On Generating Representative Data for Multiple Aspects Trajectory Data
Resumo
Tarefas de mineração e analise de dados de trajetórias têm sido amplamente estudadas nos últimos anos. Essas tarefas são complexas devido ao grande volume de dados gerados e sua heterogeneidade. Uma solução para minimizar esses problemas é a sumarização desses dados, visando gerar dados representativos. Poucos trabalhos na literatura se direcionam a estas soluções, e não foi encontrada nenhuma que considere todas as dimensões de uma trajetória (espacial, temporal e ilimitados aspectos semânticos), analisando as peculiaridades e singularidades de cada aspecto. Essa tese de doutorado propõe um método baseado em uma grade espacial para sumarização de trajetórias de múltiplos aspectos, chamado MAT-SG. Suas principais contribuições são: (i) segmentação das trajetórias em uma grade espacial de acordo com a dispersão dos pontos; (ii) a partir de um conjunto de trajetórias de entrada, uma trajetória representativa é gerada como uma sequência de pontos representativos com valores representativos para cada dimensão, considerando as particularidades de cada tipo de aspecto. Um exemplo demonstra o potencial da proposta, sendo avaliadas a redução de volume e a acurácia da sumarização.
Referências
Almeida, D. R. et al. (2020). A Survey on Big Data for Trajectory Analytics. ISPRS Int. J. Geo-Information, 9(2):88.
Buchin, K. et al. (2013). Median trajectories. Algorithmica, 66(3):595-614.
Buchin, M., Kilgus, B., and Kölzsch, A. (2019). Group diagrams for representing trajectories. International Journal of Geographical Information Science, 34(12):2401-2433.
Erwig, M. et al. (1999). Spatio-temporal data types: an approach to modeling and querying moving objects in databases. GeoInformatica, 3(3):269-296.
Fiore, M. et al. (2020). Privacy in trajectory micro-data publishing: a survey. Transactions on Data Privacy, 13:91-149.
Gao, C. et al. (2019). Semantic trajectory compression via multi-resolution synchronization-based clustering. Knowledge-Based Systems, 174:177-193.
Lee, J.-G., Han, J., and Whang, K.-Y. (2007). Trajectory clustering: A partition-and-group framework. In SIGMOD International Conference on Management of Data, page 593-604. ACM.
Li, H. (2021). Typical trajectory extraction method for ships based on ais data and trajectory clustering. In 2021 2nd International Conference on Artificial Intelligence and Information Systems, pages 1-8.
Machado, V. L., Mello, R. d. S., and Bogorny, V. (2022). A method for summarizing trajectories with multiple aspects. In International Conference on Database and Expert Systems Applications, pages 433-446. Springer.
Mello, R. et al. (2019). Master: A multiple aspect view on trajectories. Transactions in GIS, pages 805-822.
Panagiotakis, C. et al. (2012). Segmentation and sampling of moving object trajectories based on representativeness. IEEE Trans. on Know. and Data Eng., 24(7):1328-1343.
Parent, C. et al. (2013). Semantic trajectories modeling and analysis. ACM Comput. Surv., 45(4):42:1-42:32.
Petry, L. M. et al. (2019). Towards semantic-aware multiple-aspect trajectory similarity measuring. Transactions in GIS, 23(5):960-975.
Rodriguez, D. F. and Ortiz, A. E. (2020). Detecting representative trajectories in moving objects databases from clusters. In International Conference on Information Technology & Systems, pages 141-151. Springer.
Seep, J. and Vahrenhold, J. (2019). Inferring semantically enriched representative trajectories. In SIGSPATIAL International Workshop on Computing with Multifaceted Movement Data, pages 1-4. ACM.
Wang, S., Bao, Z., Culpepper, J. S., and Cong, G. (2021). A survey on trajectory data management, analytics, and learning. ACM Comput. Surv., 54(2).
Xie, P. et al. (2020). Urban flow prediction from spatiotemporal data using machine learning: a survey. Information Fusion, 59:1-12.
