00 CAMPUS ARISTÓTELES CALAZANS SIMÕES (CAMPUS A. C. SIMÕES) IC - INSTITUTO DE COMPUTAÇÃO Dissertações e Teses defendidas na UFAL - IC
Use este identificador para citar ou linkar para este item: http://www.repositorio.ufal.br/jspui/handle/riufal/5889
Tipo: Dissertação
Título: Predição do absenteísmo em agentes de segurança pública usando aprendizagem profunda
Título(s) alternativo(s): Predicting Absenteeism in Public Security Officers Using Deep Learning
Autor(es): Silva Júnior, Edival Lima da
Primeiro Orientador: Vieira, Thales Miranda de Almeida
metadata.dc.contributor.advisor-co1: Costa, Evandro de Barros
metadata.dc.contributor.referee1: Figueiredo Vieira, Tiago
metadata.dc.contributor.referee2: Ferreira Júnior , Nivan Roberto
Resumo: O absenteísmo é um fenômeno complexo que se expressa pela ausência física do indivíduo, geralmente ao seu posto de trabalho. Nas instituições de segurança pública, essas ausências trazem inúmeros prejuízos de ordem pessoal, social e econômica, além de acontecerem em percentuais superiores aos das demais categorias profissionais. Assim, determinar seus fatores preponderantes e permitir que ações preventivas sejam realizadas de forma efetiva traria inúmeros benefícios a essas instituições e aos seus agentes. Neste trabalho, propomos e avaliamos preditores capazes de identificar os agentes mais propensos ao absenteísmo de longa duração. Esses preditores devem tomar decisões baseando-se no histórico profissional de cada agente extraído de bases de dados das instituições de segurança pública. Realizamos experimentos usando uma base de dados referente a 6 anos de afastamentos de agentes da Polícia Militar de Alagoas do Brasil, dos quais foram selecionados atributos que estariam correlacionados ao fenômeno do absenteísmo. Avaliamos arquiteturas de aprendizagem profunda do tipo Multilayer Perceptron, Long Short-term Memory e Recurrent Neural Network. Aplicamos técnicas de seleção de atributos e fizemos a comparação dos resultados obtidos com a técnica de Máquina de Vetores de Suporte. Apresentamos as melhores arquiteturas para predição do absenteísmo prolongado de agentes, o que comprova que é possível realizar a predição desse tipo de afastamento, atingindo 78% de acurácia, o que subsidiaria a implantação de medidas efetivas de prevenção nessas instituições. Finalmente, concluímos que o uso de dados referentes a uma quantidade maior de anos resulta em melhores resultados na predição do absenteísmo.
Abstract: Absenteeism is a complex phenomenon that is expressed by the physical absence of the individual, usually at his job. In public security institutions, these absences bring many personal, social and economic losses, in addition to occurring in percentages superior to those of the other professional categories. Thus, determining its preponderant factors and allowing preventive actions to be carried out effectively would bring numerous benefits to these institutions and their agents. In this work, we propose and evaluate predictors capable of identifying the most prone agents to long-term absenteeism. These predictors should make decisions based on the professional history of each agent extracted from databases of public security institutions. We carried out experiments using a database comprised of 6 years of absences from agents of the Military Police of Alagoas in Brasil, from which we selected attributes that would be correlated to the phenomenon of absenteeism.We evaluated Deep Learning architectures such as Multilayer Perceptron, Long Short-term Memory and Recurrent Neural Network. We applied attributes selection techniques and compared the results obtained by the Machine Learning Support-Vector Machine technique.We present the best architectures for predicting the prolonged absenteeism of agents, which proves that it is possible to predict this type of absence, reaching 78% of accuracy, which would support the implementation of effective prevention measures in these institutions. Finally, we conclude that the use of data referring to a more significant number of years results in better results in the prediction of absenteeism.
Palavras-chave: Absenteísmo (Trabalho)
Aprendizagem profunda
Aprendizado do computador
Teoria da predição
Redes neurais (Computação)
Absenteism (Work)
Deep learning
Computer learning
Prediction theory
Neural Networks (Computation)
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Idioma: por
País: Brasil
Editor: Universidade Federal de Alagoas
Sigla da Instituição: UFAL
metadata.dc.publisher.program: Programa de Pós-Graduação em Informática
Citação: SILVA JÚNIOR, Edival Lima da. Predição do absenteísmo em agentes de segurança pública usando aprendizagem profunda. 2019. 62 f. Dissertação (Mestrado em Informática) – Instituto de Computação, Programa de Pós Graduação em Informática, Universidade Federal de Alagoas, Maceió, 2019.
Tipo de Acesso: Acesso Aberto
URI: http://www.repositorio.ufal.br/handle/riufal/5889
Data do documento: 19-jun-2019
Aparece nas coleções:Dissertações e Teses defendidas na UFAL - IC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Predição do absenteísmo em agentes de segurança pública usando aprendizagem profunda.pdf2.76 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.