Descoberta de Padrões de Perseguição em Trajetórias de Objetos Móveis Fernando de Lucca...
-
Upload
anibal-lopes-barbosa -
Category
Documents
-
view
215 -
download
1
Transcript of Descoberta de Padrões de Perseguição em Trajetórias de Objetos Móveis Fernando de Lucca...
1
Descoberta de Padrões de Perseguição em Trajetórias de Objetos Móveis
Fernando de Lucca Siqueira ([email protected])
2
Sumário Introdução e Motivação Objetivo Definições e Algoritmo Experimentos Conclusão
3
Introdução e Motivação Popularização de dispositivos móveis
GPS, celulares, redes de sensores, etc Geração de grandes volumes de um novo tipo
de dado Trajetórias de Objetos Móveis
Dado espaço-temporal Conjunto de pontos localizados no tempo e no espaço
na forma (tid,x,y,t)
4
Introdução e Motivação Aplicações
Monitoramento de tráfego urbano Monitoramento de animais Análise de movimento humano ...
Dados brutos Difícil análise Contém pouca informação e conhecimento interessante
5
Introdução e Motivação
T2T3
T1
F1F1 F1
F1
Flock (Laube, 2005)
Encontro (Laube, 2005)
Avoidance (Alvares et al., 2011)
CB-SMoT (Palma et al., 2008)
6
Objetivo
Definir o padrão de perseguição em trajetórias de objetos móveis e um algoritmo para
identificá-lo.
7
Aplicações Aplicações
Monitoramento de presos em regime semi-aberto Análise de comportamento de animais (ex: animais em
extinção) Estratégias de jogos de futebol Jogos de computador ...
8
O método proposto
9
O que é um padrão de perseguição? Dois objetos que andam próximos no espaço
em tempo similar, onde um é o alvo da perseguição e o outro o perseguidor, respeitando:
Tolerância de tempo (Δt) Distância entre os objetos (Δd) Duração mínima (Δc)
10
Candidato a Perseguição Análise de sub-trajetórias Tolerância de tempo Δt Intervalo de tempo entre S1 e S2
Tempos similares
1:001:05
1:10 1:151:20
1:25 1:30 1:351:40
1:451:501:55
1:051:10
1:151:201:25
1:301:35
1:321:40 1:45
1:50
2:00
1:33
2:05
11
Linha Representativa Otimizar o cálculo da distância Segmento de linha L formada pelo primeiro e
último ponto de uma sub-trajetória S = {p3, p4, p5, p6, p7} L = (p3,p7)
1:001:05
1:10 1:151:20
1:25 1:30 1:351:40
1:451:501:55
p1p2
p3
p7 p8
p12
Sub-Perseguição Entre candidatos a perseguição S1 e S2 Distância Δd Para cada ponto pi є S1, verifica distância com L2
Média das distâncias ≤ Δd
d1 d2 d3
1:001:05
1:10 1:151:20 1:45
1:501:55
1:051:10
1:151:201:25
1:30p1p2
q1q2
p7 p9
q8q11
1:50
2:002:05
12
13
Conjunto de Sub-Perseguições Duração maior que Δc
Dois algoritmos de perseguição Puro (Pure Tra-Chasing - PTC) Considerando velocidade (Speed Tra-Chasing - STC)
Perseguição
1:001:05
1:10 1:151:20
1:25 1:30 1:351:40
1:451:501:55
1:051:10
1:151:201:25
1:301:35
1:321:40 1:45
1:50
2:00
1:33
Sub-Perseguição 1 Sub-Perseguição 2 Sub-perseguição 3 2:05
14
Problemas do Padrão de Perseguição Problemas
Falsos Positivos (ex: um conjunto de carros em uma rodovia)
Objetivo da Perseguição
Possíveis Soluções Definir tipos de perseguição com características
diferentes Não considerar perseguição quando um alvo tem vários
perseguidores
15
Tipos de Perseguição Comportamento da perseguição
Como as trajetórias se comportam durante e depois da perseguição? O que o perseguidor faz quando o alvo para? O que acontece depois que as duas trajetórias se encontram?
