Attribute field K-means : clustering trajectories with attribute by fitting multiple fields

Detalhes bibliográficos
Ano de defesa: 2016
Autor(a) principal: Groth, Gerson Eduardo
Orientador(a): Comba, Joao Luiz Dihl
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 gráfica
Processamento de imagens
Palavras-chave em Inglês:
Visualization
Time series
Clustering
Trajectory attributes
Interative exploration
Link de acesso: http://hdl.handle.net/10183/150038
Resumo: A enorme quantidade de trajetórias contendo múltiplas dimensões, e o aumento de complexidade que esses dados ocasionam, impõem desafios ao visualizar e analisar estas informações. Visualização de Trajetórias deve lidar com alterações tanto na dimensão de espaço quanto na dimensão de tempo. Porém, os atributos de cada trajetória podem ocasionar uma melhor compreensão sobre seus comportamentos e características. Dessa forma, eles não deveriam ser neglicenciados. Neste trabalho, nós abordamos este problema interpretando séries temporais multivariadas com foco nos atributos das trajetórias, em um espaço de configuração que codifica um explícito relacionamento entre as variáveis das séries temporais. Nós propomos uma técnica original de clusterização de trajetórias, chamada Attribute Field k-means (AFKM). Ela usa um espaço de configuração dinâmica para gerar clusters baseados nos atributos e parâmetros definidos pelo usuário. Além disso, incorporando uma interface de sketching, nosso método é capaz de encontrar clusters que aproximam os exemplos de trajetórias desenhados pelo usuário. Nós também desenvolvemos um protótipo para explorar as trajetórias e clusters gerados pelo AFKM, de um modo interativo. Nossos resultados, em sintéticos e reais conjuntos de dados de séries temporais, provam a eficiência e o poder de visualização do nosso método.
id URGS_0eca84a7c2d2f6fab7577ece170b8bec
oai_identifier_str oai:www.lume.ufrgs.br:10183/150038
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str
spelling Groth, Gerson EduardoComba, Joao Luiz DihlScheidegger, Carlos Eduardo2016-12-10T02:20:38Z2016http://hdl.handle.net/10183/150038001007779A enorme quantidade de trajetórias contendo múltiplas dimensões, e o aumento de complexidade que esses dados ocasionam, impõem desafios ao visualizar e analisar estas informações. Visualização de Trajetórias deve lidar com alterações tanto na dimensão de espaço quanto na dimensão de tempo. Porém, os atributos de cada trajetória podem ocasionar uma melhor compreensão sobre seus comportamentos e características. Dessa forma, eles não deveriam ser neglicenciados. Neste trabalho, nós abordamos este problema interpretando séries temporais multivariadas com foco nos atributos das trajetórias, em um espaço de configuração que codifica um explícito relacionamento entre as variáveis das séries temporais. Nós propomos uma técnica original de clusterização de trajetórias, chamada Attribute Field k-means (AFKM). Ela usa um espaço de configuração dinâmica para gerar clusters baseados nos atributos e parâmetros definidos pelo usuário. Além disso, incorporando uma interface de sketching, nosso método é capaz de encontrar clusters que aproximam os exemplos de trajetórias desenhados pelo usuário. Nós também desenvolvemos um protótipo para explorar as trajetórias e clusters gerados pelo AFKM, de um modo interativo. Nossos resultados, em sintéticos e reais conjuntos de dados de séries temporais, provam a eficiência e o poder de visualização do nosso método.The amount of high-dimensional trajectory data and its increasing complexity imposes a challenge when visualizing and analysing this information. Trajectory Visualization must deal with changes both in space and time dimensions, but the attributes of each trajectory may provide insights about its behavior and important aspects. Thus, they should not be neglected. In this work, we tackle this problem by interpreting multivariate time series as attribute-rich trajectories in a configuration space that encodes an explicit relationship among the time series variables. We propose a novel trajectory-clustering technique called Attribute Field k-means (AFKM). It uses a dynamic configuration space to generate clusters based on attributes and parameters set by the user. Furthermore, by incorporating a sketching-based interface, our approach is capable of finding clusters that approximates the input sketches. In addiction, we developed a prototype to explore the trajectories and clusters generated by AFKM in an interactive manner. Our results on synthetic and real time series datasets prove the efficiency and visualization power of our approach.application/pdfengComputação gráficaProcessamento de imagensVisualizationTime seriesClusteringTrajectory attributesInterative explorationAttribute field K-means : clustering trajectories with attribute by fitting multiple fieldsAttribute field K-means : clusterização trajetórias com atributos através de ajustes em multiplos camposinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPrograma de Pós-Graduação em ComputaçãoPorto Alegre, BR-RS2016mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSORIGINAL001007779.pdf001007779.pdfTexto completo (inglês)application/pdf4659138http://www.lume.ufrgs.br/bitstream/10183/150038/1/001007779.pdf9f57d6f0997842cb17827a0e259071aaMD51TEXT001007779.pdf.txt001007779.pdf.txtExtracted Texttext/plain122117http://www.lume.ufrgs.br/bitstream/10183/150038/2/001007779.pdf.txt0e8577bd9d40fa64fd594dfbe725eeebMD52THUMBNAIL001007779.pdf.jpg001007779.pdf.jpgGenerated Thumbnailimage/jpeg1054http://www.lume.ufrgs.br/bitstream/10183/150038/3/001007779.pdf.jpgc48bef2344fee325ca2d103656382723MD5310183/1500382021-05-26 04:31:24.486949oai:www.lume.ufrgs.br:10183/150038Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532021-05-26T07:31:24Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Attribute field K-means : clustering trajectories with attribute by fitting multiple fields
dc.title.alternative.en.fl_str_mv Attribute field K-means : clusterização trajetórias com atributos através de ajustes em multiplos campos
title Attribute field K-means : clustering trajectories with attribute by fitting multiple fields
spellingShingle Attribute field K-means : clustering trajectories with attribute by fitting multiple fields
Groth, Gerson Eduardo
Computação gráfica
Processamento de imagens
Visualization
Time series
Clustering
Trajectory attributes
Interative exploration
title_short Attribute field K-means : clustering trajectories with attribute by fitting multiple fields
title_full Attribute field K-means : clustering trajectories with attribute by fitting multiple fields
title_fullStr Attribute field K-means : clustering trajectories with attribute by fitting multiple fields
title_full_unstemmed Attribute field K-means : clustering trajectories with attribute by fitting multiple fields
title_sort Attribute field K-means : clustering trajectories with attribute by fitting multiple fields
author Groth, Gerson Eduardo
author_facet Groth, Gerson Eduardo
author_role author
dc.contributor.author.fl_str_mv Groth, Gerson Eduardo
dc.contributor.advisor1.fl_str_mv Comba, Joao Luiz Dihl
dc.contributor.advisor-co1.fl_str_mv Scheidegger, Carlos Eduardo
contributor_str_mv Comba, Joao Luiz Dihl
Scheidegger, Carlos Eduardo
dc.subject.por.fl_str_mv Computação gráfica
Processamento de imagens
topic Computação gráfica
Processamento de imagens
Visualization
Time series
Clustering
Trajectory attributes
Interative exploration
dc.subject.eng.fl_str_mv Visualization
Time series
Clustering
Trajectory attributes
Interative exploration
description A enorme quantidade de trajetórias contendo múltiplas dimensões, e o aumento de complexidade que esses dados ocasionam, impõem desafios ao visualizar e analisar estas informações. Visualização de Trajetórias deve lidar com alterações tanto na dimensão de espaço quanto na dimensão de tempo. Porém, os atributos de cada trajetória podem ocasionar uma melhor compreensão sobre seus comportamentos e características. Dessa forma, eles não deveriam ser neglicenciados. Neste trabalho, nós abordamos este problema interpretando séries temporais multivariadas com foco nos atributos das trajetórias, em um espaço de configuração que codifica um explícito relacionamento entre as variáveis das séries temporais. Nós propomos uma técnica original de clusterização de trajetórias, chamada Attribute Field k-means (AFKM). Ela usa um espaço de configuração dinâmica para gerar clusters baseados nos atributos e parâmetros definidos pelo usuário. Além disso, incorporando uma interface de sketching, nosso método é capaz de encontrar clusters que aproximam os exemplos de trajetórias desenhados pelo usuário. Nós também desenvolvemos um protótipo para explorar as trajetórias e clusters gerados pelo AFKM, de um modo interativo. Nossos resultados, em sintéticos e reais conjuntos de dados de séries temporais, provam a eficiência e o poder de visualização do nosso método.
publishDate 2016
dc.date.accessioned.fl_str_mv 2016-12-10T02:20:38Z
dc.date.issued.fl_str_mv 2016
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 http://hdl.handle.net/10183/150038
dc.identifier.nrb.pt_BR.fl_str_mv 001007779
url http://hdl.handle.net/10183/150038
identifier_str_mv 001007779
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 application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Biblioteca Digital de Teses e Dissertações da UFRGS
collection Biblioteca Digital de Teses e Dissertações da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/150038/1/001007779.pdf
http://www.lume.ufrgs.br/bitstream/10183/150038/2/001007779.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/150038/3/001007779.pdf.jpg
bitstream.checksum.fl_str_mv 9f57d6f0997842cb17827a0e259071aa
0e8577bd9d40fa64fd594dfbe725eeeb
c48bef2344fee325ca2d103656382723
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br||lume@ufrgs.br
_version_ 1797065068878233600

Registros relacionados