TRACTS : um método para classificação de trajetórias de objetos móveis usando séries temporais

Detalhes bibliográficos
Ano de defesa: 2011
Autor(a) principal: Santos, Irineu Júnior Pinheiro dos
Orientador(a): Alvares, Luis Otavio Campos
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
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:
Inteligência artificial
Redes bayesianas
Palavras-chave em Inglês:
Moving object trajectory
Trajectory classification
Knowledge discovery
Data mining
Time series
Link de acesso: http://hdl.handle.net/10183/55445
Resumo: O crescimento do uso de sistemas de posicionamento global (GPS) e outros sistemas de localização espacial tornaram possível o rastreamento de objetos móveis, produzindo um grande volume de um novo tipo de dado, chamado trajetórias de objetos móveis. Existe, entretanto, uma forte lacuna entre a quantidade de dados extraídos destes dispositivos, dotados de sistemas GPS, e a descoberta de conhecimento que se pode inferir com estes dados. Um tipo de descoberta de conhecimento em dados de trajetórias de objetos móveis é a classificação. A classificação de trajetórias é um tema de pesquisa relativamente novo, e poucos métodos tem sido propostos até o presente momento. A maioria destes métodos foi desenvolvido para uma aplicação específica. Poucos propuseram um método mais geral, aplicável a vários domínios ou conjuntos de dados. Este trabalho apresenta um novo método de classificação que transforma as trajetórias em séries temporais, de forma a obter características mais discriminativas para a classificação. Experimentos com dados reais mostraram que o método proposto é melhor do que abordagens existentes.
id URGS_c2cb75a341de1fd83217b3bc8512e85a
oai_identifier_str oai:www.lume.ufrgs.br:10183/55445
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str
spelling Santos, Irineu Júnior Pinheiro dosAlvares, Luis Otavio Campos2012-09-19T01:35:59Z2011http://hdl.handle.net/10183/55445000858250O crescimento do uso de sistemas de posicionamento global (GPS) e outros sistemas de localização espacial tornaram possível o rastreamento de objetos móveis, produzindo um grande volume de um novo tipo de dado, chamado trajetórias de objetos móveis. Existe, entretanto, uma forte lacuna entre a quantidade de dados extraídos destes dispositivos, dotados de sistemas GPS, e a descoberta de conhecimento que se pode inferir com estes dados. Um tipo de descoberta de conhecimento em dados de trajetórias de objetos móveis é a classificação. A classificação de trajetórias é um tema de pesquisa relativamente novo, e poucos métodos tem sido propostos até o presente momento. A maioria destes métodos foi desenvolvido para uma aplicação específica. Poucos propuseram um método mais geral, aplicável a vários domínios ou conjuntos de dados. Este trabalho apresenta um novo método de classificação que transforma as trajetórias em séries temporais, de forma a obter características mais discriminativas para a classificação. Experimentos com dados reais mostraram que o método proposto é melhor do que abordagens existentes.The growing use of global positioning systems (GPS) and other location systems made the tracking of moving objects possible, producing a large volume of a new kind of data, called trajectories of moving objects. However, there is a large gap between the amount of data generated by these devices and the knowledge that can be inferred from these data. One type of knowledge discovery in trajectories of moving objects is classification. Trajectory classification is a relatively new research subject, and a few methods have been proposed so far. Most of these methods were developed for a specific application. Only a few have proposed a general method, applicable to multiple domains or datasets. This work presents a new classification method that transforms the trajectories into time series, in order to obtain more discriminative features for classification. Experiments with real trajectory data revealed that the proposed approach is more effective than existing approaches.application/pdfporInteligência artificialRedes bayesianasMoving object trajectoryTrajectory classificationKnowledge discoveryData miningTime seriesTRACTS : um método para classificação de trajetórias de objetos móveis usando séries temporaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPrograma