Descoberta de Padrões de Perseguição em Trajetórias de Objetos Móveis

Apresentação em tema: "Descoberta de Padrões de Perseguição em Trajetórias de Objetos Móveis"— Transcrição da apresentação:

1 Descoberta de Padrões de Perseguição em Trajetórias de Objetos Móveis
Fernando de Lucca Siqueira

2 Sumário Introdução e Motivação Objetivo Definições e Algoritmo
Experimentos Conclusão Falar mais rapido

3 Introdução e Motivação
Popularização de dispositivos móveis GPS, celulares, redes de sensores, etc Geração de grandes volumes de um novo tipo de dado Trajetórias de Objetos Móveis Dado espaço-temporal Conjunto de pontos localizados no tempo e no espaço na forma (tid,x,y,t) Exemplo na apresentacao

4 Introdução e Motivação
Aplicações Monitoramento de tráfego urbano Monitoramento de animais Análise de movimento humano ... Dados brutos Difícil análise Contém pouca informação e conhecimento interessante Explicitar dificuldade de analisar dados brutos

5 Introdução e Motivação
Flock (Laube, 2005) Avoidance (Alvares et al., 2011) F1 Não encontramos trabalho que define perseguição Encontro (Laube, 2005) CB-SMoT (Palma et al., 2008)

6 Objetivo Definir o padrão de perseguição em trajetórias de objetos móveis e um algoritmo para identificá-lo.

7 Aplicações Aplicações Monitoramento de presos em regime semi-aberto
Análise de comportamento de animais (ex: animais em extinção) Estratégias de jogos de futebol Jogos de computador ...

8 O método proposto Explicar várias definições e conceitos do algoritmo

9 O que é um padrão de perseguição?
Dois objetos que andam próximos no espaço em tempo similar, onde um é o alvo da perseguição e o outro o perseguidor, respeitando: Tolerância de tempo (Δt) Distância entre os objetos (Δd) Duração mínima (Δc) T: Não comparar trajetorias de tempos diferentes D: Perseguidor deve conseguir visualizar o alvo C: Deve ocorrer durante um tempo minimo para caracterizar um comportamento Chamar de alvo e perseguidor

10 Candidato a Perseguição
Análise de sub-trajetórias Tolerância de tempo Δt Intervalo de tempo entre S1 e S2 Tempos similares 1:15 1:50 1:10 1:55 1:05 1:20 1:45 1:00 1:20 1:25 1:25 1:30 1:40 Começo e final com tempo parecidos (nem mto antes nem mto depois) 1:15 1:35 1:30 1:32 1:33 1:10 1:35 1:45 1:40 1:05 1:50 2:05 2:00

11 Linha Representativa Otimizar o cálculo da distância
Segmento de linha L formada pelo primeiro e último ponto de uma sub-trajetória S = {p3, p4, p5, p6, p7} L = (p3,p7) Calcular distancia entre subtrajetorias 1:15 1:50 1:10 1:55 1:05 1:20 1:45 p12 1:00 p3 1:25 p2 1:30 1:40 1:35 p1 p7 p8

12 Sub-Perseguição Entre candidatos a perseguição S1 e S2 Distância Δd
Para cada ponto pi є S1, verifica distância com L2 Média das distâncias ≤ Δd 1:15 1:50 1:10 1:55 1:05 1:20 1:45 1:00 1:20 1:25 p2 p7 p9 1:15 Comentar sobre fazer as duas linhas representativas 1:30 p1 d1 1:10 d2 d3 q8 1:05 q2 q11 q1 1:50 2:05 2:00

13 Perseguição Conjunto de Sub-Perseguições
Duração maior que Δc Dois algoritmos de perseguição Puro (Pure Tra-Chasing - PTC) Considerando velocidade (Speed Tra-Chasing - STC) 1:15 1:50 1:10 1:55 1:05 1:20 1:45 1:00 1:20 1:25 1:25 1:30 1:40 Descolar sub-perseguições 1:15 1:35 1:30 1:32 1:33 1:10 1:35 1:45 1:40 1:05 1:50 Sub-Perseguição 1 Sub-Perseguição 2 Sub-perseguição 3 2:05 2:00

14 Problemas do Padrão de Perseguição
Falsos Positivos (ex: um conjunto de carros em uma rodovia) Objetivo da Perseguição Possíveis Soluções Definir tipos de perseguição com características diferentes Não considerar perseguição quando um alvo tem vários perseguidores

15 Tipos de Perseguição Comportamento da perseguição
Como as trajetórias se comportam durante e depois da perseguição? O que o perseguidor faz quando o alvo para? O que acontece depois que as duas trajetórias se encontram? Analisar Stops CB-SMoT (Palma, 2008) Captura Introduzir stops Detetive Caçada Assalto

