Métodos para instanciar stops e moves IB-SMoT CB-SMoT DB-SMoT.

transcript

Métodos para instanciar stops e moves

• IB-SMoT

• CB-SMoT

• DB-SMoT

A Clustering-based Approach for Discovering Interesting Places in Trajectories (Andrey Palma, Vania Bogorny, Bart Kuijpers and Luis Otavio Alvares), Proc. of the ACM 23rd Annual Symposium on Applied Computing, (ACM-SAC'08), Fortaleza, Brazil, 16-20 March 2008, p.863-868.

79 citações em 18/10/2012

A Clustering-Based Approach forDiscovering Interesting Places in

Trajectories

Andrey Luis T. Palma

Prof Dr. Luis Otavio Alvares (Orientador)Prof Dra. Vania Bogorny

(Co-Orientadora)

Objetivo

• Considerar a velocidade no processo de atribuição de semântica

Uso de clusterização para identificação de trechos lentos da trajetória (cluster=subtrajetória com baixa velocidade)

Algoritmo CB-SMoT

Dois passos principais:

1. Encontrar as partes lentas da trajetória (clusters)

2. Atribuir mais semântica aos clusters encontrados

CB-SMoT: Clusterização

Pontos são tratados tanto espacial como temporalmente

Clusters são encontrados dentro da trajetória – as partes lentas da trajetória

Idéia geral• Encontrar as partes (subtrajetórias) lentas da

trajetória• Partes lentas = com velocidade média menor que

um certo limite – parâmetro maxAvgSpeed (relativo a velocidade média

da trajetória)• Partes lentas tem que ter uma duração mínima

– Parâmetro minTime • Não queremos pontos de alta velocidade no cluster

– Parâmetro maxSpeed (relativo a velocidade média da trajetória)

Exemplo de trajetória

velocidade

tempop11

maxSpeed

p12p2p1

p5p4p6

p17p16

p14p13

1. Calcula-se a velocidade em cada ponto (depende do tipo de dado de entrada)

2. Inicia-se o processamento com pontos de baixa velocidade (eficiência): p11 no exemplo

3. A partir deste ponto, pega-se, sucessivamente, o seu vizinho mais lento (desde que sua velocidade não seja superior a maxSpeed e o ponto não pertença a outro cluster): p10,p12,p9,p13, p14,… até que a subtrajetória tenha duração maior que minTime

Passos do algoritmo:

maxSpeed

velocidade

p12p2p1

p5p4p6

p17p16

p14p13

minTime

4. Se a velocidade média da subtrajetória não for superior a maxAvgSpeed, temos um cluster, que vai ser expandido com o vizinho mais lento que não pertença a outro cluster, enquanto a sua velocidade média não for superior a maxAvgSpeed

Passos do algoritmo (cont.):

Resultado

velocidade

p12p2p1

p5p4p6

p17p16

p14p13

maxSpeed

CB-SMoT: Tolerância a perdas de sinal

1) Trajetória entra em uma contrução

2) Sinal do GPS é perdido na construção

3) Ao se recuperar o sinal é possível identificar uma baixa velocidade naquele período de perda

Algoritmo CB-SMoTCBSMoT(T,avg,MT,SL,A)INPUT:T : Trajectory avg: maxAverageSpeed MT : minTime SL : maxSpeed

A : Application

1: SpeedClustering(T,avg,MT,SL);2: T.unifyAdjacentClusters();3: Points = T.clusterPoints();4: Points.sortByTime();5: FOR EACH p IN Points DO6: IF p intersects some candidate stop C THEN7: List.add(new Association(p,C));8: ELSE9: List.add(new Association(p,null));10: ENDIF11: ENDFOR12:StopsDiscovering(List);

CB-SMoT: Atribuição de Semântica

• Primeiro significado semântico é intrínseco ao passo de clusterização

Agregação de mais significado depende da aplicação (conjunto de RF)

passo 1: determinar os clusters

passo 2: adicionar semântica a cada cluster

2.1: se intersecta por t stop

Louvre 09-12

Orsay16-17

IbisH. 13-14

Unknown stop

2.2: senão unknown stop

Algoritmo CB-SMoT

Análise dos parâmetros

• Variação do parâmetro minTime

• Variação do parâmetro maxAvgSpeed

• Variação do parâmetro maxSpeed

Variação do MinTime com maxAvgSpeed = 0.8 e maxSpeed = 1.0

MinTime = 90 s

MinTime = 120 s

MinTime = 150 s

Variação do maxAvgSpeed com MinTime = 30s e maxSpeed = 1.0

maxAvgSpeed = 0.6

maxAvgSpeed = 0.7

maxAvgSpeed = 0.8

Variação do parâmetro maxSpeed

maxAvgSpeed = 0.7MinTime = 30s

maxSpeed = 0.9

maxAvgSpeed = 0.7minTime = 30smaxSpeed = 1.5

maxAvgSpeed = 0.8minTime = 30s

maxSpeed = 1.0

maxAvgSpeed = 0.8minTime = 30smaxSpeed = 1.5

(a) 16:00 – 16:10

(b) 17:46 – 18:00

(c) 09:02 – 09:14

(d) 08:04 – 08:10

Clusters em Copacabana

(a) (b)

(c) (d)

Exemplo com dados reais do Rio de Janeiro

Anexos

• DB-SMoT: a Direction-based spatio-temporal clustering method (Jose Antonio Manso, Valeria Times, Gabriel Oliveira, Luis Otavio Alvares and Vania Bogorny), Proc. of the Fifth IEEE International Conference on Intelligent Systems (IEEE IS 2010), London, 7-9 July 2010.

Motivação• Análise em trajetórias de barcos de pesca com o objetivo de

determinar as zonas onde o barco estava efetivamente pescando

• Tentativas com o CB-SMoT não foram boas:

Motivação

• Especialista em pesca diz que durante a pesca o barco muda bastante de direção, o que não ocorre quando ele está navegando de um ponto a outro

• Idéia geral:

Fazer um algoritmo “similar ao CB-SMoT”, em que o atributo importante fosse a variação da direção

Algoritmo DB-SMoT

Dois passos principais:

1. Encontrar as partes da trajetória com grande variação de direção (clusters)

2. Atribuir mais semântica aos clusters encontrados (semelhante ao CB-SMoT)

Passo 1: clusterização - Idéia geral

• Os clusters correspondem a partes da trajetória em que há grande variação na direção

• Grande variação = variação de direção não inferior a um certo limite parâmetro minDirChange

• Cluster tem que ter uma duração mínima Parâmetro minTime

• Tolerância, em número máximo de pontos contíguos sem grande variação da direção, aceitável em um cluster. Parâmetro maxTol

Variação de direção

variação da direção

p15p14

p13p12

variação da direção

p15p14

p13p12

Exemplo de formação de cluster com maxTol = 1

Exemplo da pesca (dados reais)

Outro exemplo de trajetória de barco de pesca

Pesca efetiva Gerado pelo DB-SMoT

Métodos para instanciar stops e moves IB-SMoT CB-SMoT DB-SMoT.

Documents