Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Silva, Thiago Henrique | - |
Autor(es): dc.contributor | https://orcid.org/0000-0001-6994-8076 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/9568338246493587 | - |
Autor(es): dc.contributor | Lüders, Ricardo | - |
Autor(es): dc.contributor | https://orcid.org/0000-0001-6483-4694 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/5158617067991861 | - |
Autor(es): dc.contributor | Tacla, Cesar Augusto | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-8244-8970 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/2860342167270413 | - |
Autor(es): dc.contributor | Villas, Leandro Aparecido | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-1010-8245 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/9830590737740134 | - |
Autor(es): dc.contributor | Delgado, Myriam Regattieri de Biase da Silva | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-2791-174X | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/4166922845507601 | - |
Autor(es): dc.contributor | Silva, Thiago Henrique | - |
Autor(es): dc.contributor | https://orcid.org/0000-0001-6994-8076 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/9568338246493587 | - |
Autor(es): dc.contributor | Mota, Vinícius Fernandes Soares | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-8341-8183 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/9305955394665920 | - |
Autor(es): dc.creator | Senefonte, Helen Cristina de Mattos | - |
Data de aceite: dc.date.accessioned | 2025-08-29T12:16:30Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T12:16:30Z | - |
Data de envio: dc.date.issued | 2022-09-29 | - |
Data de envio: dc.date.issued | 2022-09-29 | - |
Data de envio: dc.date.issued | 2022-08-26 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/29793 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1092261 | - |
Descrição: dc.description | Studies based on traditional data sources like surveys, for instance, offer poor scalability. The experiments are limited, and the results are restricted to small regions (such as a city or a state). The use of location-based social network (LBSN) data can mitigate the scalability problem by enabling the study of social behavior in large populations. When explored with Data Mining and Machine Learning techniques, LBSN data can be used to provide predictions of relevant cultural and behavioral data from cities or countries around the world. The main goal of this work is to predict and explore user behavior from LBSNs in the context of tourists’ mobility patterns. To achieve this goal, we propose PredicTour, which is an approach used to process LBSN users’ check-ins and to predict mobility patterns of tourists with or without previous visiting records when visiting new countries. PredicTour is composed of three key blocks: mobility modeling, profile extraction, and tourist’ mobility prediction. In the first block, sequences of check-ins in a time interval are associated with other user information to produce a new structure called “mobility descriptor”. In the profile extraction, self-organizing maps and fuzzy C-means work together to group users according to their mobility descriptors. PredicTour then identifies tourist’ profiles and estimates their mobility patterns in new countries. When comparing the performance of PredicTour with three well-known machine learning-based models, the results indicate that PredicTour outperforms the baseline approaches. Therefore, it is a good alternative for predicting and understanding international tourists’ mobility, which has an economic impact on the tourism industry, particularly when services and logistics across international borders should be provided. The proposed approach can be used in different applications such as recommender systems for tourists, and decision-making support for urban planners interested in improving both the tourists’ experience and attractiveness of venues through personalized services. | - |
Descrição: dc.description | Estudos baseados em fontes de dados tradicionais, tais como pesquisas de campo, possuem baixa escalabilidade. Os experimentos são limitados e os resultados restritos a pequenas regiões (como uma cidade ou estado). O uso de dados de redes sociais baseadas em localização (LBSN) reduzem o problema de escalabilidade ao permitir o estudo do comportamento social em grandes populações. Quando explorados com técnicas de Mineração de Dados e Aprendizado de Máquina, os dados LBSN podem ser usados para fornecer predições sobre relevantes dados culturais e comportamentais de cidades ou países ao redor do mundo. O principal objetivo deste trabalho é predizer e explorar o comportamento do usuário de LBSNs no contexto de padrões de mobilidade de turistas. Para alcançar este objetivo propomos o PredicTour, uma abordagem usada para processar “check-ins” compartilhados por usuários de LBSNs e predizer padrões de mobilidade de turistas com ou sem registro de visitas prévias quando viajam para novos países. O PredicTour é composto por três blocos: modelagem da mobilidade, extração de perfil e predição da mobilidade de turistas. No primeiro bloco, sequências de “check-ins”, dentro de um intervalo de tempo, são associados com outras informações do usuário para produzir uma nova estrutura chamada “descritor de mobilidade”. Na extração de perfil, mapas auto-organizáveis (SOMs) e o método de agrupamento C-means trabalham juntos para agrupar usuários de acordo com seus descritores de mobilidade. O PredicTour identifica então os perfis dos turistas e estima seus padrões de mobilidade em novos países. Quando comparamos o desempenho do PredicTour com três modelos clássicos de aprendizagem de máquina, os resultados indicam que nossa metodologia supera as abordagens de referência. Portanto, o PredicTour é uma boa alternativa para predizer e entender a mobilidade internacional de turistas, que possui impacto econômico na indústria de turismo, particularmente quando serviços e logística além das fronteiras internacionais devem ser fornecidos. A abordagem proposta neste trabalho pode ser usada em diferentes aplicações, como em sistemas de recomendação para turistas e como suporte na tomada de decisão no planejamento urbano, melhorando a experiência dos turistas e a atratividade de locais através de serviços personalizados. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Curitiba | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
Palavras-chave: dc.subject | Redes sociais on-line - Localização | - |
Palavras-chave: dc.subject | Mineração de dados (Computação) | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Turistas - Estudo de casos | - |
Palavras-chave: dc.subject | Sistemas de reconhecimento de padrões | - |
Palavras-chave: dc.subject | Algorítmos computacionais | - |
Palavras-chave: dc.subject | Turismo | - |
Palavras-chave: dc.subject | Online social networks - Location | - |
Palavras-chave: dc.subject | Data mining | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Tourists - Case studies | - |
Palavras-chave: dc.subject | Pattern recognition systems | - |
Palavras-chave: dc.subject | Computer algorithms | - |
Palavras-chave: dc.subject | Tourism | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
Palavras-chave: dc.subject | Engenharia Elétrica | - |
Título: dc.title | Predicting mobility patterns based on profiles of social media users: tourists case study | - |
Título: dc.title | Predição de padrões de mobilidade baseada em perfis de usuários de mídia social: estudo de caso de turistas | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: