DATA MINING EM TRAJETÓRIAS DE OBJETOS MÓVEIS

Apresentação em tema: "DATA MINING EM TRAJETÓRIAS DE OBJETOS MÓVEIS"— Transcrição da apresentação:

1 DATA MINING EM TRAJETÓRIAS DE OBJETOS MÓVEIS
Eduarda Zanette Greici Baretta Franzen Mateus Mello

2 TRAJETÓRIAS DE OBJETOS
Aparelhos GPS, celulares, smartphones etc... Dispositivos móveis deixam traços digitais que podem ser coletados como trajetórias, descrevendo a mobilidade de seus usuários (BOGORNY); Permite o rastreamento do indivíduo Novo tipo de dado (Trajetória de Objetos Móveis) M

3 Figura 1: GPS de um barco de pesca de atum no litoral brasileiro

4 DADOS DE TRAJETÓRIAS Dados espaço-temporais
Representados por um conjunto de pontos no espaço (x, y) em um instante de tempo (t) T = (x1, y1, t1), …, (xn, yn, tn)

5 DUAS ABORDAGENS SOBRE DATA MINING EM TRAJETÓRIAS
Data Mining Espaço-Temporal baseado na geometria da trajetória; Análise baseada somente na forma física da trajetória; É considerado apenas as propriedades geométricas (espaço e tempo); Agrupamento das trajetórias baseado em algorítmos de densidade; M

6 DUAS ABORDAGENS SOBRE DATA MINING EM TRAJETÓRIAS
Data Mining Espaço-Temporal baseado na semântica da trajetória; Baseado nas informações semânticas da trajetória; Lida com dados esparsos; Pré-processamento dos dados para enriquecimento das trajetórias. M

7 DATA MINING BASEADO EM TRAJETÓRIAS GEOMÉTRICAS
Padrões de Movimentos; Padrões de Frequência; Padrões Sequenciais; Classificação; Detecção de outliers; M

8 PADRÕES DE MOVIMENTOS (LAUBE, 2004)
Atualmente temos cinco padrões de movimentos: Convergência; Encontro; Flock; Liderança e Recorrência (recurrence); M

9 PADRÕES DE MOVIMENTOS: CONVERGÊNCIA
Determinado número de trajetórias que passaram por uma determinada região, não necessariamente no mesmo momento. T1 T2 T3 T4 T5 convergência M

10 PADRÕES DE MOVIMENTOS: FLOCK
Determinadas trajetórias que passaram por uma determinada região, se movendo em uma mesma direção durante um intervalo de tempo (ex: trânsito) T2 T3 T1 flock M

11 PADRÕES DE MOVIMENTOS: LIDERANÇA
Determinado número de trajetórias que passaram por uma determinada região, se movendo em uma mesma direção e ao menos uma trajetória está liderando as outras (ex: migração de pássaros) T2 T3 T1 liderança M

12 PADRÕES DE MOVIMENTOS: ENCONTRO
Determinado número de trajetórias que passaram por uma determinada região, se movendo em uma mesma velocidade e direção. T2 T3 T1 encontro M

13 PADRÕES DE MOVIMENTOS: RECORRÊNCIA
Determinadas trajetórias visitarem uma determinada região um número k de vezes F1 recorrência M

14 PADRÕES DE FREQUÊNCIAS
Grupos móveis (HWANG, 2005); Padrão de co-localização (CAO, 2006); Traclus (HAS, 2007); M

15 PADRÕES DE FREQUÊNCIAS: GRUPOS MÓVEIS
Os grupos considerados padrões são determinados através de uma distância mínima entre as trajetórias e um tempo mínimo; Não é considerado a direção; A determinação dos grupos pode ser feita através do algoritmo Apriori; M

16 PADRÕES DE FREQUÊNCIAS: GRUPOS MÓVEIS

17 PADRÕES DE FREQUÊNCIAS:
CO-LOCALIZAÇÃO São trajetórias que encontram-se espacialmente próximas; Janela de tempo; Movendo em conjunto; M

18 PADRÕES DE FREQUÊNCIAS:
TRACLUS TRACLUS – Trajectory Clustering; Baseado em algoritmos de densidade; Divide a trajetória em subgrupos com T de tamanho (parâmetro); O agrupamento ocorre pela proximidade destes segmentos; Interessante para estudo da trajetórias de furações O tempo não é considerado M

19 MINERAÇÃO DE TRAJETÓRIAS: DETECÇÃO DE OUTLIERS
Outlier: trajetória muito diferente das demais do conjunto. Uso na identificação de carros ou pessoas com comportamento suspeito, fraude em cartão de crédito. Vários métodos analisam a trajetória como um todo. G

