A framework for trajectory data mining
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Biblioteca Digital de Teses e Dissertações do INPE |
Texto Completo: | 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_ |
1706809360086204416 |