Análisis de ténicas para predecir patrones de uso de los dispositivos móviles

• Autores: Leguizamón, Francisco Nicolás; Lopez, José Martín
• Año de publicación: 2018
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Rodriguez, Juan Manuel; Zunino, Alejandro
• Materia: Dispositivos móviles; Ingeniería de sistemas; Aprendizaje de máquina; Hardware; Sensores del móvil; Android; Ténicas de Machine Learning; Batería
• Institución: Universidad Nacional del Centro de la Provincia de Buenos Aires

La utilización de dispositivos móviles a lo largo de los años está creciendo cada vez de forma más sostenida por la constante demanda de sus usuarios de realizar a través de una pantalla cualquier actividad en cualquier momento. el uso y las necesidades que se presentan hace que los fabricantes de estos generen hardware cada vez más potente para satisfacerlas. Es decir, cámaras con más definición, pantallas más grandes, incremento de la velocidad táctil, entre otras, asimilando cada vez más a pequeñas y potentes computadoras de bolsillo. Todo esto hace que características de los dispositivos móviles. como la batería, no avancen de la forma que lo hacen otros aspectos. En muchos casos, las baterías pasaron de durar semanas a sólo un día. Se han planteado gran cantidad de soluciones con respecto a los consumos excesivos a nivel hardware, por ejemplo, apagando y prendiendo ciertos sensores de acuerdo a su uso cotidiano. A raíz de esto, nace la principal motivación de este trabajo que es lograr en base a sus estados pasados de datos proporcionados por usuarios sobre el uso habitual del Móvil, lograr predecir estados futuros y brindar algún tipo de ayuda sobre cómo en el uso diario ciertos patrones de comportamiento pueden reducir los consumos de batería. Particularmente, el foco del trabajo es, a partir de la aplicación de técnicas de aprendizaje de máquina construir modelos predictivos para estimar el desempeño futuro de un servicio en base a mediciones previas de las propiedades del mismo. Se proponen dos herramientas para asistir la aplicación del enfoque. Una de ellas facilita el modelado de datos proporcionados por sensores propios del Móvil, como características de, porcentaje de brillo de pantalla, uso de memoria, batería, entre otros. La segunda herramienta permite utilizar diferentes Modelos de aprendizaje de Maquina sobre los conjuntos de datos generados se logra construir modelos predictivos y obtener métricas sobre alguna propiedad de interés de alguna característica especifica. Posterior al desarrollo de la misma se realizaron diversas pruebas bajo diferentes conjuntos de datos como de diferentes conjuraciones de los modelos de aprendizaje propuestos para el análisis de la mejor opción para los datos. El objetivo de esto fue analizar los resultados obtenidos luego del entrenamiento de cada uno de los Modelos en cuestión, para luego tomar las métricas generadas y exponer las comparaciones sobre otras conjuraciones, otro conjunto de datos, entre otros aspectos, para ayudar al usuario a tomar decisiones en la elección. También se mencionan las posibles futuras aplicaciones y/o extensiones de este proyecto que generan un importante aporte a la recomendación de futuros posibles usos aprendidos de la técnica presentada.
Fil: Leguizamón, Francisco Nicolás. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Lopez, José Martín. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Rodriguez, Juan Manuel . Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Zunino, Alejandro. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.