G OALS AND SCOPE OF THE DISSERTATION - P OSTURE VERBS AND INTERNALLY

Esta se¸cão tem como objetivo avaliar a precisão e a cobertura do método proposto. Para isso compara os resultados obtidos pelo método proposto utilizando um conjunto de dados de uma equipe de manuten¸cão com um diário de viagem anotado pelo próprio autor desta disserta¸cão. O diário de viagem foi obtido através do acompanhamento e observa¸cão de uma equipe de manuten¸cão durante a execu¸cão das tarefas.

5.3.1 Conjunto de dados

O conjunto de dados utilizado na valida¸cão é da mesma natureza do experimento anterior, relatado na Se¸cão 5.2.1, porém foi colhido em outro per´ıodo de tempo. O conjunto de dados aqui usado foi colhido nos dias 02 e 03 de Julho de 2015 de uma equipe de manuten¸cão. O número de pontos espa¸cotemporais coletados é 2.575, com acurácia média de 8,46 metros, variando entre 4 e 16 metros.

Durante este per´ıodo cinco tarefas foram planejadas (395043, 395013, 395031, 395185, 395088), com dura¸cões esperadas entre 20 e 240 minutos. Os locais de execu¸cão das tarefas planejadas já estavam georeferenciados no sistema da empresa e as dura¸cões previstas para as tarefas planejadas foram obtidas por especialistas de dom´ınio. Apenas três tarefas foram relatadas pela equipe: 395043, 395013, 395031. A Ta- bela 17 elenca as inconsistências anotadas durante o acompanhamento da equipe.

Tabela 17 – Inconsistˆencias observadas no di´ario de viagem

Tipo Inconsistência Espacial Inconsistência Temporal Dura¸cão (HH:MM) Tarefa - (E01) Sem Inconsistência (T01) Sem Inconsistência 02:46 395043 - (E01) Sem_Inconsistˆ_encia (T01) Sem_Inconsistˆ_encia 01:36 395013

Simples (E06) Esquecimento de relato, relato posterior (T01) Sem Inconsistˆencia 00:40 395031

Composta (E11) Tarefa sem relato (T21) Dura¸c˜ao de stop conforme planejado, por´em sem relato 01:10 395185

Composta (E11) Tarefa sem relato (T21) Dura¸c˜ao de stop conforme planejado, por´em sem relato 01:38 395088

Simples (E17) Stop ocioso - 00:02 -

Simples (E17) Stop ocioso - 00:06 -

Simples (E17) Stop ocioso - 00:14 -

Simples (E17) Stop ocioso - 00:03 -

Simples (E18) Retrabalho - 02:47 395043

Simples (E18) Retrabalho - 00:39 395043

Simples (E18) Retrabalho - 00:23 395043

O di´ario de viagem colhido em campo, na ´ıntegra, se encontra no Apˆendice D.

5.3.2 Configura¸c˜ao do m´etodo

Para a valida¸cão do método foram utilizados quatro grupos de parâmetros, mostrados na Tabela 18. A varia¸cão destes parâmetros foi realizada para verificar a precisão e cobertura do método com parâmetros r´ıgidos e maleáveis. O método proposto foi executado para cada grupo de parâmetros utilizando o mesmo conjunto de dados.

Tabela 18 – Parˆametros do m´etodo

Grupo IB-SMoT Adaptado CB-SMoT

Threshold Espacial (metros) Threshold Temporal (segundos) Velocidade Média Máxima (m/s) Tempo M´ınimo (segundos) Velocidade Máxima (m/s) A 80 600 0,6 600 1,8 B 40 300 0,3 300 0,9 C 20 150 0,15 120 0,45 D 30 200 0,3 150 0,9

Os stops gerados pelo nosso método com cada grupo de parâmetros estão quantificados na Tabela 19. stops ociosos próximos da empresa (em um raio de até 50 metros) foram descartados. Nenhum PoI foi encontrado próximo a um stop ocioso (em até 20 metros)

Tabela 19 – Stops gerados pelos grupos de parâmetros Grupo de Parâmetros Stops do IB-SMoT Adaptado Stops do CB-SMoT A 8 2 B 8 3 C 17 9 D 8 6 5.3.3 Resultados da Avalia¸cão

A Tabela 20 sintetiza a compara¸cão dos resultados do método, separados de acordo com os grupos de parâmetros apresentados na Ta- bela 18. Note que o grupo de parâmetros “D” se mostra mais adequado para o reconhecimento de inconsistências no conjunto de dados aplicado (equipe de manuten¸cão de empresa de saneamento).

