{"id":{"repo_id":"brazil-ufpe","oai_identifier":"oai:repositorio.ufpe.br:123456789/48348"},"canonical_url":"https://search.dev.ndltd.org/etd/brazil-ufpe/oai:repositorio.ufpe.br:123456789/48348","repository":{"repo_id":"brazil-ufpe","name":"Brazil UFPE","base_url":"https://repositorio.ufpe.br/oai/request"},"display":{"title":"Modelos de Machine Learning baseados no padrão de uso do usuário para estimar consumo energético e utilização de dispositivos do smartphone","abstract":"O crescente uso de smartphones nas tarefas cotidianas tem motivado muitos estudos sobre a caracterização do consumo de energia para melhorar a eficiência energética dos dispositivos componentes dos smartphones e aumentar o tempo de uso do usuário. Em 2013, o consórcio de empresas responsável pelo desenvolvimento do Android disponibilizou no Android 4.4, uma ferramenta responsável por calcular o consumo instantâneo do dispositivo e, a partir dessa informação, realizar predições de tempo remanescente de uso. No entanto, após uma análise mais profunda, é possível perceber que essas ferramentas desenvolvidas e já presentes nas versões mais recentes do Android são mais adequadas para realizar o estudo a respeito do consumo energético do smartphone no passado, sendo muito suscetíveis a alterações signifi- cativas, a depender do comportamento do usuário. Baseados nessas constatações, realizamos uma pesquisa que visa extrair, a partir do monitoramento do smartphone, informações que caracterizem o padrão de comportamento do usuário independente do modelo do smartphone e conceber modelos de aprendizagem de máquina que permitam relacionar o uso dos disposi- tivos que compõem o smartphone ao padrão de comportamento do usuário. Para atingir esse objetivo, durante a realização dessa pesquisa, propomos um workflow para extração do padrão de comportamento do usuário e construção de modelos de aprendizagem de máquina que re- lacionem esse padrão de comportamento ao uso dos dispositivos que compõem o smartphone utilizando modelos de aprendizagem de máquina rasos (shallow), em oposição às redes neu- rais profundas (deep), utilizando módulos de software construídos ao longo dessa pesquisa. Foi possível perceber, através da realização dos experimentos realizados com os módulos de software propostos, que utilizamos vários regressores e os resultados são relevantes e consis- tentes em termos do erro alcançado. Com algoritmos de aprendizagem de máquina simples e rápidos de serem ajustados, treinados e testados, conseguimos modelar uso dos dispositivos que compõem o smartphone baseados no padrão de comportamento do usuário.","abstract_html":"O crescente uso de smartphones nas tarefas cotidianas tem motivado muitos estudos sobre a caracterização do consumo de energia para melhorar a eficiência energética dos dispositivos componentes dos smartphones e aumentar o tempo de uso do usuário. Em 2013, o consórcio de empresas responsável pelo desenvolvimento do Android disponibilizou no Android 4.4, uma ferramenta responsável por calcular o consumo instantâneo do dispositivo e, a partir dessa informação, realizar predições de tempo remanescente de uso. No entanto, após uma análise mais profunda, é possível perceber que essas ferramentas desenvolvidas e já presentes nas versões mais recentes do Android são mais adequadas para realizar o estudo a respeito do consumo energético do smartphone no passado, sendo muito suscetíveis a alterações signifi- cativas, a depender do comportamento do usuário. Baseados nessas constatações, realizamos uma pesquisa que visa extrair, a partir do monitoramento do smartphone, informações que caracterizem o padrão de comportamento do usuário independente do modelo do smartphone e conceber modelos de aprendizagem de máquina que permitam relacionar o uso dos disposi- tivos que compõem o smartphone ao padrão de comportamento do usuário. Para atingir esse objetivo, durante a realização dessa pesquisa, propomos um workflow para extração do padrão de comportamento do usuário e construção de modelos de aprendizagem de máquina que re- lacionem esse padrão de comportamento ao uso dos dispositivos que compõem o smartphone utilizando modelos de aprendizagem de máquina rasos (shallow), em oposição às redes neu- rais profundas (deep), utilizando módulos de software construídos ao longo dessa pesquisa. Foi possível perceber, através da realização dos experimentos realizados com os módulos de software propostos, que utilizamos vários regressores e os resultados são relevantes e consis- tentes em termos do erro alcançado. Com algoritmos de aprendizagem de máquina simples e rápidos de serem ajustados, treinados e testados, conseguimos modelar uso dos dispositivos que compõem o smartphone baseados no padrão de comportamento do usuário.","abstract_has_math":false,"creators":["BARRETO NETO, Antônio Correia de Sá"],"institution":"Universidade Federal de Pernambuco","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["MACIEL, Paulo Romero Martins"],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022-09-16","date_published":"2022-09-16","updated_at":"2026-07-24T01:18:52Z","subjects":["Redes de computadores","Aprendizagem de máquina"],"languages":["por"],"rights":["embargoedAccess","Attribution-NonCommercial-NoDerivs 3.0 Brazil"],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/3.0/br/"],"identifier_entries":[]},"links":{"outbound_url":"https://repositorio.ufpe.br/handle/123456789/48348","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["MACIEL, Paulo Romero Martins"]},{"key":"dc:creator","label":"Author","values":["BARRETO NETO, Antônio Correia de Sá"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2022-12-21T16:56:03Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2022-12-21T16:56:03Z"]},{"key":"dc:date.issued","label":"Date","values":["2022-09-16"]},{"key":"dc:publisher","label":"Institution","values":["Universidade Federal