A recurrent neural network approach for multiple-aspect trajectory classification via space, time, and semantic embeddings

Abstract

Com a popularização de redes sociais baseadas em localização na última década e, consequentemente, o enriquecimento semântico de dados de mobilidade em diferentes contextos, um grande volume de dados de trajetórias é gerado diariamente. Diferentemente de dados de trajetória bruta obtidos de dispositivos GPS, trajetórias de redes sociais atreladas à múltiplos contextos são dados mais complexos, pois apresentam diversos atributos textuais com diferentes semânticas, além das dimensões espacial e temporal, o que pode revelar padrões de mobilidade interessantes. Por exemplo, pessoas podem visitar lugares diferentes ou realizar atividades distintas de acordo com as condições climáticas. De forma similar, animais talvez escolham seu habitat baseado nas características climáticas e cobertura de vegetação do lugar. À este novo dado espaçotemporal semanticamente rico se dá o nome de trajetória multiaspecto. Este novo tipo de dado complexo traz novos desafios para a classificação de trajetórias, que é o problema tratado nesta dissertação. O problema de classificação de trajetórias consiste na categorização de um objeto móvel de acordo com a sua trajetória. A maioria dos métodos existentes para classificação de trajetórias não suportam dimensões heterogêneas incluindo dados textuais semânticos, não consideram o aspecto sequencial do movimento, e/ou são muito custosos computacionalmente. Neste trabalho é proposto o método MARC, uma abordagem baseada em técnicas de embedding de atributos e redes neurais recorrentes, para a classificação de trajetórias multiaspecto, tratando todos aspectos possíveis de trajetórias como espaço, tempo, semântica e sequência. MARC é o primeiro método para classificação de trajetórias que suporta todas as dimensões, incluindo a dimensão espacial. MARC apresenta bom desempenho especialmente quando trajetórias possuem vários atributos textuais/categóricos. Resultados experimentais em quatro conjuntos de dados disponíveis no domínio público mostram que o método proposto obtém valores de acurácia, precisão, cobertura e F1-score superiores ao estado da arte.

Abstract: The increasing popularity of Location-Based Social Networks (LBSNs) and the semantic enrichment of mobility data in several contexts in the last few years has led to the generation oflarge volumes of trajectory data. In contrast to GPS-based trajectories, LBSN and context-awaretrajectories are more complex data, having several semantic textual dimensions besides spaceand time, which may reveal interesting mobility patterns. For instance, people may visit differentplaces or perform different activities depending on the weather conditions and their geographical location. Animals may choose their habitat based on climate and vegetation characteristics.These new semantically rich data, known as multiple-aspect trajectories, pose new challengesin trajectory classification, which is the problem that we address in this thesis. Existing methodsfor trajectory classification cannot deal with the complexity of heterogeneous data dimensionsor the sequential aspect that characterizes movement. In this work we propose MARC, anapproach based on attribute embedding and Recurrent Neural Networks (RNNs) for classifyingmultiple-aspect trajectories, that tackles all trajectory properties: space, time, semantics, andsequence. We highlight that MARC exhibits good performance especially when trajectories aredescribed by several textual/categorical attributes. Experiments performed over four publiclyavailable datasets considering the Trajectory-User Linking (TUL) problem show that MARCoutperformed all competitors in all datasets, with respect to accuracy, precision, recall, andF1-score.