encontrar classificadores primários com os requisitos necessários, principalmente no texto, pois existem bastantes modelos, mas com inúmeras emoções diferentes das 6 emoções básicas consideradas (tristeza, medo, surpresa, repulsa, raiva e alegria). Para o texto ainda possível verificar que existem mais modelos com a previsão de sentimento do que de emoções. De forma isolada para cada uma das fontes, i.e., para cada componente analisada (face, fala e texto), foi desenvolvido uma framework em Python que implementa um agregador primário com n classificadores primários (nesta dissertação considerou-se n igual 3). Para executar os testes e obter os resultados de cada agregador primário é usado um dataset específico e é enviado a informação do dataset para o agregador. I.e., no caso do agregador facial é enviado uma imagem, no caso do agregador da fala é enviado um áudio e no caso do texto é enviado a frase para a correspondente framework. Cada dataset usado foi dividido em ficheiros treino, validação e teste. Quando a framework acaba de processar a informação recebida são gerados os respetivos resultados, nomeadamente: nome do ficheiro/identificação do input, resultados do primeiro classificador primário, resultados do segundo classificador primário, resultados do terceiro classificador primário e ground-truth do dataset. Os resultados dos classificadores primários são depois enviados para o classificador final desse agregador primário, onde foram testados quatro classificadores: (a) voting, que, no caso de n igual 3, consiste na comparação dos resultados da emoção de cada classificador primário, i.e., se 2 classificadores primários tiverem a mesma emoção o resultado do voting será esse, se todos os classificadores tiverem resultados diferentes nenhum resultado é escolhido. Além deste “classificador” foram ainda usados (b) Random Forest, (c) Adaboost e (d) MLP (multiplayer perceptron). Quando a framework de cada agregador primário foi concluída, foi desenvolvido um super-agregador que tem o mesmo princípio dos agregadores primários, mas, agora, em vez de ter os resultados/agregação de apenas 3 classificadores primários, vão existir n × 3 resultados de classificadores primários (n da face, n da fala e n do texto). Relativamente aos resultados dos agregadores usados para cada uma das fontes, face, fala e texto, obteve-se para a classificação de emoção facial uma precisão de classificação acima de 73% nos datasets FER2013 e RAF-DB. Na classificação da emoção da fala foram utilizados quatro datasets, nomeadamente RAVDESS, TESS, CREMA-D e SAVEE, tendo que o melhor resultado de precisão obtido foi acima dos 86% quando usado a combinação de 3 dos 4 datasets. Para a classificação da emoção do texto, testou-se com o um dataset EMOTIONLINES, sendo o melhor resultado obtido foi de 53% (precisão). A integração de todas os classificadores primários agora num único framework permitiu desenvolver o agregador multi-fonte (emotion multi-source aggregator - EMsA), onde a classificação final da emoção é extraída, como já referido da agregação dos classificadores de emoções primárias de diferentes fontes. Para EMsA são apresentados resultados usando o dataset RAVDESS, onde foi alcançado uma precisão de 81.99 %, no caso do EMsA usar uma combinação de faces e fala. Não foi possível testar EMsA usando um dataset reconhecido na literatura que tenha ao mesmo tempo informação do texto, face e fala. Por último, foi apresentada uma abordagem inicial para classificação de sentimentos.

O avanço e a descoberta de novos métodos de aprendizagem automática e a evolução na realização de algoritmos fazem com que as áreas de investigação e de previsão sejam cada vez mais vastas e, com o aumento da capacidade de armazenamento de dados, é possível com maior eficácia prever cenários da vida real. Nos últimos anos tem-se também verificado um aumento do número de episódios de ansiedade na sociedade, assim como o número de pessoas diagnosticadas com este problema. Assim, este trabalho tem como objetivo utilizar os métodos e algoritmos de aprendizagem automática, com base nos dados fornecidos pelos utilizadores, de forma a desenvolver um modelo de previsão de ansiedade, descobrindo padrões da presença de episódios de ansiedade, utilizando como ferramenta auxiliar a música. Será feita uma análise da importância da música na vida das pessoas e perceber qual o impacto desta em situações de ansiedade. Em resultado do desenvolvimento deste projeto, foi desenvolvido um modelo cujo objetivo é prever se uma certa pessoa tem ansiedade, ou não, consoante as suas respostas, que foram obtidas por meio de um questionário. The advancement and discovery of new machine learning methods and the evolution in the realisation of algorithms mean that the areas of research and prediction are increasingly vast and, with the increase in data storage capacity, it is possible to predict real-life scenarios more effectively. In recent years there has also been an increase in the number of anxiety episodes in society, as well as the number of people diagnosed with this problem. Thus, this work aims to use machine learning methods and algorithms, based on data provided by users, to develop an anxiety prediction model, discovering patterns of the presence of anxiety episodes, using music as an auxiliary tool. An analysis will be made of the importance of music in people's lives and to understand its impact in anxiety situations. As a result of the development of this project, a model was developed whose objective is to predict whether a certain person has anxiety or not, depending on their answers, which were obtained through a questionnaire.