Tabela 20 – Avalia¸cão de Precisão e Cobertura Grupo Número de inconsistências retornadas Número de inconsistências corretas retornadas Cobertura (%) Precisão (%) A 10 9 64,28 90 B 11 11 78,57 100 C 26 10 71,43 38,46 D 14 14 100 100

Os resultados de precisão e cobertura apresentados na Tabela 20 permitem afirmar que o método proposto é capaz de auxiliar na identifica¸cão precisa de inconsistências espa¸cotemporais entre suas tra- jetórias, planos e relatos da execu¸cão tarefas distribu´ıdas no espa¸co geográfico. A classifica¸cão espacial e temporal, aliada com poss´ıveis PoIs ajudam a investigar poss´ıveis problemas e comportamentos inadequados que podem ocorrer durante o per´ıodo analisado.

6 TRABALHOS RELACIONADOS

Todos os trabalhos relacionados nesta se¸cão fazem uso da tra- jetória do objeto móvel, mas também aliam outros dados para poder compreender melhor o comportamento do objeto móvel. Geralmente, eles visam auxiliar na compreensão do comportamento do objeto móvel. Uma forma de incrementar a análise de comportamento de objetos móveis é construir um diário de viagem. As propostas de Doherty e Papinski (2006) e Rindsfüser et al. (2003) se assemelham entre si pois constroem um diário de viagem a partir de um aplicativo móvel. In- forma¸cões como tipo de atividade, número de participantes e instantes iniciais e finais são inseridos pelo usuário em dispositivos móveis e pos- teriormente processados. A inten¸cão é adicionar semântica à trajetória do usuário e construir sua agenda.

Os trabalhos introduzidos por Chen et al. (2012) e Yuan et al. (2013) também se propõem a criar diários de viagem. Ambos utilizam as trajetórias do objeto móvel, além disso, o primeiro utiliza conexões de pontos de acesso Wi-Fi e sinais de telefones celulares para detectar sua localiza¸cão. O segundo constrói um diário a partir do histórico de transa¸cões de um smart card.

Já o trabalho de Raj et al. (2008) mescla dados coletados de GPS e outros sensores para reconhecer atividades realizadas pelo objeto móvel. O trabalho se propõe a identificar a tarefa que o indiv´ıduo executa. Entre os sensores utilizados estão acelerômetro, microfone (para gravar conversas e sons ambientes), foto-transistores (para me- dir as condi¸cões de luz), termômetros e barômetros. Logo, o uso de diversos sensores exige muita configura¸cão e ajustes. Além disso, o processamento de dados multimodais pode ser bastante dif´ıcil e cus- toso.

Uma outra abordagem para análise do comportamento se baseia no local em que o objeto móvel permanece parado (HUANG; LI; YUE, 2010). Se ele permanece parado em um determinado lugar os autores classificam este local como um ponto de interesse. Dois importantes conceitos são utilizados nesta abordagem (e também pelo método proposto): stops e pontos de interesse (PoI).

A proposta de Huang, Li e Yue (2010) utiliza um conjunto de PoI’s previamente cadastrados para detectar os locais onde os objetos móveis realizaram um stop. De acordo com o autor, uma tarefa é composta pelo local, instante de in´ıcio, dura¸cão e objetivo. O objetivo é então extra´ıdo da categoria do respectivo PoI. Naturalmente, a quan-

tidade e a qualidade do conjunto de PoI’s utilizados é decisiva para o sucesso do método. Além disso, tal método não é capaz de detectar quando um mesmo PoI pode significar semânticas distintas (e.g., um restaurante pode ser o local de almo¸co de um objeto móvel e o local de trabalho de outro).

Os método apresentados em Lira et al. (2014b, 2014a) tem o objetivo de identificar grupos de indiv´ıduos que são leais a determinados estabelecimentos. As propostas definem métricas espaciais e temporais para considerar um objeto móvel fiel a um determinado estabeleci- mento. Ambas propostas utilizam dados gerados por redes sociais e pontos de acesso.