de Pernambuco"]},{"key":"dc:type","label":"Dc Type","values":["doctoralThesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Redes de computadores","Aprendizagem de máquina"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["por"]},{"key":"dc:rights","label":"Dc Rights","values":["embargoedAccess","Attribution-NonCommercial-NoDerivs 3.0 Brazil"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/3.0/br/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://repositorio.ufpe.br/handle/123456789/48348"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["O crescente uso de smartphones nas tarefas cotidianas tem motivado muitos estudos sobre a caracterização do consumo de energia para melhorar a eficiência energética dos dispositivos componentes dos smartphones e aumentar o tempo de uso do usuário. Em 2013, o consórcio de empresas responsável pelo desenvolvimento do Android disponibilizou no Android 4.4, uma ferramenta responsável por calcular o consumo instantâneo do dispositivo e, a partir dessa informação, realizar predições de tempo remanescente de uso. No entanto, após uma análise mais profunda, é possível perceber que essas ferramentas desenvolvidas e já presentes nas versões mais recentes do Android são mais adequadas para realizar o estudo a respeito do consumo energético do smartphone no passado, sendo muito suscetíveis a alterações signifi- cativas, a depender do comportamento do usuário. Baseados nessas constatações, realizamos uma pesquisa que visa extrair, a partir do monitoramento do smartphone, informações que caracterizem o padrão de comportamento do usuário independente do modelo do smartphone e conceber modelos de aprendizagem de máquina que permitam relacionar o uso dos disposi- tivos que compõem o smartphone ao padrão de comportamento do usuário. Para atingir esse objetivo, durante a realização dessa pesquisa, propomos um workflow para extração do padrão de comportamento do usuário e construção de modelos de aprendizagem de máquina que re- lacionem esse padrão de comportamento ao uso dos dispositivos que compõem o smartphone utilizando modelos de aprendizagem de máquina rasos (shallow), em oposição às redes neu- rais profundas (deep), utilizando módulos de software construídos ao longo dessa pesquisa. Foi possível perceber, através da realização dos experimentos realizados com os módulos de software propostos, que utilizamos vários regressores e os resultados são relevantes e consis- tentes em termos do erro alcançado. Com algoritmos de aprendizagem de máquina simples e rápidos de serem ajustados, treinados e testados, conseguimos modelar uso dos dispositivos que compõem o smartphone baseados no padrão de comportamento do usuário."]},{"key":"dc:title","label":"Title","values":["Modelos de Machine Learning baseados no padrão de uso do usuário para estimar consumo energético e utilização de dispositivos do smartphone"]}]}],"canonical_facts":{"dc:contributor.advisor":["MACIEL, Paulo Romero Martins"],"dc:creator":["BARRETO NETO, Antônio Correia de Sá"],"dc:date.accessioned":["2022-12-21T16:56:03Z"],"dc:date.available":["2022-12-21T16:56:03Z"],"dc:date.issued":["2022-09-16"],"dc:description.abstract":["O crescente uso de smartphones nas tarefas cotidianas tem motivado muitos estudos sobre a caracterização do consumo de energia para melhorar a eficiência energética dos dispositivos componentes dos smartphones e aumentar o tempo de uso do usuário. Em 2013, o consórcio de empresas responsável pelo desenvolvimento do Android disponibilizou no Android 4.4, uma ferramenta responsável por calcular o consumo instantâneo do dispositivo e, a partir dessa informação, realizar predições de tempo remanescente de uso. No entanto, após uma análise mais profunda, é possível perceber que essas ferramentas desenvolvidas e já presentes nas versões mais recentes do Android são mais adequadas para realizar o estudo a respeito do consumo energético do smartphone no passado, sendo muito suscetíveis a alterações signifi- cativas, a depender do comportamento do usuário. Baseados nessas constatações, realizamos uma pesquisa que visa extrair, a partir do monitoramento do smartphone, informações que caracterizem o padrão de comportamento do usuário independente do modelo do smartphone e conceber modelos de aprendizagem de máquina que permitam relacionar o uso dos disposi- tivos que compõem o smartphone ao padrão de comportamento do usuário. Para atingir esse objetivo, durante a realização dessa pesquisa, propomos um workflow para extração do padrão de comportamento do usuário e construção de modelos de aprendizagem de máquina que re- lacionem esse padrão de comportamento ao uso dos dispositivos que compõem o smartphone utilizando modelos de aprendizagem de máquina rasos (shallow), em oposição às redes neu- rais profundas (deep), utilizando módulos de software construídos ao longo dessa pesquisa. Foi possível perceber, através da realização dos experimentos realizados com os módulos de software propostos, que utilizamos vários regressores e os resultados são relevantes e consis- tentes em termos do erro alcançado. Com algoritmos de aprendizagem de máquina simples e rápidos de serem ajustados, treinados e testados, conseguimos modelar uso dos dispositivos que compõem o smartphone baseados no padrão de comportamento do usuário."],"dc:identifier.uri":["https://repositorio.ufpe.br/handle/123456789/48348"],"dc:language.iso":["por"],"dc:publisher":["Universidade Federal de Pernambuco"],"dc:rights":["embargoedAccess","Attribution-NonCommercial-NoDerivs 3.0 Brazil"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/3.0/br/"],"dc:subject":["Redes de computadores","Aprendizagem de máquina"],"dc:title":["Modelos de Machine Learning baseados no padrão de uso do usuário para estimar consumo energético e utilização de dispositivos do smartphone"],"dc:type":["doctoralThesis"]},"updated_at":"2026-07-24T01:18:52Z"}