Publicação
Classificação de Perigos Rodoviários com Recurso a Dados de Acelerómetros:Um Estudo Comparativo entre Abordagens de Aprendizagem Automática Clássica e Aprendizagem Profunda
| datacite.subject.fos | Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática | |
| dc.contributor.advisor | Madeira, Filipe | |
| dc.contributor.advisor | Pires, Ivan Miguel Serrano | |
| dc.contributor.advisor | Velez, Fernando José da Silva | |
| dc.contributor.author | Moutinho, Joana Barreira Pardal | |
| dc.date.accessioned | 2026-08-11T08:55:21Z | |
| dc.date.available | 2026-08-11T08:55:21Z | |
| dc.date.issued | 2026-07-26 | |
| dc.description | Dissertação, Mestrado, Informática aplicada, Instituto Politécnico de Santarém, Escola Superior de Gestão e Tecnologia, 2026 | |
| dc.description.abstract | A classificação automática de perigos rodoviários, como buracos e lombas, com base em dados de acelerómetro constitui uma solução de baixo custo para a monitorização de infraestruturas viárias. Comparam-se abordagens de aprendizagem automática clássica e de aprendizagem profunda, recorrendo a três conjuntos de dados públicos integrados num fluxo unificado de pré-processamento e extração de características. Foram avaliados nove modelos clássicos e três arquiteturas profundas, com métricas sensíveis ao desequilíbrio entre classes. A 1D CNN alcançou o melhor desempenho global (F1 macro = 0.5108; exatidão balanceada = 0.6143), revelando maior capacidade na deteção de buracos, enquanto os modelos clássicos baseados em ensembles de árvores se mostraram competitivos na deteção de lombas, com custo computacional inferior. O desequilíbrio entre classes manteve-se um desafio significativo. A aprendizagem profunda demonstra vantagens na extração automática de padrões, mas os modelos clássicos continuam relevantes onde a interpretabilidade e a eficiência computacional são prioritárias. | por |
| dc.description.abstract | The automatic classification of road hazards, such as potholes and speed bumps, based on accelerometer data offers a low-cost solution for monitoring road infrastructure. Classical machine learning and deep learning approaches are compared, using three public datasets integrated through a unified pipeline of pre-processing, segmentation and feature extraction. Nine classical models and three deep learning architectures were evaluated, using metrics suited to class imbalance. The 1D CNN achieved the best overall performance (macro F1-score = 0.5108; balanced accuracy = 0.6143), showing greater ability to detect potholes, while classical tree-based ensemble models proved competitive in speed bump detection, with lower computational cost. Class imbalance remained a significant challenge throughout. Deep learning thus demonstrates advantages in automatically extracting patterns from raw data, while classical models remain relevant in scenarios where interpretability and computational efficiency are priorities. | eng |
| dc.identifier.citation | Moutinho, J. (2026). Classificação de perigos rodoviários com recurso a dados de acelerómetros : um estudo comparativo entre abordagens de aprendizagem automática clássica e aprendizagem profunda (Mestrado). Escola Superior de Gestão e Tecnologia, Santarém. Disponível na WWW em:<http://hdl.handle.net/10400.15/6156> | |
| dc.identifier.tid | 204342406 | |
| dc.identifier.uri | http://hdl.handle.net/10400.15/6156 | |
| dc.language.iso | por | |
| dc.rights.uri | N/A | |
| dc.subject | Perigos rodoviários | |
| dc.subject | Acelerómetro | |
| dc.subject | Aprendizagem automática | |
| dc.subject | Aprendizagem profunda | |
| dc.subject | Classificação multiclasse | |
| dc.subject | Buracos | |
| dc.subject | Lombas | |
| dc.subject | Road hazards | |
| dc.subject | Accelerometer | |
| dc.subject | Machine learning | |
| dc.subject | Deep learning | |
| dc.subject | Multiclass classification | |
| dc.subject | Potholes | |
| dc.subject | Speed bumps | |
| dc.title | Classificação de Perigos Rodoviários com Recurso a Dados de Acelerómetros:Um Estudo Comparativo entre Abordagens de Aprendizagem Automática Clássica e Aprendizagem Profunda | por |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| oaire.version | http://purl.org/coar/version/c_be7fb7dd8ff6fe43 |