A framework for trajectory data mining

Detalhes bibliográficos
Ano de defesa: 2017
Autor(a) principal: Diego Vilela Monteiro
Orientador(a): Karine Reis Ferreira, Rafael Duarte Coelho dos Santos
Banca de defesa: Pedro Ribeiro de Andrade Neto, Sandro Klippel
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Instituto Nacional de Pesquisas Espaciais (INPE)
Programa de Pós-Graduação: Programa de Pós-Graduação do INPE em Computação Aplicada
Departamento: Não Informado pela instituição
País: BR
Link de acesso: http://urlib.net/sid.inpe.br/mtc-m21b/2017/07.06.12.27
Resumo: Spatiotemporal data are everywhere, being collected from different devices such as Earth Observation and GPS satellites, sensor networks, vehicles and smartphones. Data collected from those devices may contain valuable information about different subjects, including environmental monitoring, weather as well as mobility. Of these subjects, one of particular interest is moving objects trajectory data. In order to process this kind of data, there is a need for high-level programming environments that allow users to quickly and easily develop new algorithms. In this work, I propose a framework that extends the R environment for big trajectory data mining. I designed and developed two new packages that allow R users to efficiently deal with big trajectory data sets and fast implement new mining algorithms over them. I also propose an efficient method to discover partners in moving object trajectories. Such method identifies pairs of trajectories whose objects stay together during certain periods, based on distance time series analysis. Finally, I validate both the framework and method via case studies.
id INPE_23c43ed041f57130aa9099d012f5d46c
oai_identifier_str oai:urlib.net:sid.inpe.br/mtc-m21b/2017/07.06.12.27.47-0
network_acronym_str INPE
network_name_str Biblioteca Digital de Teses e Dissertações do INPE
spelling info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisA framework for trajectory data miningUm framwrok para mineração de big data de trajetorias2017-06-29Karine Reis FerreiraRafael Duarte Coelho dos SantosPedro Ribeiro de Andrade NetoSandro KlippelDiego Vilela MonteiroInstituto Nacional de Pesquisas Espaciais (INPE)Programa de Pós-Graduação do INPE em Computação AplicadaINPEBRRtrajectorydata miningRtrajetóriamineração de dadosSpatiotemporal data are everywhere, being collected from different devices such as Earth Observation and GPS satellites, sensor networks, vehicles and smartphones. Data collected from those devices may contain valuable information about different subjects, including environmental monitoring, weather as well as mobility. Of these subjects, one of particular interest is moving objects trajectory data. In order to process this kind of data, there is a need for high-level programming environments that allow users to quickly and easily develop new algorithms. In this work, I propose a framework that extends the R environment for big trajectory data mining. I designed and developed two new packages that allow R users to efficiently deal with big trajectory data sets and fast implement new mining algorithms over them. I also propose an efficient method to discover partners in moving object trajectories. Such method identifies pairs of trajectories whose objects stay together during certain periods, based on distance time series analysis. Finally, I validate both the framework and method via case studies.Dados espaçotemporais estão em todos os lugares, sendo coletados por diversos equipamentos como satélites GPS e de Observação da Terra, redes de sensores, veículos e smartphones. Dados coletados por esses equipamentos contêm informações valiosas sobre diversas áreas como monitoramento ambiental, clima assim como mobilidade. Dentro dessas áreas, uma de interesse especial é a de trajetórias de objetos móveis. Para poder processar tais dados, existe a necessidade de um ambiente de alto nível que permite ao usuário desenvolver rapidamente e facilmente novos algoritmos. Neste trabalho é proposto um framework para estender o ambiente R para a mineração de grandes bases de dados de trajetória. Projeta-se e desenvolve-se dois novos pacotes que permitem usuários R manipular eficientemente grandes conjuntos de dados de trajetórias e a rápida implementação de novos algoritmos de mineração neles. Propõe-se também um método eficiente para encontrar parceiros em trajetórias de objetos móveis. Tal método identifica pares de trajetórias cujos objetos permanecem juntos durante certos períodos, baseado em análise de series temporais. Finalmente, valida-se tanto o método quanto o framework via estudos de caso.http://urlib.net/sid.inpe.br/mtc-m21b/2017/07.06.12.27info:eu-repo/semantics/openAccessengreponame:Biblioteca Digital de Teses e Dissertações do INPEinstname:Instituto Nacional de Pesquisas Espaciais (INPE)instacron:INPE2021-07-31T06:55:28Zoai:urlib.net:sid.inpe.br/mtc-m21b/2017/07.06.12.27.47-0Biblioteca Digital de Teses e Dissertaçõeshttp://bibdigital.sid.inpe.br/PUBhttp://bibdigital.sid.inpe.br/col/iconet.com.br/banon/2003/11.21.21.08/doc/oai.cgiopendoar:32772021-07-31 06:55:28.611Biblioteca Digital de Teses e Dissertações do INPE - Instituto Nacional de Pesquisas Espaciais (INPE)false
dc.title.en.fl_str_mv A framework for trajectory data mining
dc.title.alternative.pt.fl_str_mv Um framwrok para mineração de big data de trajetorias
title A framework for trajectory data mining
spellingShingle A framework for trajectory data mining
Diego Vilela Monteiro