Trabalho de projeto de mestrado em Sistemas de Informação Geográfica (Tecnologias e Aplicações), Universidade de Lisboa, Faculdade de Ciências, 2021 Submitted by Cristina Manessiez (camanessiez@fc.ul.pt) on 2021-06-09T16:33:05Z No. of bitstreams: 1 ulfc126427_tm_Maria_João_Santos.pdf: 18612551 bytes, checksum: c39041779ecc139f08fd8756878f2c55 (MD5) Made available in DSpace on 2021-06-09T16:33:15Z (GMT). No. of bitstreams: 1 ulfc126427_tm_Maria_João_Santos.pdf: 18612551 bytes, checksum: c39041779ecc139f08fd8756878f2c55 (MD5) Previous issue date: 2021

Typically, when a human being watches a video, different sensations and mind states can be stimulated. Among these, the sensation of fear can be triggered by watching segments of movies containing themes such as violence, horror and suspense. Both the audio and visual stimuli may contribute to induce fear onto the viewer. This dissertation studies the use of machine learning for forecasting the emotional effects triggered by video, more precisely, the automatic identification of fear inducing video segments. Using the LIRIS-ACCEDE dataset, several experiments have been performed in order to identify feature sets that are most relevant to the problem and to assess the performance of different machine learning classifiers. Both classical and deep learning techniques have been implemented and evaluated, using the Scikit-learn and TensorFlow machine learning libraries. Two different approaches for training and testing have been followed: film-level dataset splitting, where different films were used for training and testing; and sample-level dataset splitting, which allowed that different samples coming from the same films were used for training and testing. The prediction of movie segments that trigger fear sensations achieved a F1-score of 18.5% in the first approach, a value suggesting that the dataset does not adequately represent the universe of movies. The second approach achieved a F1-score of about 84.0%, a substantially higher value that shows promising outcomes when performing the proposed task. Quando o ser humano assiste a filmes, diferentes sensações e estados de espírito são despoletados. Entre estes encontra-se o medo, que pode ser despoletado através da visualização de excertos de filmes contendo, por exemplo, violência gráfica, horror ou suspense. Tanto a componente visual como a auditiva contribuem para o despoletar desta sensação. Nesta dissertação é analisada a utilização de aprendizagem automática para prever o impacto emocional que a visualização de vídeos possa causar nas pessoas, mais concretamente os segmentos de um filme que despoletam a sensação de medo. Foram realizadas diversas experiências usando o conjunto de dados LIRIS-ACCEDE com os objetivos de encontrar conjuntos de atributos de imagem e áudio com maior relevância para o problema e de avaliar o desempenho de diversos modelos de aprendizagem automática usados para classificação. Foram usados diversos algoritmos clássicos e de aprendizagem profunda, recorrendo-se às bibliotecas Scikit-learn e TensorFlow. No que se refere à separação dos dados usados para treino e teste foram seguidas duas abordagens: divisão dos dados ao nível do filme, sendo usados filmes distintos para treino e teste; e divisão dos dados ao nível da amostra, possibilitando que os conjuntos de treino e teste contenham amostras distintas, mas pertencentes aos mesmos filmes. Para previsão dos segmentos que despoletam medo, na primeira abordagem chegou-se a um resultado de F1-score de 18,5%, concluindo-se que o conjunto de dados usado não é representativo, e na segunda abordagem a um F1-score de 84,0%, um valor substancialmente mais alto e promissor no desempenho da tarefa proposta.