20 MINERAÇÃO DE TRAJETÓRIAS: DETECÇÃO DE OUTLIERS
Método descrito por Lee (2008) divide as trajetórias em subtrajetórias e as analisa comparativamente umas com as outras. É o framework Partition—and-Detect Ou Algoritmo TraOD G

21 MINERAÇÃO DE TRAJETÓRIAS: DETECÇÃO DE OUTLIERS
G

22 MINERAÇÃO DE TRAJETÓRIAS: CLASSIFICAÇÃO
Classificar objetos de acordo com suas trajetórias e outras características. Reconhecimento de padrões. Muito útil para classificação de navios, no controle de fronteiras, da pesca, poluição. Alguns métodos também analisam a trajetória como um todo. G

23 MINERAÇÃO DE TRAJETÓRIAS: CLASSIFICAÇÃO
Método de Lee (2008) verifica que algumas características tendem a aparecer somente em determinados segmentos. G

24 MINERAÇÃO DE TRAJETÓRIAS: CLASSIFICAÇÃO
Duas Fases: Baseada na região (forma clusters) Baseada na trajetória (cluster por trajetória) G

25 MINERAÇÃO DE TRAJETÓRIAS: PADRÕES SEQUENCIAIS
Descreve movimentos frequentes, considerando regiões visitadas e a duração do movimento. Útil para gerenciamento de tráfego em áreas urbanas. G

26 MINERAÇÃO DE TRAJETÓRIAS: PADRÕES SEQUENCIAIS
Padrões de trajetórias = conjunto de trajetórias individuais que partilham a propriedade de visitar a mesma sequencia de lugares, com tempo de viagem semelhante. Padrão a Ticen -5min- praça XV -30min- Igreja Matriz Padrão b Ticen -5min- Beiramar -10min- UFSC G

27 MINERAÇÃO DE TRAJETÓRIAS: PADRÕES SEQUENCIAIS
Primeiro as trajetórias são transformadas de pontos para regiões e com as regiões de interesse formadas, as trajetórias são novamente inseridas. G

28 MINERAÇÃO DE TRAJETÓRIAS: PADRÕES SEQUENCIAIS
Após, é averiguado o tempo de percurso entre as regiões. time G

29 DATA MINING BASEADO EM TRAJETÓRIAS SEMÂNTICAS
A IMPORTÂNCIA DE CONSIDERAR A SEMÂNTICA E

30 DATA MINING BASEADO EM TRAJETÓRIAS SEMÂNTICAS

31 MODELO STOPS E MOVES Primeiro modelo conceitual para trajetórias
STOPS: partes importantes da trajetória do ponto de vista da aplicação, onde o objeto móvel é considerado parado por um intervalo de tempo MOVES: parte da trajetória entre dois stops consecutivos ou entre um stop e o início/fim da trajetória. Todas as partes da trajetória que não são stops, são definidos como moves. E

32 MODELO STOPS E MOVES TRAJETÓRIAS SEMÂNTICAS SÃO UMA SEQUENCIA DE
STOPS AND MOVES STOPS SÃO DEPENDENTES DA APLICAÇÃO E

33 IB-SMOT (Intersection-Based Stops and Moves of Trajectories)
Métodos para instanciar o modelo de stops e moves e minerar trajetórias semânticas IB-SMOT (Intersection-Based Stops and Moves of Trajectories) CB-SMOT (Clustering-Based Stops and Moves of Trajectories) DB-SMOT (DIRECTION-based Stops and Moves of Trajectories) E

34 IB-SMOT (Alvares, 2007) STOPS: partes de uma trajetória que interceptam um objeto geográfico de interesse por um tempo mínimo Objetos geográficos de interesse => candidatos a stops. Candidato a stop: (Rc, ∆c) Rc é a geometria do objeto geográfico de interesse e ∆c é a duração mínima de tempo. E

35 IB-SMOT (Alvares, 2007) Verifica para cada trajetória do conjunto de dados se há intersecção com os candidatos a stop em um tempo mínimo. E

36 IB-SMOT E

37 IB-SMOT: TABELAS NO BD E

38 IB-SMOT: UTILIZAÇÃO Interessante para aplicações de turismo:
-Quais os pontos turísticos visitados por um turista? -Onde ele comeu? -Onde se hospedou? E

39 CB-SMOT (Palma, 2008) Baseado em clusterização
Identifica partes da trajetória em que a velocidade do objeto móvel é menor do que no restante da trajetória, sendo considerada a média da velocidade no trecho. E