title_short A framework for trajectory data mining
title_full A framework for trajectory data mining
title_fullStr A framework for trajectory data mining
title_full_unstemmed A framework for trajectory data mining
title_sort A framework for trajectory data mining
author Diego Vilela Monteiro
author_facet Diego Vilela Monteiro
author_role author
dc.contributor.advisor1.fl_str_mv Karine Reis Ferreira
dc.contributor.advisor2.fl_str_mv Rafael Duarte Coelho dos Santos
dc.contributor.referee1.fl_str_mv Pedro Ribeiro de Andrade Neto
dc.contributor.referee2.fl_str_mv Sandro Klippel
dc.contributor.author.fl_str_mv Diego Vilela Monteiro
contributor_str_mv Karine Reis Ferreira
Rafael Duarte Coelho dos Santos
Pedro Ribeiro de Andrade Neto
Sandro Klippel
dc.description.abstract.por.fl_txt_mv Spatiotemporal data are everywhere, being collected from different devices such as Earth Observation and GPS satellites, sensor networks, vehicles and smartphones. Data collected from those devices may contain valuable information about different subjects, including environmental monitoring, weather as well as mobility. Of these subjects, one of particular interest is moving objects trajectory data. In order to process this kind of data, there is a need for high-level programming environments that allow users to quickly and easily develop new algorithms. In this work, I propose a framework that extends the R environment for big trajectory data mining. I designed and developed two new packages that allow R users to efficiently deal with big trajectory data sets and fast implement new mining algorithms over them. I also propose an efficient method to discover partners in moving object trajectories. Such method identifies pairs of trajectories whose objects stay together during certain periods, based on distance time series analysis. Finally, I validate both the framework and method via case studies.
Dados espaçotemporais estão em todos os lugares, sendo coletados por diversos equipamentos como satélites GPS e de Observação da Terra, redes de sensores, veículos e smartphones. Dados coletados por esses equipamentos contêm informações valiosas sobre diversas áreas como monitoramento ambiental, clima assim como mobilidade. Dentro dessas áreas, uma de interesse especial é a de trajetórias de objetos móveis. Para poder processar tais dados, existe a necessidade de um ambiente de alto nível que permite ao usuário desenvolver rapidamente e facilmente novos algoritmos. Neste trabalho é proposto um framework para estender o ambiente R para a mineração de grandes bases de dados de trajetória. Projeta-se e desenvolve-se dois novos pacotes que permitem usuários R manipular eficientemente grandes conjuntos de dados de trajetórias e a rápida implementação de novos algoritmos de mineração neles. Propõe-se também um método eficiente para encontrar parceiros em trajetórias de objetos móveis. Tal método identifica pares de trajetórias cujos objetos permanecem juntos durante certos períodos, baseado em análise de series temporais. Finalmente, valida-se tanto o método quanto o framework via estudos de caso.
description Spatiotemporal data are everywhere, being collected from different devices such as Earth Observation and GPS satellites, sensor networks, vehicles and smartphones. Data collected from those devices may contain valuable information about different subjects, including environmental monitoring, weather as well as mobility. Of these subjects, one of particular interest is moving objects trajectory data. In order to process this kind of data, there is a need for high-level programming environments that allow users to quickly and easily develop new algorithms. In this work, I propose a framework that extends the R environment for big trajectory data mining. I designed and developed two new packages that allow R users to efficiently deal with big trajectory data sets and fast implement new mining algorithms over them. I also propose an efficient method to discover partners in moving object trajectories. Such method identifies pairs of trajectories whose objects stay together during certain periods, based on distance time series analysis. Finally, I validate both the framework and method via case studies.
publishDate 2017
dc.date.issued.fl_str_mv 2017-06-29
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
status_str publishedVersion
format masterThesis
dc.identifier.uri.fl_str_mv http://urlib.net/sid.inpe.br/mtc-m21b/2017/07.06.12.27
url http://urlib.net/sid.inpe.br/mtc-m21b/2017/07.06.12.27
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Instituto Nacional de Pesquisas Espaciais (INPE)
dc.publisher.program.fl_str_mv Programa de Pós-Graduação do INPE em Computação Aplicada
dc.publisher.initials.fl_str_mv INPE
dc.publisher.country.fl_str_mv BR
publisher.none.fl_str_mv Instituto Nacional de Pesquisas Espaciais (INPE)
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações do INPE
instname:Instituto Nacional de Pesquisas Espaciais (INPE)
instacron:INPE
reponame_str Biblioteca Digital de Teses e Dissertações do INPE
collection Biblioteca Digital de Teses e Dissertações do INPE
instname_str Instituto Nacional de Pesquisas Espaciais (INPE)
instacron_str INPE
institution INPE
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações do INPE - Instituto Nacional de Pesquisas Espaciais (INPE)
repository.mail.fl_str_mv
publisher_program_txtF_mv Programa de Pós-Graduação do INPE em Computação Aplicada
contributor_advisor1_txtF_mv Karine Reis Ferreira
_version_ 1706805040782508032

Registros relacionados