Trabalho de projeto de mestrado em Sistemas de Informação Geográfica (Tecnologias e Aplicações), Universidade de Lisboa, Faculdade de Ciências, 2020 Submitted by Cristina Manessiez (camanessiez@fc.ul.pt) on 2020-12-21T15:50:24Z No. of bitstreams: 1 ulfc126042_tm_Ines_Silva.pdf: 5401367 bytes, checksum: fb9c5b1ae5606a53cdc18262754a0181 (MD5) Made available in DSpace on 2020-12-21T15:50:33Z (GMT). No. of bitstreams: 1 ulfc126042_tm_Ines_Silva.pdf: 5401367 bytes, checksum: fb9c5b1ae5606a53cdc18262754a0181 (MD5) Previous issue date: 2020

A crescente procura na aviação comercial em determinados picos operacionais, as avarias inusitadas e as operações charter Ad-hoc, fazem com que as empresas tenham necessidade de procura de aluguer de aeronaves a operadores de aviação. Por vezes deparam-se com dificuldades em encontrar aeronaves disponíveis para realizar o serviço ou simplesmente para que não haja custos acrescidos de aquisição, manutenção e de certo prejuízo em época baixa de operacionalidade, preferem não fazer aquisição de aeronaves de reserva capazes de fazer cobertura para todas as exigências operacionais, ou simplesmente, porque o seu tipo de negócio não abrange a inclusão de compra de aeronaves e preferem recorrência ao aluguer. As empresas de aviação não regular que conseguem colmatar esta carência necessitam ter uma preparação logística atempada. Assim, com este trabalho pretende-se fazer a predição da próxima tipologia operacional, do modelo de aeronave que será procurado e a consequente tripulação necessária para préstimo de serviço a bordo. A capacidade de preparação com antecedência na resposta operacional ao cliente, adequar o leque de oferta de aviões à procura e a existência de tripulação adequada às necessidades operacionais adjacentes, permite prestar um serviço de qualidade, melhoria da capacidade de resposta e melhoria de organização interna empresarial. Com esta dissertação pretende-se encontrar modelos de predição com auxílio a aprendizagem automática, aprendizagem automática com recurso a séries temporais e RNN – LSTM (Recurrent Neural Network - Long Short Memory Term), encontrando assim entre estes o modelo mais adequado a permitir fazer predição. Para a aplicação destas técnicas, foram utilizados os dados de gestão de tripulação e dados de planeamento de aeronaves, onde foi possível encontrar modelação adequada à predição da tipologia operacional, com ANN de classificação, para a modelação para determinação dos modelos de aeronaves, os melhores resultados obtidos foram com Árvores de Decisão de classificação e de tripulação, foi determinado com algumas dificuldades com ANN de regressão, a escolha recaiu na melhor performance. Growing demand in commercial aviation at certain time of operational peaks, facing maintenance problems as AOG (aircraft on ground) and the procurement for Ad-hoc charter operations, means that companies need to seek aircraft leasing from other aviation operators. Sometimes comercial airlines face some difficulties to find available aircrafts to perform their flights or simply to avoid additional costs of acquisition, maintenance and some losses in low peak operating times, instead they prefer not to purchase but rent aircraft capable of covering all operational requirements, or even simply because their type of business does not include the purchase of aircraft and prefer recurrence to rental. The non-scheduled aviation companies that can fill this gap need to have in advance a logistic preparation, thus, with this work, is intend to predict the next type of operation, the aircraft model to be searched and the convenient crew required for service on board. Pre-operational customer adequate response, matching the range of aircraft model supply to demand, and adequate number of crew to the consequent operational requirements, enables quality service, responsiveness improvement and higher internal business organization. This dissertation aims to find prediction models with the aid of machine learning, machine learning with time series and deep learning RNN - LSTM (Long Term Memory Term), finding amongest them the most suitable model to make predictions. To apply those techniques, crew management data and aircraft planning data were used, where it was possible to find appropriate modeling to predict the operational typology, with ANN classification, to predict the aircraft models, the best results were obtained with Decision Trees classification, and the necessary crew, it was determined with regression ANN, the choice was done having in mind the best performance of each model.