Os métodos apresentados por Spinsanti, Celli e Renso (2010), Furletti et al. (2013), Kiefer e Stein (2008) e Xie Ke Deng (2009) são similares. Eles tentam determinar quais pontos de interesse o objeto móvel visitou. Para isto, tais métodos utilizam as trajetórias dos meios de transporte utilizados pelos indiv´ıduos. Os dois primeiros métodos utilizam probabilidade para tentar inferir o local visitado e a suposta atividade. O terceiro aplica um processamento sobre as trajetórias para extrair caracter´ısticas do movimento, como velocidade, ângulo, etc. Já o método de Xie Ke Deng (2009) introduz o conceito de influência para determinar o quanto um PoI influencia uma trajetória. Esta influência é calculada com base no comportamento de outras trajetórias em uma determinada janela espa¸cotemporal.

Tarefas planejadas foram utilizadas em Clark e Doherty (2008) por meio de um cronograma r´ıgido (determinando instante inicial e final de execu¸cão de cada tarefa). A execu¸cão da tarefa é relatada pela ferramenta criada por Doherty e Papinski (2006). O intuito do trabalho é detectar antecipa¸cões e posterga¸cões de tarefa. Tais informa¸cões são confirmadas em entrevistas com os executores das tarefas após processamento do método.

A abordagem de Torres (2009) propõe a compara¸cão da tra- jetória com as tarefas planejadas para o objeto móvel executar. A ideia também utiliza os algoritmos IB-SMoT e CB-SMoT para a de- teçcão das paradas. No entanto, o foco de tal trabalho é a cria¸cão de uma ferramenta para rastreamento de objetos móveis para fins comer- ciais. Nenhum relato de execu¸cão ou diário de viagem é levado em considera¸cão.

O método proposto nesta disserta¸cão propõe aliar diferentes fontes de dados para analisar o comportamento do objeto móvel. Ele con- fronta as trajetórias dos objetos móveis, tarefas planejadas (sem utilizar cronograma r´ıgido) e relatos de execu¸cão de tarefas. Além disso, o

método propõe a utiliza¸cão de cole¸cões de dados ligados para determinar locais relevantes nas imedia¸cões de stops ociosos e assim auxilar na análise de comportamento.

A versão inicial do método proposto em Silva e Fileto (2014) não utiliza o IB-SMoT, apenas o CB-SMoT. Entretanto, a proposta precisou ser melhor elaborada pelo fato de que o CB-SMoT pode gerar episódios stops alongados (e.g., congestionamentos), o que causava deteçcão de inconsistências equivocadas. A adi¸cão de uma adapta¸cão do IB-SMoT no método elimina a ocorrência destes stops, pois detecta stops a partir de interseçcão espa¸cotemporal entre um segmento de trajetória de um objeto móvel com o local de execu¸cão de uma tarefa planejada para tal objeto móvel. Tal manobra permitiu a deteçcão de outro tipo de inconsistência: retrabalho. Outras vantagens do método proposto é uma classifica¸cão hierárquica para as inconsistências detectadas e o v´ınculo de stops ociosos com PoIs próximos obtidos de bancos de dados geográficos ou dados ligados.

A Tabela 21 sumariza a compara¸cão do nosso método com alguns dos trabalhos anteriormente citados. As colunas “Trajetórias”, “Tare- fas”, “Relatos de Execu¸cão” indicam se o método utiliza a respectiva fonte de dados. A coluna mais a direita evidencia que nenhum outro método classifica inconsistências de trajetórias com tarefas planejadas ou relatadas. O método proposto desenvolvido nesta disserta¸cão e des- crito em Silva e Fileto (2014) é o primeiro a considerar as três fontes de dados, de acordo com nosso conhecimento.

A evolu¸cão de tal método aqui descrita se distingue dos outros métodos relacionados por ser capaz de detectar uma variedade ampla de inconsistências espa¸cotemporais, além de auxiliar na investiga¸cão das razões de cada inconsistência detectada. Para melhor flexibilidade, o método não impõe um cronograma r´ıgido (com instante inicial e final pré estabelecido). Ele se baseia no conjunto de tarefas que devem ser executadas, bem como o local e dura¸cão planejados para executar cada tarefa, permitindo que cada objeto móvel decida quando realiza cada tarefa.

