Dissertação

{en_GB=Adaptive Prediction for Target Tracking Using Switching ARMA Models} {} EVALUATED

{pt=Neste trabalho são propostos métodos que visam descrever as dinâmicas do movimento de um alvo numa sequência de imagens e prever a sua trajetória futura. A ideia principal é tratar cada coordenada de uma trajetória como uma série temporal, que pode ser aproximada por um modelo ARIMA ou SARIMA. Esta dissertação usa técnicas de múltiplos modelos supervisionados, tendo em conta uma predição adaptativa. Nesta conjuntura, é necessário a criação de bancos de modelos para cada conjunto de dados de trajetórias diferente. Quando é analisado um novo alvo, é utilizado uma arquitetura de modelos múltiplos que recursivamente escolhe os melhores modelos para prever futuras posições do alvo. Deste modo, a predição é adaptada ao movimento até então descrito. Foram realizadas várias experiências com dados sintéticos e reais. Um conjunto de dados reais obtido pelo projeto SPARSIS é cuidadosamente analisado e é definido um patamar base para a predição de trajetórias nesse conjunto de dados. Um outro conjunto de dados, Stanford Drone Dataset, é testado parcialmente, e os resultados mostram que as técnicas propostas neste trabalho são comparáveis a outras técnicas do estado da arte., en=This dissertation proposes methods that aim to describe the movement dynamics of a target in an image sequence and predict its future positions. The main idea is to treat each coordinate of a trajectory as an univariate time series, that can be approximated by an ARIMA or SARIMA model. In an adaptive prediction framework, this dissertation uses techniques from supervised multiple models. In this realm, for a dataset of trajectories, different banks of models are created. When analyzing a new target, a multiple models architecture recursively chooses the best models to predict the target trajectory, thus allowing to adapt to the preceding movement. Multiple experiments were performed with synthetic and real world data. A dataset from the SPARSIS project is thoroughly analyzed and baseline for trajectory prediction in that set is establish. The Stanford Drone Dataset is partly tested and the results prove to be comparable to other state of the art techniques.}
{pt=Séries Temporais; Predição; ARMA, Múltiplos Modelos, en=Time Series, Prediction, ARMA, Multiple Models}

Novembro 23, 2018, 10:0

Orientação

ORIENTADOR

João Manuel Lage de Miranda Lemos

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Catedrático

ORIENTADOR

Jorge Dos Santos Salvador Marques

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado