On computing representative data for summarizing multiple aspect trajectories

Abstract

Nos últimos anos, houve um aumento significativo na coleta de dados de mobilidade, impulsionado pela proliferação da Internet das Coisas. Esses dados abrangem uma ampla gama de fontes, fornecendo informações detalhadas sobre movimento e localização ao longo do tempo, formando o que é denominado como trajetória de objetos móveis. Esses dados de mobilidade não se limitam apenas à sequência de movimentação no espaço e tempo, mas também englobam uma variedade de aspectos relacionados ao objeto em movimento, ao ambiente e ao trajeto em si, originando as chamadas trajetórias de múltiplos aspectos. Por exemplo, ao rastrear a trajetória de movimento de um indivíduo ao longo do dia, é possível capturar não apenas informações sobre sua localização, mas também dados relacionados à sua saúde, condições climáticas, locais visitados e modos de transporte utilizados. Essa abundância de dados de mobilidade proporciona perspectivas promissoras para análises mais aprofundadas e compreensão das dinâmicas de movimento em diferentes domínios de aplicação, incluindo controle de tráfego, previsão de eventos extremos (como furacões e tsunamis), sistemas de recomendação, entre outros. No entanto, lidar eficientemente com esses vastos volumes de dados heterogêneos representa um desafio considerável, dificultando a extração de insights valiosos, tanto devido à complexidade dos dados quanto ao seu processamento. Nesse contexto, a sumarização de trajetórias gerando dados representativos emerge como uma potencial solução para minimizar esses desafios na manipulação de dados de trajetórias com múltiplos aspectos. Os métodos atuais de sumarização de dados de trajetórias frequentemente se concentram apenas nas dimensões espacial e temporal, ignorando os múltiplos aspectos semânticos dos dados. Neste contexto, este trabalho propõe o desenvolvimento de novos algoritmos para sumarizar dados de trajetórias de múltiplos aspectos. Duas abordagens são apresentadas: MAT-SG, baseada na densidade espacial dos dados, e MAT-SGT, baseada na densidade espacial e temporal. Resultados experimentais demonstraram a eficácia das abordagens propostas em diferentes conjuntos de dados, destacando sua capacidade de fornecer uma representação significativa das trajetórias de mobilidade. Além disso, uma medida de representatividade é introduzida neste trabalho para avaliar a qualidade dos dados representativos gerados.

Abstract: In recent years, the widespread adoption of the Internet of Things has led to a significant increase in the production and collection of mobility data. Various sources have provided this data, which provides comprehensive details about data movement and position over time, commonly referred to as the trajectory of moving objects. Mobility data not only encompasses space and time but also includes multiple aspects related to the movement object, the environment, and the trajectory, resulting in multiple-aspect trajectories. For instance, by analyzing the trajectory movement of an individual during one day, it is possible to identify information about her/his position, time occurrence, health, weather conditions, visited places, and transportation modes. This large volume of data provides diverse perspectives for analyzing and understanding movement dynamics across various application domains, such as traffic control, forecasting extreme events (such as hurricanes and tsunamis), recommendation systems, and more. However, managing trajectory data poses challenges, making it difficult to efficiently extract valuable insights due to data complexity and processing requirements. In this context, trajectory summarization, which computes representative data, emerges as a potential solution to mitigate these challenges in handling multiple-aspect trajectory data. State-of-the-art methods often focus only on spatial and temporal dimensions, overlooking multiple semantic aspects. Hence, the objective of this thesis is to develop new algorithms for summarizing multiple-aspect trajectories by computing representative data. Our main contributions involve two novel methods: MAT-SG, based on spatial density, and MAT-SGT, based on both spatial and temporal density. Experimental results have demonstrated the efficacy of both proposed methods across different dataset types, highlighting their ability to provide a significant representation of input data. Additionally, a representative measure is introduced to evaluate the quality of computed data representatives.