DISCOVERING MOTIFS RESTRICTED IN SPACE-TIME - LIRMM - Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier Access content directly
Theses Year : 2021




Many phenomena can be observed and organized as a sequence of observations on a timeline that can be modeled as a time series. A relevant area that is being explored in time series analysis is pattern discovery. Patterns are subsequences of time series related to some special properties or behaviors. A particular pattern that occurs a significant number of times in time series is called motif. Several important phenomena of a time series present different behaviors when observed at points in space (for example, series collected by sensors and IoT) and are best modeled as space-time series. Each time series is associated with a position in space. A space-time pattern is a sequence of events that are limited in space and time. Finding patterns that are frequent and restricted in space and time can allow us to understand how a phenomenon occurs. Several works have been developed to identify motifs in time series. However, studies that address spatiotemporal data techniques have not been identified. In this thesis, we compare different approaches to identifying motifs in time series with their main differences. We propose two methods for automatically identifying space-time restricted motifs in space-time series, the CSA and CSTMP. We experimentally compare the pro- posed methods with two other alternative methods: the Matrix Profile technique and the ensemble of the Matrix Profile and DBScan techniques. Our results show that CSA and CSTMP are innovative and obtain results that outperform the state-of-the-art techniques for time series and their adaptations for space-time series, being evaluated in two datasets.
De nombreux phénomènes peuvent être observés et organisés sous forme d’une séquence d’observations sur une chronologie pouvant être modélisée sous forme de série chronologique. Un domaine pertinent exploré dans l’analyse des séries chronologiques est la découverte de modèles. Les modèles sont des sous-séquences de séries temporelles liées à certaines propriétés ou comportements particuliers. Un motif particulier qui apparaît un nombre important de fois dans une série chronologique est appelé motif. Plusieurs phénomènes importants d'une série temporelle présentent des comportements différents lorsqu'ils sont observés à des points de l'espace (par exemple, des séries collectées par des capteurs et l'IoT) et sont mieux modélisés sous forme de séries spatio-temporelles. Chaque série temporelle est associée à une position dans l'espace. Un modèle espace-temps est une séquence d’événements limités dans l’espace et dans le temps. Trouver des modèles fréquents et restreints dans l’espace et dans le temps peut nous permettre de comprendre comment un phénomène se produit. Plusieurs travaux ont été développés pour identifier des motifs dans des séries chronologiques. Cependant, aucune étude portant sur les techniques de données spatiotemporelles n’a été identifiée. Dans cette thèse, nous comparons différentes approches pour identifier des motifs dans des séries temporelles avec leurs principales différences. Nous proposons deux méthodes pour identifier automatiquement les motifs spatio-temporels restreints dans les séries spatio-temporelles, le CSA et le CSTMP. Nous comparons expérimentalement les méthodes proposées avec deux autres méthodes alternatives : la technique Matrix Profile et l’ensemble des techniques Matrix Profile et DBScan. Nos résultats montrent que CSA et CSTMP sont innovants et obtiennent des résultats qui surpassent les techniques de pointe pour les séries temporelles et leurs adaptations pour les séries spatio-temporelles, évaluées dans deux ensembles de données.
Fichier principal
Vignette du fichier
8. Tese Final_DSC_Heraldo.pdf (3.91 Mo) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

tel-04301030 , version 1 (22-11-2023)


  • HAL Id : tel-04301030 , version 1


Heraldo Borges. DISCOVERING MOTIFS RESTRICTED IN SPACE-TIME. Computer Science [cs]. CEFET-RJ, Rio de Janeiro, Brazil, 2021. English. ⟨NNT : ⟩. ⟨tel-04301030⟩
33 View
4 Download


Gmail Facebook X LinkedIn More