MMCloud: um algoritmo de clustering não supervisionado online para análise do comportamento do motorista

Silva, Ivanovitch Medeiros Dantas da

Universidade Federal do Rio Grande do Norte

2025-07-10

Veículos inteligentes

Soft-sensors

Agrupamento online incremental

TinyML

Classificação do comportamento do motorista

Sistemas inteligentes evolutivos e adaptativos são fundamentais para lidar com fluxos dinâmicos de dados do mundo real, especialmente em ambientes com restrições de recursos, como veículos habilitados para Internet das Coisas (IoT, do inglês Internet of Things). Este estudo propõe uma abordagem de clustering evolutivo online para diagnóstico em tempo real do comportamento do motorista, aproveitando Tiny Machine Learning (TinyML) e soft sensors. Este estudo propõe o algoritmo MMCloud, um modelo de clustering incremental desenvolvido para lidar com fluxos contínuos de dados. Ele dispensa a necessidade de re-treinamento e é capaz de se adaptar à mudança de conceito (concept drift) e às condições variáveis de direção. A metodologia combina diagnóstico a bordo (OBD-II) com um framework de edge computing para classificar o comportamento de condução do motorista em três categorias: cautelosa, normal e agressiva. Para validar a abordagem, dois estudos de caso foram conduzidos em ambientes urbanos com diversas condições de tráfego. Um deles utilizou um dispositivo Freematics One+, enquanto o outro empregou o algoritmo embarcado em um aplicativo móvel. Os resultados demonstram a capacidade do sistema de identificar com precisão padrões de condução em evolução, contribuindo para práticas de direção mais seguras, otimização do consumo de combustível e sistemas inteligentes de transporte (ITS, do inglês Intelligent Transport Systems). Esta pesquisa avança o campo da AI evolutiva ao integrar modelos adaptativos de aprendizado de máquina com soluções embarcadas de IoT, permitindo o monitoramento autônomo e auto-organizável do comportamento do motorista.

Evolving and adaptive intelligent systems are essential for handling dynamic data streams from real-world environments, especially in resource-constrained settings such as vehicles enabled with the Internet of Things (IoT). This study proposes an online evolutionary clustering approach for real-time driver behavior diagnosis, leveraging Tiny Machine Learning (TinyML) and soft sensors. It introduces the MMCloud algorithm, an incremental clustering model designed to manage continuous data streams. The algorithm eliminates the need for retraining and is capable of adapting to concept drift and varying driving conditions. The methodology integrates onboard diagnostics (OBD-II) with an edge computing framework to classify driver behavior into three categories: cautious, normal, and aggressive. To validate the proposed approach, two case studies were conducted in urban environments under various traffic conditions. One used a Freematics One+ device, while the other deployed the embedded algorithm in a mobile application. The results demonstrate the system’s ability to accurately identify evolving driving patterns, contributing to safer driving practices, fuel consumption optimization, and intelligent transportation systems (ITS). This research advances the field of evolutionary AI by integrating adaptive machine learning models with embedded IoT solutions, enabling autonomous and self-organizing monitoring of driver behavior.