T ab ela 21 – Com p ara¸ c˜ ao com trabalhos relacionados T rabalho T ra jet´ orias T arefas Planejadas Relatos de Execu¸ c˜ ao Outras fon tes de dados Classifica¸ c˜ Inconsist ências ( CLARK; DOHER TY , 2008) Sim Sim (Cronograma) N˜ ao N˜ ao N˜ ao ( FURLETTI et al. , 2013) Sim N˜ ao N˜ ao Go ogle Place API e Op enStreetMap N˜ ao ( HUANG; LI; YUE , 2010) Sim N˜ ao N˜ ao P oI’s pr é-cadastrados N˜ ao ( RAJ et al. , 2008) Sim N˜ ao N˜ ao Sensores (acelerˆ ome tr os , microfones) N˜ ao ( TORRES , 2009) Sim Sim N˜ ao N˜ ao N˜ ao M éto do prop osto Sim Sim Sim BDs espaciais (e.g., Wikimapia, F ourSquare) ou LOD (e.g., Link edGeoData) Sim

7 CONCLUS ˜AO E TRABALHOS FUTUROS

Esta disserta¸cão apresenta um método computacional para detectar e classificar inconsistências espa¸cotemporais entre trajetórias, tarefas planejadas e relatos de execu¸cão. De acordo com nossa pes- quisa bibliográfica, este é o primeiro método da literatura a considerar todas estas fontes de dados e a classificar as inconsistências de acordo com discrepâncias cadastrais, espaciais e temporais. Suas principais contribui¸cões são: (i) formaliza¸cão dos conceitos de tarefa planejada, relato de tarefa e conjuntos de stops usados como entrada do método; (ii) concep¸cão, implementa¸cão e testes de tarefas de pré-processamento para suprir necessidades detectadas em testes de versões preliminares do método proposto; (iii) descri¸cão do método proposto para deteçcão de inconsistências por meio de um workflow e detalhamento das suas tarefas chave; (iv) defini¸cão de combina¸cões de critérios para classifica¸cão de inconsistências; (v) implementa¸cão de um protótipo do método proposto e testes com dados reais; e (vi) defini¸cão, implementa¸cão e testes de pós-processamento que liga stops ociosos a PoIs nas suas imedia¸cões visando auxiliar nas análises das poss´ıveis razões dessas paradas.

As principais vantagens que o m´etodo proposto oferece em rela¸c˜ao aos trabalhos relacionados incluem:

1. Uso de três fontes de dados (trajetórias, tarefas planejadas e relatos de execu¸cão de tarefa);

2. Capacidade de deteçcão de vários tipos de inconsistências em compara¸cão com os métodos do estado-da-arte;

3. Flexibilidade para entrada de dados, sem utilizar um cronograma r´ıgido (com instantes espec´ıficos para in´ıcio e t´ermino da tarefa); 4. Uso de parˆametros espa¸cotemporais para se adaptar a diferentes

conjuntos de dados;

5. Classifica¸cão hierárquica das inconsistências detectadas; e 6. Contextualiza¸cão de stops ociosos com PoIs em suas imedia¸cões.

As inconsistências detectadas e classificas retornadas pelo método proposto ajudam a investigar problemas e poss´ıveis comportamentos inadequados (e.g, stops ociosos, fraudes, retrabalho). Isto foi verifi- cado nos experimentos apresentados e validado através de medidas de precisão e cobertura.

As possibilidades de aplica¸cão da deteçcão e classifica¸cão de in- consistências chama a aten¸cão de diversos dom´ınios de aplica¸cão, mas, principalmente, gerenciamento de recursos (e.g., equipes, pessoas). Isto porque o método pode alimentar diretamente indicadores de produtivi- dade e rendimento (e.g., equipes, pessoas). Mas é poss´ıvel vislumbrar a aplica¸cão do método em dom´ınios como planejamento urbano, comércio e turismo nos quais pode-se fazer uso de dados gerados a partir de ras- tros de redes sociais: tweets, posts, check-ins georeferenciados; agendas públicas (e.g., Google Agenda); e eventos em redes sociais.

O desenvolvimento da proposta rendeu artigo com resultados experimentais publicado como full paper no Simpósio Brasileiro de Geo- informática (GeoInfo): Silva e Fileto (2014). Uma versão melhorada foi submetida, a convite, como um dos melhores artigos daquela edi¸cão do Geoinfo, ao Journal of Information and Data Management (JIDM) Silva e Fileto (2015).

