Attribute field K-means : clustering trajectories with attribute by fitting multiple fields
Ano de defesa: | 2016 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
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: | |
Palavras-chave em Inglês: | |
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 |