A recurrent neural network approach for multiple-aspect trajectory classification via space, time, and semantic embeddings

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Petry, Lucas May
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Computação
Redes neurais (Computação)
Inteligência artificial
Link de acesso: https://repositorio.ufsc.br/handle/123456789/216096
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2020.
id UFSC_eb35389ece160f448c1c26b6f564efa5
oai_identifier_str oai:repositorio.ufsc.br:123456789/216096
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling A recurrent neural network approach for multiple-aspect trajectory classification via space, time, and semantic embeddingsComputaçãoRedes neurais (Computação)Inteligência artificialDissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2020.Com a popularização de redes sociais baseadas em localização na última década e, consequentemente, o enriquecimento semântico de dados de mobilidade em diferentes contextos, um grande volume de dados de trajetórias é gerado diariamente. Diferentemente de dados de trajetória bruta obtidos de dispositivos GPS, trajetórias de redes sociais atreladas à múltiplos contextos são dados mais complexos, pois apresentam diversos atributos textuais com diferentes semânticas, além das dimensões espacial e temporal, o que pode revelar padrões de mobilidade interessantes. Por exemplo, pessoas podem visitar lugares diferentes ou realizar atividades distintas de acordo com as condições climáticas. De forma similar, animais talvez escolham seu habitat baseado nas características climáticas e cobertura de vegetação do lugar. À este novo dado espaçotemporal semanticamente rico se dá o nome de trajetória multiaspecto. Este novo tipo de dado complexo traz novos desafios para a classificação de trajetórias, que é o problema tratado nesta dissertação. O problema de classificação de trajetórias consiste na categorização de um objeto móvel de acordo com a sua trajetória. A maioria dos métodos existentes para classificação de trajetórias não suportam dimensões heterogêneas incluindo dados textuais semânticos, não consideram o aspecto sequencial do movimento, e/ou são muito custosos computacionalmente. Neste trabalho é proposto o método MARC, uma abordagem baseada em técnicas de embedding de atributos e redes neurais recorrentes, para a classificação de trajetórias multiaspecto, tratando todos aspectos possíveis de trajetórias como espaço, tempo, semântica e sequência. MARC é o primeiro método para classificação de trajetórias que suporta todas as dimensões, incluindo a dimensão espacial. MARC apresenta bom desempenho especialmente quando trajetórias possuem vários atributos textuais/categóricos. Resultados experimentais em quatro conjuntos de dados disponíveis no domínio público mostram que o método proposto obtém valores de acurácia, precisão, cobertura e F1-score superiores ao estado da arte.Abstract: The increasing popularity of Location-Based Social Networks (LBSNs) and the semantic enrichment of mobility data in several contexts in the last few years has led to the generation oflarge volumes of trajectory data. In contrast to GPS-based trajectories, LBSN and context-awaretrajectories are more complex data, having several semantic textual dimensions besides spaceand time, which may reveal interesting mobility patterns. For instance, people may visit differentplaces or perform different activities depending on the weather conditions and their geographical location. Animals may choose their habitat based on climate and vegetation characteristics.These new semantically rich data, known as multiple-aspect trajectories, pose new challengesin trajectory classification, which is the problem that we address in this thesis. Existing methodsfor trajectory classification cannot deal with the complexity of heterogeneous data dimensionsor the sequential aspect that characterizes movement. In this work we propose MARC, anapproach based on attribute embedding and Recurrent Neural Networks (RNNs) for classifyingmultiple-aspect trajectories, that tackles all trajectory properties: space, time, semantics, andsequence. We highlight that MARC exhibits good performance especially when trajectories aredescribed by several textual/categorical attributes. Experiments performed over four publiclyavailable datasets considering the Trajectory-User Linking (TUL) problem show that MARCoutperformed all competitors in all datasets, with respect to accuracy, precision, recall, andF1-score.Bogorny, VaniaUniversidade Federal de Santa CatarinaPetry, Lucas May2020-10-21T21:25:41Z2020-10-21T21:25:41Z2020info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis69 p.| il.application/pdf369876https://repositorio.ufsc.br/handle/123456789/216096engreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2020-10-21T21:25:41Zoai:repositorio.ufsc.br:123456789/216096Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732020-10-21T21:25:41Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv A recurrent neural network approach for multiple-aspect trajectory classification via space, time, and semantic embeddings
title A recurrent neural network approach for multiple-aspect trajectory classification via space, time, and semantic embeddings
spellingShingle A recurrent neural network approach for multiple-aspect trajectory classification via space, time, and semantic embeddings
Petry, Lucas May
Computação
Redes neurais (Computação)
Inteligência artificial
title_short A recurrent neural network approach for multiple-aspect trajectory classification via space, time, and semantic embeddings
title_full A recurrent neural network approach for multiple-aspect trajectory classification via space, time, and semantic embeddings
title_fullStr A recurrent neural network approach for multiple-aspect trajectory classification via space, time, and semantic embeddings
title_full_unstemmed A recurrent neural network approach for multiple-aspect trajectory classification via space, time, and semantic embeddings
title_sort A recurrent neural network approach for multiple-aspect trajectory classification via space, time, and semantic embeddings
author Petry, Lucas May
author_facet Petry, Lucas May
author_role author
dc.contributor.none.fl_str_mv Bogorny, Vania
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Petry, Lucas May
dc.subject.por.fl_str_mv Computação
Redes neurais (Computação)
Inteligência artificial
topic Computação
Redes neurais (Computação)
Inteligência artificial
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2020.
publishDate 2020
dc.date.none.fl_str_mv 2020-10-21T21:25:41Z
2020-10-21T21:25:41Z
2020
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 369876
https://repositorio.ufsc.br/handle/123456789/216096
identifier_str_mv 369876
url https://repositorio.ufsc.br/handle/123456789/216096
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.format.none.fl_str_mv 69 p.| il.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1833925849589481472

Registros relacionados