16 Detetive Cada vez que o alvo para, o perseguidor para atrás
As trajetórias não se encontram 15:00 15:10 15:50 19:00 19:30 23:00 19:00 23:00 15:50 19:30 15:30

17 Captura Depois de um encontro, ambas as trajetórias andam juntas
Todos os locais de parada serão os mesmos 15:00 15:10 20:00 20:10 16:20 23:10 20:00 20:10 23:10 15:30 16:20 15:20

18 Assalto Depois do encontro, ambas as trajetórias se distanciam 15:00
15:10 20:50 16:20 20:10 20:00 15:30 16:20 15:20

19 Caça Quando as trajetórias se encontram, o alvo é imobilizado
A trajetória do alvo termina depois do encontro 15:00 15:20 15:10 15:30 16:20 16:20 19:00

20 Algoritmo Tra-Chase = ≠ T, Δd, Δt, Δc Trajetória do alvo termina Caça
Candidato a perseguição Sub-perseguição Trajetórias se afastam Assalto Vários stops iguais Captura = Verifica duração Verifica tempo do stops Nome Previsao: 20 minutos +- ≠ Remover múltiplos perseguidores Calcula stops Detetive

21 Trabalhos Relacionados
Método Perseguição Formalização Tempo Velocidade Distância Duração Algoritmo TRA-CHASE X Tolerância CDA (Cao 2006) Timestamp MFF (Wachowicz 2011) Dodge (2008) X* Hornsby (2008) Legendre (2006) Método Tempo Distância Velocidade Formalização Algoritmo Perseguição Duração TRA-CHASE Tolerância X CDA (Cao 2006) Timestamp MFF (Wachowicz 2011) Dodge (2008) X* Hornsby (2008) Legendre (2006) Todos os metodos consideram a distancia, porem ENTRE timestamps

22 Experimentos Quatro conjuntos de dados
Trajetórias sintéticas (Wachowicz et al ) Trajetórias reais (Gincana em Amsterdã) Trajetórias geradas (Caminhada em Jurerê) Trajetórias geradas com tipos (Caminhada na UFSC) Dificil validar entao fizemos experimetos: 1 com dados artificais, 2 com dados reais em uma gincana, 3 com dados produzidos simulando perseguicao. Por limitacoes de tempo serao mostrados os experimentos com os 3 ultimos conjuntos de dados

23 Gincana em Amsterdã Gincana em Amsterdã Hipótese Gincana móvel
Perguntas sobre pontos históricos Alunos divididos em grupos (azul, verde, amarelo, etc) Hipótese Aluno pode perseguir outro aluno de grupo diferente

24 Gincana em Amsterdã Pessoas de grupos diferentes

25 Gincana em Amsterdã

26 Caminhada em Jurerê

27 Caminhada em Jurerê

28 Caminhada em Jurerê

29 Caminhada na UFSC Simulações diferentes: Detetive Caça
Alvo deve andar e parar em pontos específicos Perseguidor deve perseguir o alvo evitando ser visto Caça Alvo deve andar até ser interceptado pelo perseguidor e desligar o gps Perseguidor deve perseguir alvo até certo ponto, interceptar o alvo e seguir em frente

30 Caminhada na UFSC (Detetive)

31 Caminhada na UFSC (Detetive)

32 Caminhada na UFSC (Caça)
T4 T3

33 Caminhada na UFSC (Caça)
T4 T3

34 Análise dos Parâmetros
Sobre o conjunto de dados gerados Conclusão: Tempo Distância Todos os parâmetros dependem da aplicação e dos dados Exemplos: Perseguição em trajetórias de pedestres no centro de uma cidade cheia ou vazia, onde as trajetórias fazem vários desvios; Perseguição em trajetórias de pedestres numa praia deserta ou lotada; Perseguição em trajetórias de estudantes no campus em horários diferentes. Tempo e distância estão atrelados (dependência entre variáveis) Tempo: diferença de tempo entre dois objetos na distancia d desejada. Quanto tempo leva para o perseguidor alcançar o alvo? Distancia: distância mínima onde o perseguidor consiga enxergar o alvo

35 Conclusão Trajetórias são dados difíceis de serem analisados na forma como são gerados Trajetórias podem ter vários comportamentos como Flock, avoidance, liderança, padrões periódicos e perseguição Diferentes algoritmos extraem estes padrões Contribuição do trabalho: Definição do padrão de perseguição e seus tipos Algoritmo para computá-lo Experimentos para avaliar o algoritmo Análise dos parâmetros

