Serviços cientes dos espaços urbanos via federated learning em sistemas de transporte inteligente

Resumo

Fatores como predição da mobilidade urbana, monitoramento da dinâmica do tráfego nas cidades, limitação dos recursos envolvidos, extração eficientes de informações heterogêneas derivadas dos espaços urbanos e utilização eficientes dos recursos da infraestrutura de comunicação se tornam cruciais e possuem um papel importante no Sistema de Transporte Inteligente (ITS, do inglês Intelligent Transportation Systems). Esses fatores fazem parte dos desafios impostos para a evolução dos serviços cientes dos espaços urbanos que o ITS pode prover. Nesse contexto, o paradigma de Aprendizado Federado (FL, do inglês Federated Learning) vem surgindo como uma nova tendência e forte capacidade computacional para sanar tais desafios. Em razão disso, o projeto proposto sustenta-se na hipótese de que é possível por meio dos dados providos do ambiente urbano e dos modelos profundos do FL disponibilizar, caracterizar e modelar serviços cientes dos espaços urbanos que um ITS pode proporcionar aos seus usuários. Portanto, este projeto de pesquisa tem como objetivo investigar como os fatores extraídos do ambiente urbano via FL influenciam no gerenciamento de tráfego das grandes metrópoles para propor novos serviços cientes dos espaços urbanos para contribuir na área de ITS. (AU)