From Cities to Series: Complex Networks and Deep Learning for Improved Spatial and Temporal Analytics (2021)
- Authors:
- Autor USP: SOUZA, GABRIEL SPADON DE - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- Subjects: INTELIGÊNCIA ARTIFICIAL; ANÁLISE DE SÉRIES TEMPORAIS; REDES COMPLEXAS; TEORIA DOS GRAFOS; URBANIZAÇÃO; APRENDIZADO COMPUTACIONAL
- Keywords: Artificial intelligence; Ciência de redes; Network science; Sistemas urbanos; Time series; Urban systems
- Agências de fomento:
- Language: Inglês
- Abstract: A relação entre diferentes entidades de um conjunto de dados é uma propriedade passível de ser representada por um grafo, os quais são conjuntos estruturados formados por entidades (i.e., vértices) e relacionamentos (i.e., arestas). Por muitas vezes grafos foram utilizados para responder questionamentos sobre a interação entre entidades do mundo real pela análise de seus vértices e arestas (i.e., topologia do grafo). As redes complexas, por outro lado, ficaram conhecidas por serem grafos de topologia não trivial. Entre suas aplicações, destaca-se a representação de fenômenos humanos como a urbanização de cidades, o movimento migratório de populações, e a propagação de pandemias. A teoria dos grafos e a ciência de redes, os campos de pesquisa que regem o estudo de grafos e redes complexas, tem sido explorados com sinergia no âmbito da inteligencia artificial, no qual transpõe-se a análise da interação entre diferentes entidades para o processo interno de aprendizado computacional dos algoritmos. Neste sentido, a presente tese introduz um ferramental de redes complexas juntamente com técnicas de aprendizado supervisionado de classificação e regressão de modo a contribuir com o entendimento de fenômenos humanos inerentes às malhas viárias, migrações pendulares, e progressões pandêmicas por meio de modelagem e análise computacional. Entre os resultados alcançados, estão: (i) técnicas de identificação de falhas de planejamento urbano ao mesmo tempo em que se auxilia na análise datopologia da rede complexa para diferenciar os vértices mais influentes; (ii) uma metodologia de análise e predição de links em redes complexas no âmbito de mobilidade humana entre cidades por meio de aprendizado de máquina; e, (iii) uma nova arquitetura de rede neural capaz de modelar processos dinâmicos observados em dados variantes no espaço e no tempo, com aplicações de alcance a diferentes domínios. Tais resultados reiteram o potencial dos grafos e das redes complexas na solução de problemas conectados à análise de diferentes fenômenos humanos, bem como a previsão de seus processos evolutivos no espaço e no tempo, quando utilizados conjuntamente com os algoritmos de aprendizado computacional provenientes da inteligência artificial.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2021
- Data da defesa: 12.07.2021
-
ABNT
SOUZA, Gabriel Spadon de. From Cities to Series: Complex Networks and Deep Learning for Improved Spatial and Temporal Analytics. 2021. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2021. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-01092021-104851/. Acesso em: 23 abr. 2024. -
APA
Souza, G. S. de. (2021). From Cities to Series: Complex Networks and Deep Learning for Improved Spatial and Temporal Analytics (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-01092021-104851/ -
NLM
Souza GS de. From Cities to Series: Complex Networks and Deep Learning for Improved Spatial and Temporal Analytics [Internet]. 2021 ;[citado 2024 abr. 23 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-01092021-104851/ -
Vancouver
Souza GS de. From Cities to Series: Complex Networks and Deep Learning for Improved Spatial and Temporal Analytics [Internet]. 2021 ;[citado 2024 abr. 23 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-01092021-104851/ - Characterization of mobility patterns and collective behavior through the analytical processing of real-world complex networks
- Lig-Doctor: real-world clinical prognosis using a bi-directional neural network
- Pay attention to evolution: time series forecasting with deep graph-evolution learning
- Aircraft fuselage corrosion detection using artificial intelligence
- LIG-Doctor: efficient patient trajectory prediction using bidirectional minimal gated-recurrent networks
- DropLeaf: a precision farming smartphone tool for real-time quantification of pesticide application coverage
- Enhancing recursive graph querying on RDBMS with data clustering approaches
- SHARq: sharing recursive queries in relational databases
- G-FranC: a dataset of criminal activities mapped as a complex network in a relational DBMS
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas