Banca de DEFESA: ANDREIA ALEXANDRE FELIX

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
STUDENT : ANDREIA ALEXANDRE FELIX
Date: 22/05/2026
TIME: 09:00
LOCAL: Remota: meet.google.com/oka-dxzu-ops
TITLE:

Detecção Proativa de Riscos em Redes Veiculares Utilizando Comunicação V2X, Aprendizado de Máquina e Aprendizado Federado

PAGES: 90
BIG AREA: Ciências Exatas e da Terra
AREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
SPECIALTY: Teleinformática
SUMMARY:

A segurança veicular representa um dos principais desafios da mobilidade urbana inteligente, especialmente diante do crescimento contínuo da frota e do aumento da complexidade dos fluxos de tráfego. Nesse contexto, tecnologias emergentes, em particular a comunicação veicular do tipo Veículo para tudo (V2X), assumem papel estratégico na mitigação de riscos operacionais e na redução de acidentes. Esta dissertação propõe uma abordagem baseada em modelos avançados de aprendizado de máquina para a previsão de colisões em redes veiculares, analisando de que forma diferentes configurações de comunicação V2X influenciam os processos de tomada de decisão em múltiplos horizontes temporais.

O estudo emprega técnicas supervisionadas de aprendizado de máquina, incluindo K- Nearest Neighbors (KNN), Árvores de Decisão, Random Forest, arquiteturas de Redes Neurais Artificiais Multilayer Perceptron (MLP) e Long Short-Term Memory (LSTM). Tais modelos possibilitam a modelagem de dinâmicas temporais não lineares e a captura de dependências sequenciais complexas inerentes ao tráfego veicular. O objetivo central consiste em avaliar o desempenho dessas abordagens na detecção antecipada de situações de risco, bem como investigar o impacto da comunicação V2X na ampliação da capacidade preditiva e da resposta dos sistemas embarcados.

Os experimentos são realizados no simulador Veins (Vehicles in Network Simulation), utilizando dados de mobilidade provenientes do trace TAPASCologne, reconhecido por sua representação realista do tráfego urbano. Adicionalmente, a pesquisa analisa os efeitos de fatores inerentes à comunicação V2X, como latência e taxa de perda de pacotes, sobre a acurácia e a confiabilidade das previsões geradas pelos modelos.

Os resultados obtidos indicam que a integração de técnicas de aprendizado de máquina com mecanismos de comunicação V2X potencializa significativamente a segurança veicular, ao possibilitar a identificação antecipada de cenários críticos e favorecer respostas mais rápidas, precisas e contextualizadas por parte dos sistemas embarcados. Dessa forma, esta qualificação busca contribuir para o avanço do estado da arte em segurança viária, articulando, sob uma perspectiva multidisciplinar, conceitos de aprendizado de máquina, comunicação distribuída e simulação orientada a modelos

COMMITTEE MEMBERS:
Presidente - Interno ao Programa - 1138738 - HELDER MAY NUNES DA SILVA OLIVEIRA
Membro Titular - Examinador(a) Interno ao Programa - 1603840 - JOAO HENRIQUE KLEINSCHMIDT
Membro Titular - Examinador(a) Externo ao Programa - ***.921.342-** - JOAHANNES BRUNO DIAS DA COSTA - UNIFESP
Membro Titular - Examinador(a) Externo à Instituição - TIAGO PEDROSO DA CRUZ DE ANDRADE - UNICAMP
Membro Suplente - Examinador(a) Interno ao Programa - 1669196 - LUIZ HENRIQUE BONANI DO NASCIMENTO
Membro Suplente - Examinador(a) Externo à Instituição - LUCAS DE LIMA BASTOS - UNIFESSPA