Representação Probabilística de Trajetórias Veiculares como Entrada para Redes Neurais Artificiais
Resumo
Este trabalho propõe uma abordagem probabilística para representar trajetórias veiculares a partir de dados de câmeras de reconhecimento de placas (LPR), visando um processamento em tempo real. Baseia-se no modelo Hierarchical Pattern Bayes (HPB) para gerar matrizes de tipicidade e densidade temporal dos trajetos. Essas matrizes foram avaliadas com o algoritmo Hierarchical Density-Based Spatial Clustering of Applications with Noise (HDBSCAN), resultando em um aumento de 75% no índice de Silhouette e uma redução de 31,1% no índice de Davies-Bouldin, em comparação ao uso de coordenadas brutas. Isso indica uma representação mais estruturada e viabiliza a aplicação em modelos supervisionados para detecção de anomalias em tempo real.
Palavras-chave:
aprendizado não supervisionado, trajetórias veiculares, representação probabilística, detecção de anomalias, Hierarchical Pattern Bayes (HPB), inferência em tempo real
Referências
Campello, R. J. G. B., Moulavi, D., and Sander, J. (2013). Density-based clustering based on hierarchical density estimates.
Cruz, A. B., Ferreira, J., Carvalho, D., Mendes, E., Pacitti, E., Coutinho, R., Porto, F., and Ogasawara, E. (2018). Detecção de anomalias frequentes no transporte rodoviário urbano. In Anais do XXXIII Simpósio Brasileiro de Banco de Dados, pages 271–276, Porto Alegre, RS, Brasil. SBC.
Filho, J. J. and Wainer, J. (2008). Hpb: A model for handling bn nodes with high cardinality parents. Journal of Machine Learning Research, 9(70):2141–2170.
Ghahramani, Z. (1998). Learning dynamic Bayesian networks, pages 168–197. Springer Berlin Heidelberg, Berlin, Heidelberg.
Liu, F. T., Ting, K. M., and Zhou, Z.-H. (2008). Isolation forest. In 2008 Eighth IEEE International Conference on Data Mining, pages 413–422.
Mao, Y., Shi, Y., and Lu, B. (2024). Detecting urban traffic anomalies using traffic-monitoring data. ISPRS International Journal of Geo-Information, 13(10).
Peralta, B., Soria, R., Nicolis, O., Ruggeri, F., Caro, L., and Bronfman, A. (2023). Outlier vehicle trajectory detection using deep autoencoders in santiago, chile. Sensors, 23(3).
Sun, L., Chen, X., He, Z., and Miranda-Moreno, L. (2020). Routine pattern discovery and anomaly detection in individual travel behavior. CoRR, abs/2004.03481.
Cruz, A. B., Ferreira, J., Carvalho, D., Mendes, E., Pacitti, E., Coutinho, R., Porto, F., and Ogasawara, E. (2018). Detecção de anomalias frequentes no transporte rodoviário urbano. In Anais do XXXIII Simpósio Brasileiro de Banco de Dados, pages 271–276, Porto Alegre, RS, Brasil. SBC.
Filho, J. J. and Wainer, J. (2008). Hpb: A model for handling bn nodes with high cardinality parents. Journal of Machine Learning Research, 9(70):2141–2170.
Ghahramani, Z. (1998). Learning dynamic Bayesian networks, pages 168–197. Springer Berlin Heidelberg, Berlin, Heidelberg.
Liu, F. T., Ting, K. M., and Zhou, Z.-H. (2008). Isolation forest. In 2008 Eighth IEEE International Conference on Data Mining, pages 413–422.
Mao, Y., Shi, Y., and Lu, B. (2024). Detecting urban traffic anomalies using traffic-monitoring data. ISPRS International Journal of Geo-Information, 13(10).
Peralta, B., Soria, R., Nicolis, O., Ruggeri, F., Caro, L., and Bronfman, A. (2023). Outlier vehicle trajectory detection using deep autoencoders in santiago, chile. Sensors, 23(3).
Sun, L., Chen, X., He, Z., and Miranda-Moreno, L. (2020). Routine pattern discovery and anomaly detection in individual travel behavior. CoRR, abs/2004.03481.
Publicado
29/09/2025
Como Citar
GOMES, Bianca Lahm; HAUNG ZHU, Kame.
Representação Probabilística de Trajetórias Veiculares como Entrada para Redes Neurais Artificiais. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 40. , 2025, Fortaleza/CE.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 816-822.
ISSN 2763-8979.
DOI: https://doi.org/10.5753/sbbd.2025.247718.
