A análise de dados de mobilidade urbana (Mobility Analytics) é essencial para melhorar a infraestrutura das cidades, otimizar o transporte público e reduzir congestionamentos. No entanto, a coleta e análise desses dados podem comprometer a privacidade dos indivíduos. O aprendizado federado oferece uma solução ao permitir o treinamento de modelos sem a necessidade de centralizar os dados, preservando assim a privacidade dos usuários.

Com o aumento da urbanização, é crucial desenvolver métodos eficientes para analisar dados de mobilidade urbana enquanto se preserva a privacidade dos cidadãos. O aprendizado federado surge como uma abordagem promissora para alcançar esses objetivos, garantindo a segurança dos dados e a utilidade das análises.

Objetivo Geral: Desenvolver e implementar uma solução de mobility analytics que utilize aprendizado federado para analisar dados de mobilidade urbana, garantindo a preservação da privacidade dos usuários.

Objetivos Específicos:

• Estudar os conceitos de aprendizado federado e mobility analytics.
• Coletar e preparar dados de mobilidade urbana.
• Desenvolver modelos de aprendizado de máquina para análise de mobilidade.
• Implementar aprendizado federado para treinamento dos modelos.
• Avaliar a eficácia do aprendizado federado na preservação da privacidade e na qualidade dos modelos.
• Documentar todo o processo e os resultados obtidos.