DELFOS: A Model for Multitemporal Analysis based on Contexts History

Authors

Keywords:

Ubiquitous Computing, Context-aware Computing, Contexts Histories, Contexts Prediction, Similarity Analysis, Profile Management

Abstract

This paper presents Delfos, a model for multi-temporal analysis based on historical contexts. The article describes the model architecture, implementation, and tests with two real datasets to evaluate the functionality and its potential to real applications. The first scenario used historical data from an electric power transmission substation, and the second with data from the performance analysis of futsal athletes. The results obtained through inference rules perform with 100\% accuracy of the Profiles creation and that these are a better representation of the present, than only the current context data of the application. The results on the prediction of contexts were relevant in the case of the existence of behavior patterns in the contexts of the analyzed entities. For the application related to the electric power transmission substation, the assertiveness was between 86\% and 92\% in a 12-hour interval. In the application of performance analysis of futsal athletes, we made predictions about the athletes’ movement, with results varying between 72\% and 92\% for the time of up to 20 seconds. The results were encouraging and show potential for implementing Delfos in real-life situations.

Downloads

Download data is not yet available.

Author Biographies

Márcio Gárcia Martins, University of Vale do Rio dos Sinos

Márcio Martins é graduado em Ciência da Computação pela UCPEL, mestre em Ciência da Computação pela PUC/RS e doutor em Computação Aplicada pela Universidade do Vale do Rio dos Sinos (UNISINOS). Atualmente é Professor Assistente I na UNISINOS em diversos cursos de graduação e especialização da Escola Politécnica. Possui experiência na área de projeto e desenvolvimento de software, com interesses de pesquisa nas áreas de computação ubíqua, Redes de Computadores e Processamento de Linguagem Natural.

Luan Nesi, University of Vale do Rio dos Sinos

Luan Nesi possui graduação em Jogos e Entretenimento Digital (2011), mestrado (2014) e doutorado (2020) em computação aplicada pela Universidade do Vale do Rio dos Sinos (Unisinos). Atualmente é Pesquisador Assistente II na mesma universidade, atuando junto ao Núcleo de Excelência em Inovação de Software (SoftwareLab). Possui experiência na área de projeto e desenvolvimento de software, com interesses de pesquisa nas áreas de computação ubíqua, meta-heurísticas, inteligência computacional e jogos digitais.

Paulo Ricardo da Silva Pereira, University of Vale do Rio dos Sinos

Paulo Pereira é Doutor em Engenharia Elétrica pela Universidade Federal de Santa Maria (2014), Mestre em engenharia Elétrica pela Universidade Federal de Santa Maria (2009), graduado em Engenharia Elétrica pela Universidade do Vale do Rio dos Sinos (2004). Tem mais de 15 anos de experiência na área de Engenharia Elétrica, com ênfase no Planejamento e Operação do Sistema de Distribuição. Professor e pesquisador na Escola Politécnica da Universidade do Vale do Rio dos Sinos – UNISINOS. Bolsista de Produtividade do CNPq em Desenvolvimento Tecnológico e Extensão Inovadora DT-2, IEEE-Member e Integrante da equipe da rede de pesquisas sobre geração distribuída, no projeto do Instituto Nacional de Ciência e Tecnologia em Geração Distribuída de Energia Elétrica (INCT-GD).

Jorge Luis Victoria Barbosa, University of Vale do Rio dos Sinos

Jorge Barbosa possui graduação em Informática e Engenharia Elétrica pela Universidade Católica de Pelotas (UCPel). Ele obteve especialização em Engenharia de Software (UCPel) e concluiu mestrado e doutorado em ciência da computação na Universidade Federal do Rio Grande do Sul (UFRGS). Em 2011 realizou pós-doutorado na Sungkyunkwan University (SKKU, Suwon, Coréia do Sul). Em 2020 realizou um segundo pós-doutorado na University of California – Irvine (UCI, Irvine, EUA). Atualmente é Professor Titular II na Universidade do Vale do Rio dos Sinos (Unisinos). Ele atua no Programa de Pós-graduação em Computação Aplicada (PPGCA) e no Programa de Pós-graduação em Engenharia Elétrica (PPGEE). Jorge coordena o Laboratório de Computação Móvel e Ubíqua (MobiLab) e atua como Bolsista de Produtividade em Desenvolvimento Tecnológico e Extensão Inovadora (bolsa DT - atualmente no Nível 1C) do CNPq. Recentemente, ele foi indicado pelo Conselho Deliberativo (CD) do CNPq para compor o Comitê de Assessoramento de Bolsas de Produtividade em Desenvolvimento Tecnológico e Extensão Inovadora (CA-DT).

