DATA MINING EM TRAJET ÓRIAS DE OBJETOS MÓVEIS

1. DATA MINING EM TRAJETÓRIAS DE OBJETOS MÓVEIS EduardaZanette Greici Baretta Franzen Mateus Mello

2. 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) TRAJETÓRIAS DE OBJETOS M

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

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

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

10. T2 T3 T1 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) flock M

11. T2 T3 T1 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) liderança M

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

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

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 – TrajectoryClustering; • 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. 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. MINERAÇÃO DE TRAJETÓRIAS: DETECÇÃO DE OUTLIERS G

20. 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 MINERAÇÃO DE TRAJETÓRIAS: DETECÇÃO DE OUTLIERS G

21. MINERAÇÃO DE TRAJETÓRIAS: DETECÇÃO DE OUTLIERS G

22. Classificarobjetos de acordo com suastrajetórias e outrascaracterísticas. Reconhecimento de padrões. Muitoútilparaclassificação de navios, no controle de fronteiras, dapesca, poluição. Algunsmétodostambémanalisam a trajetóriacomo um todo. MINERAÇÃO DE TRAJETÓRIAS: CLASSIFICAÇÃO G

23. Método de Lee (2008) verificaquealgumascaracterísticastendem a aparecersomenteemdeterminadossegmentos. MINERAÇÃO DE TRAJETÓRIAS: CLASSIFICAÇÃO G

24. DuasFases: • Baseadanaregião (forma clusters) • Baseadanatrajetória (cluster portrajetória) MINERAÇÃO DE TRAJETÓRIAS: CLASSIFICAÇÃO G

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

26. 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 MINERAÇÃO DE TRAJETÓRIAS: PADRÕES SEQUENCIAIS G

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

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

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

30. DATA MINING BASEADO EM TRAJETÓRIAS SEMÂNTICAS E

31. MODELO STOPS E MOVES • Primeiromodeloconceitualparatrajetórias • 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) • CB-SMOT (Clustering-Based Stops and Moves of Trajectories) • DB-SMOT (DIRECTION-based Stops and Moves of Trajectories) Métodosparainstanciar o modelo de stops e moves e minerartrajetóriassemânticas 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) lentasdatrajetória • Parteslentas = com velocidademédiamenorque um certolimite • parâmetromaxAvgSpeed(relativo a velocidademédiadatrajetória) E

42. CB-SMOT: IDÉIA GERAL • Parteslentas tem queterumaduraçãomínima • ParâmetrominTime • Nãoqueremospontos de altavelocidade no cluster • ParâmetromaxSpeed(relativo a velocidademédiadatrajetória) 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 Unknownstop. • Verificar se dois ou mais stopsdesconhecidos 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 sãoformadosporpartesdatrajetóriaemquehávariação de direção, a qualdeve ser maiorque um determinado valor, informadocomoparâmetro E

48. DB-SMOT: PARÂMETROS • minDC: variaçãomínimadadireção • minTime: duraçãomínima de umasubtrajetória com variaçãodadireçãopara ser considerada um stop • maxTol: tolerância, emnúmeromáximo de pontoscontíguossemgrandevariaçãodadireção, aceitávelem um cluster E

49. DB-SMOT: IDÉIA GERAL • Os clusters correspondem a partesdatrajetóriaemquehágrandevariaçãonadireção • Grande variação = variação de direçãonão inferior a um certolimite • parâmetrominDirChange E

50. DB-SMOT: IDÉIA GERAL • Cluster tem queterumaduraçãomínima • ParâmetrominTime • Tolerância, em número máximo de pontos contíguos sem grande variação da direção, aceitável em um cluster. • Parâmetro maxTol E