Como horizontes para a continuidade do projeto, destacam-se: • Avaliar o desempenho do m´etodo com outros conjuntos de dados

em diferentes dom´ınios de aplica¸c˜ao;

• Desenvolvimento de métodos para ajustar automaticamente pa- râmetros do método proposto de modo a retornar dados mais valiosos para conjuntos de dados distintos;

• Explorar anota¸cões de trajetórias para obter informa¸cões adicio- nais para explica¸cões de comportamento (e.g., lugares e eventos visitados, a¸cões, inten¸cões); e

• Analisar desvios de rotas atrav´es de Routing Services durante o deslocamento entre as tarefas planejadas;

REFER ˆENCIAS

ALVARES, L. O. et al. A Model for Enriching Trajectories with Semantic Geographical Information. In: Proceedings of the ACM International Symposium on Advances in Geographic

Information Systems. Seattle, USA: ACM, 2007. p. 22:1–22:8. ISBN 978-1-59593-914-2.

BOGORNY, V. et al. Weka-STPM: a Software architecture and prototype for semantic trajectory data mining. Transactions in GIS, v. 15, n. 2, p. 227–248, 2011.

BOGORNY, V. et al. CONSTAnT - A Conceptual Data Model for Semantic Trajectories of Moving Objects. Transaction in GIS, v. 18, p. 66–68, 2014.

CHEN, Z. et al. InferLoc: Calibration free based location inference for temporal and spatial fine-granularity magnitude. In: Proceedings of International Conference on Computational Science and Engineering. Paphos, Cyprus: IEEE, 2012. p. 453–460.

CLARK, A. F.; DOHERTY, S. T. Use of GPS to Automatically Track Activity Rescheduling Decisions. International Conference on Survey Methods in Transport, Annecy, France, p. 25–31, 2008. DOHERTY, S. T.; PAPINSKI, D. An internet-based prompted recall diary with automated gps activity-trip detection: System design. In: Annual Meeting of the Transportation Research Board. Washington, D.C.: [s.n.], 2006. p. 22–26.

FILETO, R. et al. Baquara: A holistic ontological framework for movement analysis with linked data. In: Entity Relationship Conference - ER 2013. Hong Kong: Springer Berlin Heidelberg, 2013, (Lecture Notes in Computer Science, v. 8217). p. 342–355. FILETO, R. et al. A semantic model for movement data warehouses. In: Proceedings of the 17th International Workshop on Data Warehousing and OLAP. New York, NY, USA: ACM, 2014. (DOLAP ’14), p. 47–56. ISBN 978-1-4503-0999-8. Dispon´ıvel em: <http://doi.acm.org/10.1145/2666158.2666180>.

FURLETTI, B. et al. Inferring Human Activities from GPS Tracks. In: Proceedings of the ACM SIGKDD International

Workshop on Urban Computing. Chicago, USA: [s.n.], 2013. p. 5. HUANG, L.; LI, Q.; YUE, Y. Activity Identification from GPS Trajectories Using Spatial Temporal POIs’ Attractiveness. In: Proceedings of the ACM SIGSPATIAL Workshop on

Location Based Social Networks. San Jose, USA: ACM, 2010. p. 27–30. ISBN 978-1-4503-0434-4. Dispon´ıvel em:

<http://doi.acm.org/10.1145/1867699.1867704>.

KIEFER, P.; STEIN, K. A framework for mobile intention recognition in spatially structured environments. In: 2nd Workshop on

Behavior Monitoring and Interpretation (BMI08), 31st German Conference on Artificial Intelligence (KI-2008). [S.l.]: CEUR Vol-396, 2008. p. 28–41. ISSN 1613-0073.

LIRA, V. M. de et al. Investigating semantic regularity of human mobility lifestyle. In: Proceedings of the 18th International Database Engineering e Applications Symposium. New York, NY, USA: ACM, 2014. (IDEAS ’14), p. 314–317. ISBN

978-1-4503-2627-8. Dispon´ıvel em:

<http://doi.acm.org/10.1145/2628194.2628226>.