de Pós-Graduação em ComputaçãoPorto Alegre, BR-RS2011mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSORIGINAL000858250.pdf000858250.pdfTexto completoapplication/pdf2120693http://www.lume.ufrgs.br/bitstream/10183/55445/1/000858250.pdf408dc5a488b0bdba98f4b43a60bdeb0bMD51TEXT000858250.pdf.txt000858250.pdf.txtExtracted Texttext/plain151251http://www.lume.ufrgs.br/bitstream/10183/55445/2/000858250.pdf.txt8d7e6a1abdf88c44e7e20b61177eb236MD52THUMBNAIL000858250.pdf.jpg000858250.pdf.jpgGenerated Thumbnailimage/jpeg1095http://www.lume.ufrgs.br/bitstream/10183/55445/3/000858250.pdf.jpge58dd0c709f44aafdc0de9b5cbf7c352MD5310183/554452018-10-15 09:03:38.917oai:www.lume.ufrgs.br:10183/55445Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532018-10-15T12:03:38Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv TRACTS : um método para classificação de trajetórias de objetos móveis usando séries temporais
title TRACTS : um método para classificação de trajetórias de objetos móveis usando séries temporais
spellingShingle TRACTS : um método para classificação de trajetórias de objetos móveis usando séries temporais
Santos, Irineu Júnior Pinheiro dos
Inteligência artificial
Redes bayesianas
Moving object trajectory
Trajectory classification
Knowledge discovery
Data mining
Time series
title_short TRACTS : um método para classificação de trajetórias de objetos móveis usando séries temporais
title_full TRACTS : um método para classificação de trajetórias de objetos móveis usando séries temporais
title_fullStr TRACTS : um método para classificação de trajetórias de objetos móveis usando séries temporais
title_full_unstemmed TRACTS : um método para classificação de trajetórias de objetos móveis usando séries temporais
title_sort TRACTS : um método para classificação de trajetórias de objetos móveis usando séries temporais
author Santos, Irineu Júnior Pinheiro dos
author_facet Santos, Irineu Júnior Pinheiro dos
author_role author
dc.contributor.author.fl_str_mv Santos, Irineu Júnior Pinheiro dos
dc.contributor.advisor1.fl_str_mv Alvares, Luis Otavio Campos
contributor_str_mv Alvares, Luis Otavio Campos
dc.subject.por.fl_str_mv Inteligência artificial
Redes bayesianas
topic Inteligência artificial
Redes bayesianas
Moving object trajectory
Trajectory classification
Knowledge discovery
Data mining
Time series
dc.subject.eng.fl_str_mv Moving object trajectory
Trajectory classification
Knowledge discovery
Data mining
Time series
description O crescimento do uso de sistemas de posicionamento global (GPS) e outros sistemas de localização espacial tornaram possível o rastreamento de objetos móveis, produzindo um grande volume de um novo tipo de dado, chamado trajetórias de objetos móveis. Existe, entretanto, uma forte lacuna entre a quantidade de dados extraídos destes dispositivos, dotados de sistemas GPS, e a descoberta de conhecimento que se pode inferir com estes dados. Um tipo de descoberta de conhecimento em dados de trajetórias de objetos móveis é a classificação. A classificação de trajetórias é um tema de pesquisa relativamente novo, e poucos métodos tem sido propostos até o presente momento. A maioria destes métodos foi desenvolvido para uma aplicação específica. Poucos propuseram um método mais geral, aplicável a vários domínios ou conjuntos de dados. Este trabalho apresenta um novo método de classificação que transforma as trajetórias em séries temporais, de forma a obter características mais discriminativas para a classificação. Experimentos com dados reais mostraram que o método proposto é melhor do que abordagens existentes.
publishDate 2011
dc.date.issued.fl_str_mv 2011
dc.date.accessioned.fl_str_mv 2012-09-19T01:35:59Z
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/10183/55445
dc.identifier.nrb.pt_BR.fl_str_mv 000858250
url http://hdl.handle.net/10183/55445
identifier_str_mv 000858250
dc.language.iso.fl_str_mv por
language por
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/10183/55445/1/000858250.pdf
http://www.lume.ufrgs.br/bitstream/10183/55445/2/000858250.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/55445/3/000858250.pdf.jpg
bitstream.checksum.fl_str_mv 408dc5a488b0bdba98f4b43a60bdeb0b
8d7e6a1abdf88c44e7e20b61177eb236
e58dd0c709f44aafdc0de9b5cbf7c352
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_ 1810088806680887296

Registros relacionados