MMCloud: um algoritmo de clustering não supervisionado online para análise do comportamento do motorista
Veículos Inteligentes; Soft-Sensors; Agrupamento Online Incremental; TinyML; Classificação do comportamento do Motorista.
Sistemas inteligentes evolutivos e adaptativos são fundamentais para lidar com fluxos dinâmicos de dados do mundo real, especialmente em ambientes com restrições de recursos, como veículos habilitados para Internet das Coisas (IoT). Este estudo propõe uma abordagem de clustering evolutivo online para diagnóstico em tempo real do comportamento do motorista, aproveitando Tiny Machine Learning (TinyML) e sensores virtuais. Este estudo propõe o algoritmo MMCloud, um modelo de clustering incremental desenvolvido para lidar com fluxos contínuos de dados. Ele dispensa a necessidade de re-treinamento e é capaz de se adaptar à mudança de conceito (concept drift) e às condições variáveis de direção. A metodologia combina diagnóstico a bordo (OBD-II) com um framework de computação em borda para classificar o comportamento de condução do motorista em três categorias: cautelosa, normal e agressiva. Para validar a abordagem, dois estudos de caso foram conduzidos em ambientes urbanos com diversas condições de tráfego. Um deles utilizou um dispositivo Freematics One+, enquanto o outro empregou o algoritmo embarcado em um aplicativo móvel. Os resultados demonstram a capacidade do sistema de identificar com precisão padrões de condução em evolução, contribuindo para práticas de direção mais seguras, otimização do consumo de combustível e sistemas inteligentes de transporte. Esta pesquisa avança o campo da inteligência artificial evolutiva ao integrar modelos adaptativos de aprendizado de máquina com soluções embarcadas de IoT, permitindo o monitoramento autônomo e auto-organizável do comportamento do motorista.