LIRA, V. M. de et al. MAPMOLTY: A web tool for discovering place loyalty based on mobile crowdsource data. In: Web Engineering, 14th International Conference, ICWE 2014, Toulouse,

France, July 1-4, 2014. Proceedings. [S.l.: s.n.], 2014. p. 528–531. MOUNTAIN, D.; RAPER, J. Modelling Human Spatio-temporal Behaviour: a challenge for location based services. In: Proceedings of the International Conference on GeoComputation. Brisbane, Australia: University of Queensland, 2001. p. 24–26. PALMA, A. T. et al. A Clustering-based Approach for Discovering Interesting Places in Trajectories. In: Proceedings of ACM Symposium on Applied Computing. New York, USA: ACM, 2008. (SAC ’08), p. 863–868. ISBN 978-1-59593-753-7. Dispon´ıvel em: <http://doi.acm.org/10.1145/1363686.1363886>.

PARENT, C. et al. Semantic Trajectories Modeling and Analysis. ACM Comput. Surv., ACM, New York, USA, v. 45, n. 4, p. 42:1–42:32, aug 2013. ISSN 0360-0300. Dispon´ıvel em:

PELEKIS, N.; THEODORIDIS, Y. Mobility Data Management and Exploration. New York, USA: Springer Publishing Company, Incorporated, 2014. ISBN 1493903918, 9781493903917.

RAJ, A. et al. Rao-Blackwellized Particle Filters for Recognizing Activities and Spatial Context from Wearable Sensors. In: KHATIB, O.; KUMAR, V.; RUS, D. (Ed.). Experimental Robotics. [S.l.]: Springer Berlin Heidelberg, 2008, (Springer Tracts in Advanced Robotics, v. 39). p. 211–221. ISBN 978-3-540-77456-3.

RINDSF¨uSER, G. et al. Tracing the planning and execution of activities and their attributes: design and application of a hand-held scheduling process survey. In: Proceedings of the 10th

International Conference on Travel Behaviour Research. Lucerne, Switzerland: [s.n.], 2003.

SILVA, F. P. da; FILETO, R. Analysis of spatiotemporal

inconsistencies of trajectories with planned and reported tasks. In: XV Brazilian Symposium on Geoinformatics, Campos do Jord˜ao, S˜ao Paulo, Brazil, November 30 - December 3, 2014. [S.l.: s.n.], 2014. p. 1–12.

SILVA, F. P. da; FILETO, R. A method to detect and classify inconsistencies of moving objects stops with requested and reported tasks. In: Journal of Information and Data Management. [S.l.: s.n.], 2015. To appear.

SPACCAPIETRA, S. et al. A Conceptual View on Trajectories. Data and Knowledge Engineering, Elsevier Science Publishers B. V., Amsterdam, Netherlands, v. 65, n. 1, p. 126–146, 2008. ISSN 0169-023X. Dispon´ıvel em:

<http://dx.doi.org/10.1016/j.datak.2007.10.008>.

SPINSANTI, L.; CELLI, F.; RENSO, C. Where you stop is who you are: understanding people’s activities by places visited. In: BMI Workshop on Behaviour Monitoring and Interpretation. [S.l.]: CEUR, 2010. v. 678, p. 38–52.

TORRES, G. M. Trabalho de Conclusão de Curso. Análise comportamental de objetos móveis baseada em dados de trajetorias. Porto Alegre: Universidade Federal do Rio Grande do Sul, 2009. 56 p.

WAGNER, R. et al. Mob-warehouse: A semantic approach for mobility analysis with a trajectory data warehouse. In: SecoGIS 2013 - International Workshop on Semantic Aspects of GIS, Joint to ER conference 2013. Hong Kong: [s.n.], 2013.

WOLF, J.; DR, D.; GUENSLER, R. Using gps data loggers to replace travel diaries in the collection of travel data. In: Dissertation, Georgia Institute of Technology, School of Civil and Environmental Engineering. [S.l.: s.n.], 2000. p. 58–65. XIE KE DENG, X. Z. K. From trajectories to activities: A spatio-temporal join approach. In: Proceedings of the 2009 International Workshop on Location Based Social Networks. New York, NY, USA: ACM, 2009. (LBSN ’09), p. 25–32. ISBN 978-1-60558-860-5. Dispon´ıvel em:

<http://doi.acm.org/10.1145/1629890.1629897>.

Dans le document P OSTURE VERBS AND INTERNALLY - CAUSED VERBS IN (Page 16-22)