Federated Transportation Mode Detection: A Client Selection Proposal

Lima, Pedro Arthur Rangel Linhares

DSpace Home
→
Centro de Ciências Exatas e Tecnologia (CCET)
→
Informática Aplicada
→
INAP - Dissertações de Mestrado
→
View Item

dc.contributor.advisor	Campos, Carlos Alberto Vieira
dc.contributor.author	Lima, Pedro Arthur Rangel Linhares
dc.date.accessioned	2026-05-06T17:16:16Z
dc.date.available	2026-05-06T17:16:16Z
dc.date.issued	2023-08-31
dc.identifier.citation	LIMA, Pedro Arthur Rangel Linhares. Federated Transportation Mode Detection: A Client Selection Proposal. 44f. Dissertação (Mestrado em Informática) - Universidade Federal do Estado do Rio de Janeiro, Rio de Janeiro, 2023.	pt_BR
dc.identifier.uri	http://hdl.handle.net/unirio/15074
dc.description.sponsorship	CAPES	pt_BR
dc.language.iso	English	pt_BR
dc.rights	openAccess	pt_BR
dc.title	Federated Transportation Mode Detection: A Client Selection Proposal	pt_BR
dc.type	masterThesis	pt_BR
dc.contributor.referee	Campos, Carlos Alberto Vieira
dc.contributor.referee	Domingues, Guilherme de Melo Baptista
dc.degree.department	CCET	pt_BR
dc.degree.grantor	Universidade Federal do Estado do Rio de Janeiro - UNIRIO	pt_BR
dc.degree.level	Mestrado Acadêmico	pt_BR
dc.degree.local	Rio de Janeiro,RJ	pt_BR
dc.degree.program	Programa de Pós-Graduação em Informática	pt_BR
dc.subject.cnpq	CIÊNCIAS EXATAS E DA TERRA.CIÊNCIA DA COMPUTAÇÃO	pt_BR
dc.subject.en	Privacidade de Dados	pt_BR
dc.subject.en	Transportation Mode Detection	pt_BR
dc.subject.en	Client Selection	pt_BR
dc.subject.en	Data Privac	pt_BR
dc.description.abstracten	This dissertation proposes a client selection strategy to optimize the training of Federated Learning models for transportation mode detection (such as walking, driving, or using public transport). The primary focus is to address the challenge of data heterogeneity collected by mobile devices in Smart City environments while ensuring user privacy, as raw GPS and sensor data do not need to leave local devices. The proposal uses data quality and computational capacity criteria to select the most relevant participants in each training round. The experiments demonstrate that intelligent client selection not only maintains the accuracy of the global model but also reduces network resource consumption and accelerates algorithm convergence.	pt_BR
dc.degree.country	Brasil	pt_BR
dc.description.sponsordocumentnumber	n/a	pt_BR
dc.description.abstractpt	Esta dissertação propõe uma estratégia de seleção de clientes para otimizar o treinamento de modelos de Aprendizado Federado voltados à detecção de modos de transporte (como caminhar, dirigir ou usar transporte público). O foco principal é enfrentar o desafio da heterogeneidade dos dados coletados por dispositivos móveis em ambientes de Cidades Inteligentes, garantindo ao mesmo tempo a privacidade dos usuários, já que os dados brutos de GPS e sensores não precisam sair dos dispositivos locais. A proposta utiliza critérios de qualidade de dados e capacidade computacional para selecionar os participantes mais relevantes em cada rodada de treinamento. Os experimentos realizados demonstram que a seleção inteligente de clientes não apenas mantém a precisão do modelo global, mas também reduz o consumo de recursos de rede e acelera a convergência do algoritmo.	pt_BR
dc.subject.pt	Aprendizado Federado	pt_BR
dc.subject.pt	Detecção de Modo de Transporte	pt_BR
dc.subject.pt	Seleção de Clientes	pt_BR
dc.subject.pt	Cidades Inteligentes	pt_BR
dc.subject.pt	Privacidade de Dados	pt_BR