References

J. H. Rosa, J. L. V. Barbosa, M. Kich, and L. Brito, “A multitemporal context-aware system for competences management,” International Journal of Artificial Intelligence in Education, vol. 25, no. 4, pp. 455–492, Dec 2015.

J. Barbosa, “Multi-temporal aspects on contextual variability modeling,” in Anais do XI Simposio Brasileiro de Computac´ ao Ub˜ ´ıqua e Pervasiva. Porto Alegre, RS, Brasil: SBC, 2019.

J. M. Silva, J. H. Rosa, J. L. V. Barbosa, D. N. F. Barbosa, and L. A. M. Palazzo, “Content distribution in trail-aware environments,” Journal of the Brazilian Computer Society, vol. 16, no. 3, pp. 163–176, Sep 2010.

A. Wagner, J. L. V. Barbosa, and D. N. F. Barbosa, “A model for profile management applied to ubiquitous learning environments,” Expert Systems with Applications, vol. 41, no. 4, pp. 2023 – 2034, 2014.

J. H. da Rosa, J. L. Barbosa, and G. D. Ribeiro, “Oracon: An adaptive model for context prediction,” Expert Systems with Applications, vol. 45, pp. 56 – 70, 2016.

C. Voigtmann, S. L. Lau, and K. David, “An approach to collaborative context prediction,” in 2011 IEEE International Conference on Pervasive Computing and Communications Workshops (PERCOM Workshops), March 2011, pp. 438–443.

V. Pejovic and M. Musolesi, “Anticipatory mobile computing: A survey of the state of the art and research challenges,” ACM Comput. Surv., vol. 47, no. 3, pp. 1–29, Apr. 2015.

M. Ballings, D. Van den Poel, N. Hespeels, and R. Gryp, “Evaluating multiple classifiers for stock price direction prediction,” Expert Syst. Appl., vol. 42, no. 20, pp. 7046–7056, Nov. 2015.

J. Xu, D. Deng, U. Demiryurek, C. Shahabi, and M. v. d. Schaar, “Context-aware online spatiotemporal traffic prediction,” in 2014 IEEE International Conference on Data Mining Workshop, Dec 2014, pp. 43– 46.

R. Shaptala and A. Kyselova, “Location prediction approach for contextaware energy management system,” in 2016 IEEE 36th International Conference on Electronics and Nanotechnology (ELNANO), April 2016, pp. 333–336.

W. Maalej, M. Ellmann, and R. Robbes, “Using contexts similarity to predict relationships between tasks,” Journal of Systems and Software, vol. 128, pp. 267 – 284, 2017.

T. K. L. Hui and R. S. Sherratt, “Towards disappearing user interfaces for ubiquitous computing: human enhancement from sixth sense to super senses,” Journal of Ambient Intelligence and Humanized Computing, vol. 8, no. 3, pp. 449–465, Jun 2017.

D. Dupont, J. L. V. Barbosa, and B. M. Alves, “Chspam: a multi-domain model for sequential pattern discovery and monitoring in contexts histories,” Pattern Analysis and Applications, pp. 1–10, Jun 2019.

A. K. Dey, G. D. Abowd, and D. Salber, “A conceptual framework and a toolkit for supporting the rapid prototyping of context-aware applications,” Hum.-Comput. Interact., vol. 16, no. 2, pp. 97–166, Dec. 2001.

H. Hemmati, A. Arcuri, and L. Briand, “Achieving scalable model-based testing through test case diversity,” ACM Trans. Softw. Eng. Methodol., vol. 22, no. 1, pp. 1–42, Mar. 2013.

S.-H. Cha, “Comprehensive survey on distance/similarity measures between probability density functions,” International Journal of Mathematical Models and Methods in Applied Sciences, vol. 1, no. 4, pp. 300–307, 2007.

E. Fredkin, “Trie memory,” Commun. ACM, vol. 3, no. 9, p. 490–499, Sep. 1960.

J. Grus, Data Science from Scratch: First Principles with Python. Beijing: O’Reilly, 2015.

Downloads

Published

2021-03-29

How to Cite

Gárcia Martins, M., Nesi, L., Silva Pereira, P. R. da, & Barbosa, J. L. V. (2021). DELFOS: A Model for Multitemporal Analysis based on Contexts History. IEEE Latin America Transactions, 19(9), 1478–1485. Retrieved from https://latamt.ieeer9.org/index.php/transactions/article/view/4793

Issue

Vol. 19 No. 9 (2021): Ordinary Issue

Section

Articles

Most read articles by the same author(s)