36 Trabalhos Futuros Outras formas de validação
Período do dia, local, etc... Definir medidas de confiança Utilizar informação de contexto Novos tipos de perseguição Tipo do objeto, velocidade, etc... Aplicações em tempo real

37 Publicações Artigo publicado na revista internacional Transactions in GIS (Qualis B2) Discovering Chasing Behavior in Moving Object Trajectories Workshop de Teses e Dissertações do SBBD/2011 Short paper publicado no GeoInfo/2011 CLASS-CHASE: Um Algoritmo para Classificação de Tipos de Padrões de Perseguição em Trajetórias de Objetos Móveis Prêmio de segundo melhor artigo do evento

38 Descoberta de Padrões de Perseguição em Trajetórias de Objetos Móveis
Aluno: Fernando de Lucca Siqueira Orientadora: Drª Vania Bogorny

39 Candidato a Perseguição
para Δt = 5s t1 t2 t2 + Δt 1:15 1:50 1:10 1:55 1:05 1:20 1:45 T1 1:00 1:25 p2 1:30 1:40 1:35 p1 1:20 1:25 2:00 1:15 1:30 1:32 1:50 1:33 1:10 1:35 1:45 T2 1:40 1:05 q2 q1

40 Perseguição target 1:15 1:50 1:10 1:55 1:05 1:20 1:45 1:00 1:20 1:25
2:00 1:30 1:40 1:15 1:35 1:30 1:32 1:50 1:33 1:10 1:35 1:45 1:40 1:05 stalker

41 Sub-Trajetória Trajetória Sub-Trajetória S1 de uma trajetória T1 S1 S2
T = (p1, p2, .... pm) Sub-Trajetória S1 de uma trajetória T1 S1 = (pi, pi+1, ..., pi+n) onde pi є T1 S1 1:15 1:50 1:10 1:55 S2 1:05 1:20 1:45 1:00 1:20 1:25 1:25 2:00 T1 p2 1:30 1:40 1:15 1:35 1:30 p1 1:32 p7 p9 1:50 1:33 p8 1:10 1:35 1:45 1:40 1:05 T2

42 Sub-Trajetória Trajetória Sub-Trajetória S1 de uma trajetória T1
T = (p1, p2, .... pm) Sub-Trajetória S1 de uma trajetória T1 S1 = (pi, pi+1, ..., pi+n) onde pi+n.time ≤ pi.time+tj Tempo de agrupamento tj = 10s 1:15 1:50 1:10 1:55 1:05 1:20 1:45 1:00 1:20 1:25 1:25 2:00 1:30 1:40 1:15 1:35 1:30 1:32 1:50 1:33 1:10 1:35 1:45 1:40 1:05

43 Definições

44 Candidate Chasing Entre duas sub-trajetórias S1 e S2 Time tolerance
Intervalo de tempo entre S1 e S2 Seja p ponto de S1 e q ponto de S2 qm.time ≤ pn.time + Δt Começo e final com tempo parecidos (nem mto antes nem mto depois)

45 Candidate Chasing para Δt = 5s 1:15 T1 1:50 1:10 T2 T2 + Δt 1:55 1:05
1:20 1:45 1:00 1:25 1:30 1:40 1:35 1:20 1:25 2:00 1:15 1:30 1:32 1:50 1:33 1:10 1:35 1:45 1:40 1:05

46 Candidate Chasing: Contra-Exemplo
para Δt = 5s 1:15 T1 1:50 1:10 T2 T2 + Δt 1:55 1:05 1:20 1:45 1:00 1:25 1:30 1:40 1:35 1:20 1:25 2:00 1:15 1:30 1:32 1:50 1:33 1:10 1:35 1:45 1:43 1:05

47 Sub-Chasing Verifica distância de S1 com L2 e S2 com L1
Ambas sub-trajetórias devem estar perto da Representative Segment Line

48 Pseudo Código

49 Pseudo Código

50 Pseudo Código

51 Pseudo Código

52 Experimento 1 Δd = 80m; Δt = 5min, Δc = 10min

53 Conclusão Definição do padrão de perseguição
Algoritmo encontra padrões que outros não encontram Nova técnica de agrupamento de sub-trajetórias (tempo) Nova técnica de cálculo de distâcia

54 Trabalhos Relacionados
Cao et al. 2006; Collocation Discovery Algorithm Wachowicz et al ; Finding moving flock patterns among pedestrian through collective coherence Dodge et al. 2008; Towards a taxonomy of movement patterns Hornsby et al. 2008; Modeling motion relations for moving objects on road networks. Legendre et al. 2006; Modeling mobility with behavioral rules Poderiam dizer que acham perseguição com outros métodos

55

56 Conclusões Mesmos parâmetros com semânticas diferentes