Discovering motifs restricted in space-time - LIRMM - Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier Access content directly
Theses Year : 2021

Discovering motifs restricted in space-time

A la découverte de motifs fréquents limités en espace-temps

Abstract

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.
Tout phénomène peut être observé et organisé comme une séquence d'observations sur une ligne de temps qui peut être modélisée comme une série temporelle. Un domaine pertinent exploré dans l'analyse des séries temporelles est la découverte de modèles. Les modèles sont des sous-séquences de séries temporelles liées à des propriétés ou à des comportements particuliers. Un modèle particulier qui apparaît un nombre significatif de fois dans une série temporelle est appelé motif. Plusieurs phénomènes importants d'une série temporelle présentent des comportements différents lorsqu'ils sont observés à des points dans l'espace (par exemple, les séries collectées par des capteurs et l'IoT) et sont mieux modélisés en tant que séries spatio-temporelles. Chaque série temporelle est associée à une position dans l'espace. Un modèle spatio-temporel est une séquence d'événements limitée dans l'espace et le temps. Trouver des motifs fréquents et limités dans l'espace et le temps peut nous permettre de comprendre comment un phénomène se produit. Plusieurs travaux ont été développés pour identifier des motifs dans les séries temporelles. Cependant, les études portant sur les techniques de données spatio-temporelles n'ont pas été identifiées. Dans cette thèse, nous comparons différentes approches d'identification de motifs dans les séries temporelles avec leurs principales différences. Nous proposons deux méthodes pour identifier automatiquement les motifs restreints à l'espace-temps dans les séries spatio-temporelles, le CSA et le CSTMP. Nous comparons expérimentalement les méthodes proposées avec deux autres méthodes alternatives : la technique du profil matriciel et l'ensemble des techniques du profil matriciel et du DBScan. Nos résultats montrent que la CSA et la CSTMP sont innovantes 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
HeraldoBorges_Tese.pdf (2.97 Mo) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

tel-04301030 , version 1 (25-03-2023)
tel-04301030 , version 2 (22-11-2023)

Licence

Attribution

Identifiers

  • HAL Id : tel-04301030 , version 1

Cite

Heraldo Borges. Discovering motifs restricted in space-time. Computer Science [cs]. CEFET-RJ, Rio de Janeiro, Brazil, 2021. English. ⟨NNT : ⟩. ⟨tel-04301030v1⟩
82 View
52 Download

Share

Gmail Facebook X LinkedIn More