Analisar Stops CB-SMoT (Palma, 2008)
Detetive Captura
AssaltoCaçada
16
Detetive
15:00
15:10 15:50
15:50
15:30
19:30
19:30
19:00
19:00
23:0023:00
Cada vez que o alvo para, o perseguidor para atrás As trajetórias não se encontram
17
Captura
15:00
16:20
16:20
15:20
15:10
15:30
20:00
20:0020:10
20:1023:10
23:10
Depois de um encontro, ambas as trajetórias andam juntas
Todos os locais de parada serão os mesmos
18
Assalto
15:00
15:10
16:20
16:2015:20
15:30 20:00 20:10
20:50
Depois do encontro, ambas as trajetórias se distanciam
19
Caça
15:00
16:2016:20
15:1015:20
15:30
19:00
Quando as trajetórias se encontram, o alvo é imobilizado
A trajetória do alvo termina depois do encontro
20
Algoritmo Tra-Chase
Candidato a
perseguição
Sub-perseguiçã
o
Verifica duração
Calcula stops
Verifica tempo do
stops
Detetive
≠
Nome
=
Trajetória do alvo termina
Trajetórias se afastam
Vários stops iguais
Caça
Assalto
Captura
T, Δd, Δt, Δc
Remover múltiplos
perseguidores
21
Trabalhos RelacionadosMétodo Perseguiçã
oFormalização
Tempo Velocidade
Distância
Duração
Algoritmo
TRA-CHASE X X Tolerância
X X X X
CDA (Cao 2006) Timestamp
X X X
MFF (Wachowicz 2011) Timestamp
X X X X
Dodge (2008) X* Timestamp
X X
Hornsby (2008) Timestamp
X
Legendre (2006) X X Timestamp
X X
22
Experimentos Quatro conjuntos de dados
Trajetórias sintéticas (Wachowicz et al. 2011) Trajetórias reais (Gincana em Amsterdã) Trajetórias geradas (Caminhada em Jurerê) Trajetórias geradas com tipos (Caminhada na
UFSC)
23
Gincana em Amsterdã Gincana em Amsterdã
Gincana móvel Perguntas sobre pontos históricos Alunos divididos em grupos (azul, verde, amarelo, etc)
Hipótese Aluno pode perseguir outro aluno de grupo diferente
24
Gincana em Amsterdã
25
Gincana em Amsterdã
26
Caminhada em Jurerê
27
Caminhada em Jurerê
28
Caminhada em Jurerê
29
Caminhada na UFSC Simulações diferentes:
Detetive Alvo deve andar e parar em pontos específicos Perseguidor deve perseguir o alvo evitando ser visto
Caça Alvo deve andar até ser interceptado pelo perseguidor e
desligar o gps Perseguidor deve perseguir alvo até certo ponto,
interceptar o alvo e seguir em frente
30
Caminhada na UFSC (Detetive)
31
Caminhada na UFSC (Detetive)
T1
T2
32
Caminhada na UFSC (Caça)
T3
T4
33
Caminhada na UFSC (Caça)
T4
T3
34
Análise dos Parâmetros Sobre o conjunto de dados gerados Conclusão:
Tempo Distância
Todos os parâmetros dependem da aplicação e dos dados
Exemplos: Perseguição em trajetórias de pedestres no centro de uma
cidade cheia ou vazia, onde as trajetórias fazem vários desvios;
Perseguição em trajetórias de pedestres numa praia deserta ou lotada;
Perseguição em trajetórias de estudantes no campus em horários diferentes.