In the hotel industry, demand forecast accuracy is highly impacted by booking cancellations. Trying to overcome loss, hotels tend to implement restrictive cancellation policies and employ overbooking tactics which in turn reduces the number of bookings and reduces revenue. To tackle the uncertainty arising from cancellations, models for the prediction of a booking's cancellation were developed. Data from hotels' reservations systems was combined with data from other sources (events, holidays, online prices/inventory, social reputation and weather). Despite data class imbalance, concept drift, and dataset shift problems, it was possible to demonstrate that to predict cancellations of bookings is not only possible but also accurate. Moreover, it helped to better understand what the cancellation drivers can be. In order to assess the models under real conditions, a prototype was developed for field tests allowing to evaluate how an automated machine learning system that predicts booking’s cancellations could be integrated into hotels' systems. The model's performance in a real environment was assessed, including the impact on the business. The prototype implementation enable an understanding of adjustments to be made in the models so that they could effectively work in a real environment, as well as fostered the creation of a new measure of performance evaluation. The prototype enabled hoteliers to act upon identified bookings and effectively decrease cancellations. Moreover, results confirmed that booking cancellation prediction models can improve demand forecast, allowing hoteliers to understand their net demand, i.e., current demand minus predicted cancellations. Na indústria hoteleira, a precisão da previsão da procura é altamente impactada pelos cancelamentos de reservas. Na tentativa de mitigar as consequências dos cancelamentos, os hotéis tendem a implementar políticas de cancelamento restritivas e táticas de "overbooking", o que, por sua vez, reduz o número de reservas e a receita. Para combater a incerteza decorrente dos cancelamentos, foram desenvolvidos modelos capazes de prever a probabilidade de cada reserva vir a ser cancelada. Neste desenvolvimento foram utilizados dados de oito sistemas de gestão de reservas de outros tantos hotéis, conjuntamente com dados de outras fontes (eventos, feriados, preços/inventário "online", reputação social e clima). Apesar dos problemas de desequilíbrio de classe de dados, desvio de conceito e variação de distribuição entre variáveis ao longo do tempo, foi possível demonstrar que prever cancelamentos de reservas não é apenas possível realizar, mas que é possível de fazer com elevada precisão. A elaboração dos modelos ajudou ainda a compreender os fatores que influenciam o cancelamento. Para avaliar os modelos em condições reais, foi desenvolvido um protótipo, o qual permitiu avaliar como um sistema automatizado baseado em aprendizagem automática para prever os cancelamentos de reservas pode ser integrado nos sistemas dos hotéis. Este protótipo permitiu ainda avaliar o desempenho dos modelos num ambiente real, incluindo o seu impacto na operação. A implementação possibilitou também compreender os ajustes a serem feitos aos modelos para que pudessem efetivamente trabalhar num ambiente real, bem como fomentou a criação de uma nova medida de avaliação de desempenho. O protótipo permitiu que os hoteleiros agissem sobre as reservas identificadas e efetivamente diminuíssem os cancelamentos. Para além disso, os resultados confirmaram que os modelos de previsão de cancelamento de reservas podem melhorar a previsão de procura, permitindo que os hoteleiros compreendam melhor a sua procura líquida, ou seja, a procura atual menos os cancelamentos previstos.

Made available in DSpace on 2018-07-16T16:06:16Z (GMT). No. of bitstreams: 1 4677_9155.pdf: 3432100 bytes, checksum: 68d5131f107855aa7f7a636bc1b752cf (MD5) Previous issue date: 2016-03-21

Dissertação de Mestrado, Mestrado em Engenharia Elétrica e Eletrónica, Especialização em Sistemas de Energia e Controlo, Instituto Superior de Engenharia, Universidade do Algarve, 2016 Na atualidade, a eficiência energética é um assunto que tem cada vez mais importância, tanto na indústria como em instalações privadas. Investigadores e projetistas, aquando do desenvolvimento de novos projetos, tentam, sempre que possível, incluir a eficiência energética nos mesmos. Com a importância crescente deste tema, criam-se também projetos para incluir em instalações já existentes. Presente em algumas soluções de promoção da eficiência energética, encontram-se as redes de sensores. Estas redes são constituídas por elementos sensores (tensão, temperatura, luminosidade, etc), que comunicam com uma unidade central de processamento, por norma através de um protocolo sem fios, como Wi-Fi ou ZigBee. Com estas redes podemos obter informações sobre os elementos intervenientes na eficiência energética, como as potências elétricas e a temperatura, e enviar esses dados para a Internet. No entanto, só a monitorização dos intervenientes nem sempre é suficiente, na medida em que as anomalias nos consumos elétricos contribuem para o desperdício energético. Apesar de existirem inúmeros projetos que envolvem a monitorização de processos, nenhum deles envolve a deteção automática de anomalias. Assim, neste trabalho propõe-se um sistema que faça a monitorização dos consumos elétricos, ao mesmo tempo que verifica, de forma automática, se esses consumos são anómalos ou não.