Utilize este identificador para referenciar este registo: https://hdl.handle.net/10316/92122
Título: Sistema inteligente de previsão de valor e fiabilidade de automóveis
Outros títulos: Intelligent System for Car Value and Reliability Forecasting
Autor: Cunha, José Miguel Mota e
Orientador: Correia, António Dourado Pereira
Palavras-chave: Automóvel; Preço; Serverless; Aprendizagem Computacional; Ledger Database; Car; Price; Serverless; Machine Learning; Ledger Database
Data: 11-Nov-2020
Título da revista, periódico, livro ou evento: Sistema inteligente de previsão de valor e fiabilidade de automóveis
Local de edição ou do evento: Grama, Lda
Resumo: With the expansion of the Internet and, consequently, the increase in the purchase andsale of cars online, the used car market has become more competitive, leading people tolook for ways to make the best possible evaluation of their car to speed up it’s sale. Inaddition, from the buyer’s point of view, it is important to be able to assess the price ofthe car you want to buy in order to understand whether you are paying a fair price for it.This document aims to describe the development of a web platform capable of predictingthe current value over time for a given car, and provide various statistical data about theautomotive world, such as the brands that depreciate the most over time, the averageannual devaluation by brand and model, and also the average mileage overage for each carmodel. It also initiated the development of a car history capable of keeping track of allmaintenance, breakdowns, accidents and changes in the ownership of a car.To this end, the Amazon Web Services (AWS) cloud provider was used to host the application together with some of its services, such as DynamoDB, S3 Bucket, CloudFront,Cognito, Elastic Container Service (ECS), Lambda Function and Fargate. To create theindividual history of a car, a Ledger Database also provided by AWS, called QLDB, wasused. Finally, for the development of the algorithms responsible for predicting the valueof a given car, machine learning techniques were used.After the development and testing of several machine learning models were completed, aGradient Boosting model was implemented on the web platform with an absolute averageerror of 8.6% in forecasting the current price of a car. For the long-term forecast, the sametrained model was used, however, in this regard, it obtained 16% of absolute mean errorin the tests performed.
Com o aumento da utilização da Internet e consequentemente o aumento da compra e venda de automóveis online, o mercado de automóveis usados ficou mais competitivo, levando as pessoas a procurarem formas de fazerem a melhor avaliação possível do seu automóvel de modo a agilizar a venda do mesmo. Além disso, do ponto de vista do comprador, é importante poder avaliar o preço do automóvel que deseja comprar de modo a perceber se está a pagar um preço justo pelo mesmo.Este documento tem como objectivo descrever o desenvolvimento de uma plataforma web capaz de prever o valor atual e ao longo do tempo de um determinado automóvel, e fornecer diversos dados estatísticos sobre o mundo automóvel, como as marcas que mais desvalorizam ao longo do tempo, a desvalorização média anual por marca e modelo, e também a quilometragem média ao longo da idade para cada modelo automóvel. Foi também dado início ao desenvolvimento de um histórico automóvel capaz de manter o registo de todas as manutenções, avarias, acidentes e trocas de proprietário de um automóvel. Para tal, foi utilizado o provedor Amazon Web Services (AWS) para a alocação da aplicação juntamente com alguns dos seus serviços como, por exemplo, DynamoDB, S3 Bucket, CloudFront, Cognito, Elastic Container Service (ECS), Lambda Function and Fargate.Para a criação do histórico individual de um automóvel foi utilizado uma Ledger Database providenciada também pela AWS, denominada de QLDB. Por fim, para o desenvolvimento dos algoritmos responsáveis pela previsão do valor de um dado automóvel, foram utilizadas técnicas de aprendizagem computacional.Finalizado o desenvolvimento e teste de diversos modelos de aprendizagem computacional, foi implementado um modelo Gradient Boosting na plataforma web com um erro absoluto médio de 8.6% na previsão do preço atual de um automóvel. Para a previsão a longo prazo, foi utilizado o mesmo modelo treinado, porém, neste quesito o mesmo obteve 16% de erro absoluto médio nos testes realizados.
Descrição: Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
URI: https://hdl.handle.net/10316/92122
Direitos: openAccess
Aparece nas coleções:UC - Dissertações de Mestrado

Ficheiros deste registo:
Ficheiro Descrição TamanhoFormato
relatorio_estagio_jose_cunha.pdf5.79 MBAdobe PDFVer/Abrir
Mostrar registo em formato completo

Visualizações de página

86
Visto em 23/abr/2024

Downloads

188
Visto em 23/abr/2024

Google ScholarTM

Verificar


Este registo está protegido por Licença Creative Commons Creative Commons