Análisis de ténicas para predecir patrones de uso de los dispositivos móviles
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 d...
Guardado en:
| Autores principales: | , |
|---|---|
| Formato: | Artículo revista |
| Lenguaje: | Español |
| Publicado: |
Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas
2018
|
| Materias: | |
| Acceso en línea: | http://ridaa.unicen.edu.ar/xmlui/handle/123456789/1935 |
| Aporte de: |
| id |
I21-R190-123456789-1935 |
|---|---|
| record_format |
ojs |
| institution |
Universidad Nacional del Centro |
| institution_str |
I-21 |
| repository_str |
R-190 |
| container_title_str |
Repositorio Institucional de Acceso Abierto (RIDAA) |
| language |
Español |
| format |
Artículo revista |
| topic |
Dispositivos móviles Ingeniería de sistemas Aprendizaje de máquina Hardware Sensores del móvil Android Ténicas de Machine Learning Batería |
| spellingShingle |
Dispositivos móviles Ingeniería de sistemas Aprendizaje de máquina Hardware Sensores del móvil Android Ténicas de Machine Learning Batería Leguizamón, Francisco Nicolás Lopez, José Martín Análisis de ténicas para predecir patrones de uso de los dispositivos móviles |
| topic_facet |
Dispositivos móviles Ingeniería de sistemas Aprendizaje de máquina Hardware Sensores del móvil Android Ténicas de Machine Learning Batería |
| author |
Leguizamón, Francisco Nicolás Lopez, José Martín |
| author_facet |
Leguizamón, Francisco Nicolás Lopez, José Martín |
| author_sort |
Leguizamón, Francisco Nicolás |
| title |
Análisis de ténicas para predecir patrones de uso de los dispositivos móviles |
| title_short |
Análisis de ténicas para predecir patrones de uso de los dispositivos móviles |
| title_full |
Análisis de ténicas para predecir patrones de uso de los dispositivos móviles |
| title_fullStr |
Análisis de ténicas para predecir patrones de uso de los dispositivos móviles |
| title_full_unstemmed |
Análisis de ténicas para predecir patrones de uso de los dispositivos móviles |
| title_sort |
análisis de ténicas para predecir patrones de uso de los dispositivos móviles |
| description |
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. |
| publisher |
Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas |
| publishDate |
2018 |
| url |
http://ridaa.unicen.edu.ar/xmlui/handle/123456789/1935 |
| work_keys_str_mv |
AT leguizamonfrancisconicolas analisisdetenicasparapredecirpatronesdeusodelosdispositivosmoviles AT lopezjosemartin analisisdetenicasparapredecirpatronesdeusodelosdispositivosmoviles |
| first_indexed |
2022-07-04T14:21:28Z |
| last_indexed |
2022-07-04T14:21:28Z |
| bdutipo_str |
Revistas |
| _version_ |
1764819786510893056 |