Browsing by Author "Mendes, Lucas Ribeiro"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- Pathogens-in-Foods (PIF): An open-access European database of occurrence data of biological hazards in foodsPublication . Gonzales-Barron, Ursula; Faria, Ana Sofia; Thebault, Anne; Guillier, Laurent; Mendes, Lucas Ribeiro; Silva, Lucas Ribeiro; Messens, Winy; Kooh, Pauline; Cadavez, VascoThe collection of occurrence data of foodborne pathogens in foods faces the hindrances of dispersion of information, lack of standardisation and harmonisation, and ultimately, high expenditure in time and resources. The Pathogens-in-Foods (PIF) database was conceived as a solution to centralise published data on prevalence and concentration of pathogenic bacteria, viruses and parasites occurring in foods, obtained through systematic review (SR), and categorised in harmonised data structures under controlled terminologies. The present article outlines how PIF was constructed to adhere to the FAIR (findability, accessibility, interoperability and reusability) principles for scientific data management; and proceeds with a description of the PIF concept, which entails two phases: the SR process and the population of PIF. The protocolled SR process is supported by a welldefined search strategy, inclusion criteria, and rules for internal validation assessment; whereas the population of PIF with new data relies in data extraction, validation and release. The article then introduces a novel data quality approach, named as the CCC approach (data consistency, conformity and completeness), which ensures proper interpretation of data, richness of data, and flawless transcription of data. After a brief explanation of the three PIF components – database, back-end and front-end – the article proceeds with the exposition of the data model, as well as the capabilities of the front-end, including data search, insertion and curation. The future of PIF lies in expanding its capabilities, addressing emerging challenges, and leveraging technological advancements to maintain its relevance and utility in the evolving landscape of food safety.
- Utilização de data mining e deep learning para business intelligence em estrutura integrada de sistema smart parkingPublication . Mendes, Lucas Ribeiro; Alves, Paulo; Borges, André Pinz; Leitão, Paulo; Alves, Gleifer VazO avanço tecnológico e o crescimento populacional dos últimos anos trouxe uma alta demanda por soluções inteligentes que pudessem melhorar a qualidade de vida da população. Uma dessas soluções é o Smart Parking (estacionamentos inteligentes). Esse conceito integra diferentes áreas e tem por objetivo reduzir o fluxo de trânsito de cidades por meio da implementação de sistemas inteligentes, focados no controle e gestão de estacionamentos. O presente trabalho integrou o desenvolvimento de um modelo de Smart Parking já estruturado, o qual foi concebido de forma gradual por alunos e professores da UTFPR e IPB. Propôs-se a criação de uma estrutura de dados que integrasse todos os módulos do sistema. Além disso, foi proposto um sistema que pudesse auxiliar na tomada de decisões do produto, utilizando como base o grande volume de dados gerados por esse tipo de aplicação. Com isso, no decorrer do trabalho é apresentado o modelo conceitual utilizado na integração dos módulos, seguido de etapas de mineração e análise de dados. Também é abordada a criação de um modelo para simulação de dados e a implementação de algoritmos de machine learning (K-Means e Random Forest) e deep learning (LSTM) focados na previsão de demanda de estacionamentos. A aplicação dos algoritmos mostrou bons resultados na previsão de demanda, sendo os melhores obtidos pelo Random Forest. Por fim, é apresentada uma ferramenta modular, que integrou processos de mineração e análise de dados, fornecendo aos gestores um sistema para auxiliar na tomada de decisões do produto.