35
Conclusão Trajetórias são dados difíceis de serem
analisados na forma como são gerados Trajetórias podem ter vários comportamentos
como Flock, avoidance, liderança, padrões periódicos e
perseguição Diferentes algoritmos extraem estes padrões
Contribuição do trabalho: Definição do padrão de perseguição e seus tipos Algoritmo para computá-lo Experimentos para avaliar o algoritmo Análise dos parâmetros
36
Trabalhos Futuros Outras formas de validação
Período do dia, local, etc... Definir medidas de confiança Utilizar informação de contexto Novos tipos de perseguição
Tipo do objeto, velocidade, etc... Aplicações em tempo real
37
Publicações Artigo publicado na revista internacional
Transactions in GIS (Qualis B2) Discovering Chasing Behavior in Moving Object
Trajectories Workshop de Teses e Dissertações do
SBBD/2011 Short paper publicado no GeoInfo/2011
CLASS-CHASE: Um Algoritmo para Classificação de Tipos de Padrões de Perseguição em Trajetórias de Objetos Móveis
Prêmio de segundo melhor artigo do evento
38
Descoberta de Padrões de Perseguição em Trajetórias de Objetos Móveis
Aluno: Fernando de Lucca Siqueira ([email protected])Orientadora: Drª Vania Bogorny
39
t1 t2t2 + Δt
1:001:05
1:10 1:151:20
1:25 1:30 1:351:40
1:451:501:55
1:051:10
1:151:201:25
1:301:35
1:321:40 1:45
1:50
2:00
1:33
para Δt = 5s
Candidato a Perseguição
T1
T2
p1p2
q1q2
40
target
stalker
1:001:05
1:10 1:151:20
1:25 1:30 1:351:40
1:451:501:55
1:051:10
1:151:201:25
1:301:35
1:321:40 1:45
1:50
2:00
1:33
Perseguição
41
Sub-Trajetória Trajetória
T = (p1, p2, .... pm) Sub-Trajetória S1 de uma trajetória T1
S1 = (pi, pi+1, ..., pi+n) onde pi є T1
1:051:10 1:15
1:201:25 1:30 1:351:40
1:451:501:55
1:101:15
1:201:251:30
1:351:32
1:40 1:451:50
2:00
1:33
1:00
1:05p1
p2p7 p8 p9
T1
T2
S1S2
42
Sub-Trajetória Trajetória
T = (p1, p2, .... pm) Sub-Trajetória S1 de uma trajetória T1
S1 = (pi, pi+1, ..., pi+n) onde pi+n.time ≤ pi.time+tj
1:001:05
1:10 1:151:20
1:25 1:30 1:351:40
1:451:501:55
1:051:10
1:151:201:25
1:301:35
1:321:40 1:45
1:50
2:00
1:33
Tempo de agrupamento tj = 10s
43
Definições
44
Candidate Chasing Entre duas sub-trajetórias S1 e S2 Time tolerance Intervalo de tempo entre S1 e S2
Seja p ponto de S1 e q ponto de S2 qm.time ≤ pn.time + Δt
45
T1 T2T2 + Δt
1:001:05
1:10 1:151:20
1:25 1:30 1:351:40
1:451:501:55
1:051:10
1:151:201:25
1:301:35
1:321:40 1:45
1:50
2:00
1:33
para Δt = 5s
Candidate Chasing
46
T1 T2T2 + Δt
1:001:05
1:10 1:151:20
1:25 1:30 1:351:40
1:451:501:55
1:051:10
1:151:201:25
1:301:35
1:321:43 1:45
1:50
2:00
1:33
para Δt = 5s
Candidate Chasing: Contra-Exemplo
47
Sub-Chasing Verifica distância de S1 com L2 e S2 com L1 Ambas sub-trajetórias devem estar perto da
Representative Segment Line
48
Pseudo Código
49
Pseudo Código
50
Pseudo Código
51
Pseudo Código
52
Experimento 1 Δd = 80m; Δt = 5min, Δc = 10min
53
Conclusão Definição do padrão de perseguição Algoritmo encontra padrões que outros não
encontram Nova técnica de agrupamento de sub-
trajetórias (tempo) Nova técnica de cálculo de distâcia
54
Trabalhos Relacionados Cao et al. 2006; Collocation Discovery
Algorithm Wachowicz et al. 2011; Finding moving flock
patterns among pedestrian through collective coherence
Dodge et al. 2008; Towards a taxonomy of movement patterns
Hornsby et al. 2008; Modeling motion relations for moving objects on road networks.
Legendre et al. 2006; Modeling mobility with behavioral rules
55
56
Conclusões Mesmos parâmetros com semânticas
diferentes