40 CB-SMOT: PARÂMETROS minTime: tempo mínimo de uma subtrajetória com baixa velocidade para que seja um stop maxAvgSpeed:velocidade média máxima de uma subtrajetória para ser considerada um cluster maxSpeed: velocidade instantânea máxima aceitável dentro de um cluster E

41 CB-SMOT: IDÉIA GERAL Encontrar as partes (subtrajetórias) lentas da trajetória Partes lentas = com velocidade média menor que um certo limite parâmetro maxAvgSpeed (relativo a velocidade média da trajetória) E

42 CB-SMOT: IDÉIA GERAL Partes lentas tem que ter uma duração mínima
Parâmetro minTime Não queremos pontos de alta velocidade no cluster Parâmetro maxSpeed (relativo a velocidade média da trajetória) E

43 CB-SMOT: PASSOS Formação de clusters pelos pontos da trajetória onde a velocidade está abaixo da definida (calculada pelo valor passado multiplicado pela velocidade média) em um tempo mínimo Intersecção dos clusters com os candidatos à stops E

44 CB-SMOT: PASSOS Para cada intersecção, é verificada se a duração dessa respeitou o tempo mínimo definido para o objeto geográfico associado. Se respeitar, então será considerado um stop rotulado pelo nome do objeto geográfico, do contrário, será um stop desconhecido, definido como Unknown stop. Verificar se dois ou mais stops desconhecidos se interceptam. Neste caso, terão o mesmo nome. E

45 CB-SMOT E

46 CB-SMOT: UTILIZAÇÃO Interessante onde a velocidade é importante.
Exemplo de utilização é em trajetórias de tráfego urbano, para identificar regiões com congestionamento E

47 DB-SMOT (Manso, 2010) Baseado em clusterização
Clusters são formados por partes da trajetória em que há variação de direção, a qual deve ser maior que um determinado valor, informado como parâmetro E

48 DB-SMOT: PARÂMETROS minDC: variação mínima da direção
minTime: duração mínima de uma subtrajetória com variação da direção para ser considerada um stop maxTol: tolerância, em número máximo de pontos contíguos sem grande variação da direção, aceitável em um cluster E

49 DB-SMOT: IDÉIA GERAL Os clusters correspondem a partes da trajetória em que há grande variação na direção Grande variação = variação de direção não inferior a um certo limite parâmetro minDirChange E

50 DB-SMOT: IDÉIA GERAL Cluster tem que ter uma duração mínima
Parâmetro minTime Tolerância, em número máximo de pontos contíguos sem grande variação da direção, aceitável em um cluster. Parâmetro maxTol E

51 DB-SMOT: PASSOS Verifica a variação da direção de dois em dois pontos da trajetória. -Quando a variação ultrapassar o minDC, então os pontos são adicionados ao cluster. -Se for inferior a minDC, observa maxTol, para ver se o ponto que não mudou significativamente de direção foi ruído ou se a mudança de direção acabou. E

52 DB-SMOT: PASSOS Confere se os pontos que tiveram suficiente variação de direção, respeitaram o minTime -Em caso positivo, considera-se a subtrajetória um cluster de grande variação de direção. E

53 DB-SMOT E

54 DB-SMOT: UTILIZAÇÃO Utilizado em aplicações onde a variação de direção seja um aspecto importante: Exemplo: aplicação de pesca E

55 CONCLUSÃO Muitas aplicações podem ser beneficiadas pela ciência desenvolvida para análise de dados de trajetórias. E

56 CONCLUSÃO E

57 CONCLUSÃO Algoritmos de mineração de dados que considerem informações semânticas e de contexto da aplicação é uma área de pesquisa recente Trabalhos futuros: projeto europeu SEEK envolvendo Brasil, Itália e Grécia E

58 REFERÊNCIAS Introdução a Trajetórias de Objetos Móveis, Vania Bogorny, Fernando José Braz; Conjunto de slides para curso de pós-graduação em análise de trajetórias de objetos móveis. Vania Bogorny; Artigo “A model for enriching trajectories with semantic geographical information”, Alvares (2007); Artigo “Trajectory Outlier Detection: A Partition-and-Detect Framework” , Jae-Gil Lee, Jiawei Han, Xiaolei Li (2008); Artigo “TraClass: Trajectory Classification Using Hierarchical Region-Based and Trajectory-Based Clustering”, Jae-Gil Lee, Jiawei Han, Xiaolei Li, Hector Gonzalez (2008) Artigo “Trajectory Pattern Mining”, Fosca Giannotti, Mirco Nanni, Dino Pedreschi, Fabio Pinelli M