Mining Object Movement Patterns from Trajectory Data - LIRMM - Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier Access content directly
Theses Year : 2013

Mining Object Movement Patterns from Trajectory Data

Une approche unifiée pour extraire des motifs à partir de données de trajectoires

Abstract

Mining object movement patterns to understand the behavior of moving objects has many high impact applications. However even if existing pattern models are meaningful, there are still challenging issues such as: 1) there are many kinds of patterns and algorithms without an efficient management scheme, 2) lacking of relevant approaches in dealing with time gaps, 3) they usually focus on an unchanged group of objects and thus do not capture the behavior of the whole object class, 4) Naturally, there are huge amount of very redun- dant movement patterns extracted while only a few of them are meaningful. However, few researchers address this issue. 5) Despite the growing demands for diverse applications, there have been few scalable tools for mining massive and sophisticated moving object data. In my thesis, I will mainly focus on addressing these issues. We propose the three step framework: 1) the first step aims to present and framework to mine and manage different existing movement patterns in an efficient way, 2) in the second step, we propose novel movement pattern concepts to access the relevance of movement patterns by dealing with time gaps. We also further present the gradual trajectory pattern notion to analysis the behavior of moving objects in a graduality point of view. 3) In the last step, we propose an novel MDL principal-based approach, named SmartCompo to extract representative movement patterns from moving object data. 4) Our three step framework is illustrated in a demonstration system, named Multi_Move, which is designed to extract and manage dif- ferent kinds of spatio-temporal patterns concurrently. A user-friendly interface is provided to facilitate interactive exploration of mining results. As an extra work, I further present the concept of multi-relational gradual pattern which generalizes the gradual pattern notion in single relation data to multi-relation database.
La fouille de motifs d'objets en mouvement pour mieux appréhender le comportement des objets a de très nombreuses applications. Cependant, même si les modèles de motifs existants sont très pertinents, il existe de nombreuses challenges: 1) il existe de très nombreux types de motifs qu'il est difficile d'appréhender, 2) il n'existe pas d'approches qui considèrent véritablement les différences entre estampilles temporelles, 3) elles se focalisent sur un seul type de motifs et ne sont donc pas capable de faire émerger d'autres motifs qui pourraient être intéressant, 4) elles engendrent une grande quantité de motifs et seulement quelques uns d'entre eux sont utiles, 5) généralement elles ne sont pas capables de prendre en compte des données fortement très volumineuses et évolutives. Dans cette thèse, je fais différentes propositions pour répondre à ces challenges. Nous proposons une approche en trois étapes : 1) la première étape propose une approche unifiée pour extraire l'ensemble des trajectoires de la literature, 2) nous proposons ensuite une nouvelle approche originale pour gérer les évolutions au cours du temps des trajectoires et proposons la notion de trajectoires graduelles pour analyser le comportement des objets de manière graduelle, 3) dans la dernière étape nous proposons une approche, appelée SmartCombo, inspirée de MDL, pour extraire l'ensemble des trajectoires représentatives (top-k) à partir de données spatio-temporelles. Nous montrons également le système développé, Multi-Move, qui via une interface graphique permet d'extraire et de visualiser l'ensemble des trajectoires. En complément nous présentons également des recherches que nous avons menées pour généraliser les motifs graduels en prenant en compte des bases de données multi-relationnelles.
Fichier principal
Vignette du fichier
these_Phan.pdf (13.65 Mo) Télécharger le fichier
Loading...

Dates and versions

tel-01379206 , version 1 (11-10-2016)

Identifiers

Cite

Nhat Hai Phan. Mining Object Movement Patterns from Trajectory Data. Databases [cs.DB]. Université Monpellier 2, 2013. English. ⟨NNT : ⟩. ⟨tel-01379206⟩
231 View
426 Download

Share

Gmail Facebook X LinkedIn More