INFORMATION TECHNOLOGY FOR TRAJECTORY DATA MINING

Марина  Сидорова; Олег  Байбуз; Ольга  Верба; Павло  Підгорний

doi:10.15407/scine17.03.078

Автор(и)

Марина Сидорова Дніпровський національний університет імені Олеся Гончара https://orcid.org/0000-0001-7795-0459
Олег Байбуз Дніпровський національний університет імені олеся Гончара https://orcid.org/0000-0001-7489-6952
Ольга Верба Дніпровський національний університет імені Олеся Гончара https://orcid.org/0000-0003-1030-4377
Павло Підгорний Дніпровський національний університет імені Олеся Гончара https://orcid.org/0000-0002-6005-9739

DOI:

https://doi.org/10.15407/scine17.03.078

Ключові слова:

Ключові слова: інформаційні технології, виявлення шаблонів, траєкторії руху, точки та послідовності інтересу, кластерний аналіз, міра подібності.

Анотація

Вступ. Сучасні технічні досягнення дозволяють майже постійно відслідковувати та фіксувати рух об’єктів у просторі та часі. Виявлення цікавих закономірностей у цих даних, популярних маршрутів, звичок та аномалій у переміщенні
об'єктів, розуміння мобільної поведінки є актуальними завданнями у різних сферах застосування, таких як маркетинг, містобудування, транспорт, біологія, екологія тощо.
Проблематика. Для отримання корисної інформації з даних траєкторій руху об’єктів важливим є розробка й удосконалення математичних методів просторово-часового аналізу та реалізація їх у вигляді сучасного програмного забезпечення.
Мета. Розробка інформаційної технології інтелектуального аналізу траєкторій руху об’єктів.
Матеріали й методи. Інформаційна технологія містить три основні алгоритми: визначення ключових точок та послідовностей інтересу на основі щільнісної кластеризації траєкторій руху об’єктів дослідження; виявлення закономірностей пересування об’єкта на основі асоціативних правил та ієрархічного кластерного аналізу його траєкторій руху у часовому проміжку спостережень, міру подібності запропоновано обчислювати на основі методу DTW та модифікованої формули гаверсинусів; новий алгоритм пошуку сталих маршрутів та виявлення груп схожих об’єктів за
усіма досліджуваними траєкторіями у часі на основі ансамблевої кластеризації. Вибір параметрів кластеризації здійснюється за допомогою багатокритеріальної оцінки якості.
Результати. Створено сучасне програмне забезпечення, що реалізовує запропоновані алгоритми, забезпечує зручну взаємодію з користувачем й різноманітні засоби візуалізації. Розроблені алгоритми та програмне забезпечення детально протестовано на штучних траєкторіях рухомих об'єктів та застосовано до аналізу реальних відкритих баз даних.
Висновки. Експериментально підтверджено ефективність розробленої інформаційної технології, яку може бути
впроваджено на практиці для інтелектуального аналізу траєкторій у різних галузях.

Завантаження

Дані завантаження ще не доступні.

Посилання

Atluri, G., Karpatne, A., Kumar, V. (2018). Spatio-Temporal Data Mining: A Survey of Problems and Methods. ACM Computing Surveys, 51(4), 83:1—83:41. doi: 10.1145/3161602

Andrienko, N., Andrienko, G. (2006). Exploratory Analysis of Spatial and Temporal Data: A Systematic Approach. Springer. Berlin. 703 p.

Venkateswara Rao, K., Govardhan, A., Chalapati Rao, K. V. (2012). Spatiotemporal data mining: issues, tasks and applications. International Journal of Computer Science & Engineering Survey (IJCSES), 3(1), 39—52. doi: 10.5121/ijcses.2012.3104

Mazimpaka, J. D., Timpf, S. (2016). Trajectory data mining: A review of methods and applications. Journal of spatial information science, 13(1), 61—99. doi: 10.5311/JOSIS.2016.13.263

Tanuja, V., Govindarajulu, P. (2016). A Survey on Trajectory Data Mining. International Journal of Computer Science and Security (IJCSS), 10(5), 195—214.

Zheng, Y. (2015). Trajectory Data Mining: An Overview. ACM Transactions on Intelligent Systems and Technology, 6(3), 29:1—29:41. doi: http://dx.doi.org/10.1145/2743025

Suzuki, J., Suhara, Y., Toda, H., Nishida, K. (2019). Personalized Visited-POI Assignment to Individual Raw GPS Trajectories. ACM Transactions on Spatial Algorithms and Systems, 5(3), 16:1—16:31. doi.org/10.1145/3317667

Huang, J., Liu, Y., Chen, Y., Jia, Ch. (2019). Dynamic Recommendation of POI Sequence Responding to Historical Trajectory. International Journal of Geo-Information, 8(10), 433:1—433:15. doi: 10.3390/ijgi8100433

Gonçalves, T., Afonso, A. P., Martins, B. (2015). Cartographic visualization of human trajectory data: overview and analysis. Journal of Location Based Services, 9(2), 138—166. doi: 10.1080/17489725.2015.1074736

Cai, L., Zhou, Y., Liang, Y., He, J. (2018). Research and Application of GPS Trajectory Data Visualization. Annals of Data Science, 5(1), 43—57. doi: 10.1007/s40745-017-0132-1

Sidorova, M., Pidhornyi, P. (2018, February). Software for spatio-temporal trajectory analysis and pattern mining. Proceedings of 14th International Conference on Advanced Trends in Radioelecrtronics, Telecommunications and Computer Engineering (TCSET). Slavske, 958—961. doi: 10.1109/TCSET.2018.8336352

Sidorova, M. (2012, February).Information technology of evaluation and improvement the quality of cluster analysis. Proceedings of International Conference on Modern Problem of Radio Engineering, Telecommunications and Computer Science. Lviv-Slavske, 390.

Baibuz, O. G., Sidorova, M. G. (2014). Information technology of the multivariate time series fuzzy clustering on the example of the samara river hydrochemical monitoring. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, 2014(5), 11—18 [in Ukrainian].

Geolife GPS trajectory dataset — User Guide. URL: https://www.microsoft.com/en-us/research/publication/geolifegps-trajectory-dataset-user-guide/ (Last accessed: 24.03.2020).

African Elephant Database. URL: https://www.iucn.org/ssc-groups/mammals/african-elephant-specialist-group/african-elephant-database (Last accessed: 24.03.2020).

TLC Trip Record Data. URL: https://www1.nyc.gov/site/tlc/about/tlc-trip-record-data.page (Last accessed: 24.03.2020).