Métodos para instanciar stops e moves

Apresentação em tema: "Métodos para instanciar stops e moves"— Transcrição da apresentação:

1 Métodos para instanciar stops e moves
IB-SMoT CB-SMoT DB-SMoT

2 A Clustering-based Approach for Discovering Interesting Places in Trajectories (Andrey Palma, Vania Bogorny, Bart Kuijpers  and Luis Otavio Alvares), Proc. of the ACM 23rd Annual Symposium on Applied Computing, (ACM-SAC'08), Fortaleza, Brazil, March 2008, p 79 citações em 18/10/2012

3 Prof Dr. Luis Otavio Alvares (Orientador)
A Clustering-Based Approach for Discovering Interesting Places in Trajectories Andrey Luis T. Palma Prof Dr. Luis Otavio Alvares (Orientador) Prof Dra. Vania Bogorny (Co-Orientadora)

4 Objetivo Considerar a velocidade no processo de atribuição de semântica Uso de clusterização para identificação de trechos lentos da trajetória (cluster=subtrajetória com baixa velocidade)

5 Algoritmo CB-SMoT Dois passos principais:
Encontrar as partes lentas da trajetória (clusters) Atribuir mais semântica aos clusters encontrados

6 CB-SMoT: Clusterização
Clusters são encontrados dentro da trajetória – as partes lentas da trajetória Pontos são tratados tanto espacial como temporalmente

7 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) 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)

8 Exemplo de trajetória y x

9 Passos do algoritmo: Calcula-se a velocidade em cada ponto (depende do tipo de dado de entrada) Inicia-se o processamento com pontos de baixa velocidade (eficiência): p11 no exemplo A partir deste ponto, pega-se, sucessivamente, o seu vizinho mais lento (desde que sua velocidade não seja superior a maxSpeed e o ponto não pertença a outro cluster): p10,p12,p9,p13, p14,… até que a subtrajetória tenha duração maior que minTime velocidade tempo p11 maxSpeed p12 p2 p1 p3 p5 p4 p6 p10 p8 p7 p9 p17 p16 p15 p14 p13 p20 p19 p18

10 Passos do algoritmo (cont.):
Se a velocidade média da subtrajetória não for superior a maxAvgSpeed, temos um cluster, que vai ser expandido com o vizinho mais lento que não pertença a outro cluster, enquanto a sua velocidade média não for superior a maxAvgSpeed tempo maxSpeed velocidade p11 p12 p2 p1 p3 p5 p4 p6 p10 p8 p7 p9 p17 p16 p15 p14 p13 p20 p19 p18 minTime

11 Resultado velocidade maxSpeed tempo p20 p7 p19 p6 p8 p14 p4 p5 p13 p18

12 CB-SMoT: Tolerância a perdas de sinal
3) Ao se recuperar o sinal é possível identificar uma baixa velocidade naquele período de perda Trajetória entra em uma contrução 2) Sinal do GPS é perdido na construção

13 Algoritmo CB-SMoT CBSMoT(T,avg,MT,SL,A)
INPUT: T : Trajectory avg: maxAverageSpeed MT : minTime SL : maxSpeed A : Application 1: SpeedClustering(T,avg,MT,SL); 2: T.unifyAdjacentClusters(); 3: Points = T.clusterPoints(); 4: Points.sortByTime(); 5: FOR EACH p IN Points DO 6: IF p intersects some candidate stop C THEN 7: List.add(new Association(p,C)); 8: ELSE 9: List.add(new Association(p,null)); 10: ENDIF 11: ENDFOR 12:StopsDiscovering(List);

14 CB-SMoT: Atribuição de Semântica
Primeiro significado semântico é intrínseco ao passo de clusterização Agregação de mais significado depende da aplicação (conjunto de RF)

15 Algoritmo CB-SMoT passo 1: determinar os clusters
Unknown stop 2.2: senão  unknown stop 2.1: se intersecta  por t  stop  Louvre 09-12 Orsay 16-17 IbisH. 13-14 passo 2: adicionar semântica a cada cluster

16 Análise dos parâmetros
Variação do parâmetro minTime Variação do parâmetro maxAvgSpeed Variação do parâmetro maxSpeed

17 Variação do MinTime com maxAvgSpeed = 0.8 e maxSpeed = 1.0
MinTime = 90 s MinTime = 120 s MinTime = 150 s

18 Variação do maxAvgSpeed com MinTime = 30s e maxSpeed = 1.0

19 Variação do parâmetro maxSpeed
maxAvgSpeed = 0.7 minTime = 30s maxSpeed = 1.5 maxAvgSpeed = 0.7 MinTime = 30s maxSpeed = 0.9 maxAvgSpeed = 0.8 minTime = 30s maxSpeed = 1.0 maxAvgSpeed = 0.8 minTime = 30s maxSpeed = 1.5

20 Clusters em Copacabana
(d) (d) 08:04 – 08:10

21 Exemplo com dados reais do Rio de Janeiro

22 Anexos

23 Anexos

24 Anexos

25 DB-SMoT: a Direction-based spatio-temporal clustering method (Jose Antonio Manso, Valeria Times, Gabriel Oliveira, Luis Otavio Alvares   and Vania Bogorny), Proc. of the Fifth IEEE International Conference on Intelligent Systems (IEEE IS 2010), London, 7-9 July 2010.

26 Motivação Análise em trajetórias de barcos de pesca com o objetivo de determinar as zonas onde o barco estava efetivamente pescando Tentativas com o CB-SMoT não foram boas:

27 Motivação Especialista em pesca diz que durante a pesca o barco muda bastante de direção, o que não ocorre quando ele está navegando de um ponto a outro Idéia geral: Fazer um algoritmo “similar ao CB-SMoT”, em que o atributo importante fosse a variação da direção

28 Algoritmo DB-SMoT Dois passos principais:
Encontrar as partes da trajetória com grande variação de direção (clusters) Atribuir mais semântica aos clusters encontrados (semelhante ao CB-SMoT)

29 Passo 1: clusterização - 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 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

30 Variação de direção pi-1 pi+1 pi a

31 variação da direção minDC tempo p5 p4 p6 p9 p3 p8 p10 p7 p14 p11 p2

32 Exemplo de formação de cluster com maxTol = 1
variação da direção p5 p6 p9 p3 p4 p8 minDC p10 p7 p14 p11 p2 p15 p12 p1 p13 tempo

33 Exemplo da pesca (dados reais)

34 Outro exemplo de trajetória de barco de pesca
Pesca efetiva Gerado pelo DB-SMoT