TRACTS Trajectory Classification using Time Series

1
TRACTSTrajectory Classification using Time Series

• Aluno Irineu Junior Pinheiro dos Santos
• Orientador Luis Otávio de Campos Álvares

2
Estrutura de Apresentação

• Introdução
• Conceitos Utilizados
• O Método TRACTS
• Experimentos Realizados
• Conclusão.

3
Introdução Motivação

• Grande disponibilidade de dados de trajetórias
• GPS
• Celulares (triangulação e GPS)
• RFID
• Análise dos padrões comportamentais dos objetos
  móveis a partir de suas trajetórias.

4
Introdução Motivação

• Diversos trabalhos tem sido propostos para
  realizar análise de dados espaço-temporais
• Poucos tem utilizado o conceito de classificação.

5
Introdução Objetivo do Trabalho
6
Estrutura de Apresentação

• Introdução
• Conceitos Utilizados
• Trabalhos Relacionados
• O Método TRACTS
• Experimentos Realizados
• Conclusão.

7
Conceitos Trajetória
8
Conceitos - Classificação

• Produzir um modelo de classificação
• Classificar novos registros.

9
Conceitos - Classificação

• Avaliação do modelo usando a Matriz de Confusão,
  gerando métricas
• Acurácia
• Erro
• Taxa de VP
• Taxa de VN

10
Conceitos Séries Temporais

• Séries temporais consistem de sequência de
  valores ou eventos obtidos sobre repetidas
  medidas de tempo
• Muitas aplicações envolvendo séries temporais tem
  sido utilizadas.

11
Conceitos Séries Temporais Transformações

• Discrete Fourier transform (DFT) (Faloutsos et.
  al., 1994 )
• Piecewise linear e Piecewise constant models
  (PAA) (Chakrabarti et. al, 2002)
• Haar Wavelet (Haar, 1910).
• Adaptative piecewise constant approximation
  (APCA) (Geurts, 2001)

12
Conceitos SAX

• Realiza o tratamento de séries temporais
• Facilita a mineração de dados através do uso de
  árvores de sufixo, hashing, modelos de markov,
  etc
• Permite o uso de algoritmos de processamento de
  texto e de bioinformática.

13
Conceitos SAX

• Primeiro é realizada a conversão da série
  temporal para uma representação PAA
• Após, é realizada a conversão da representação
  PAA para símbolos
• Manter a equiprobabilidade.

14
Conceitos SAX Múltiplas Séries Temporais
15
Conceitos Bitmaps de Séries Temporal

•  

16
Conceitos Bitmaps de Séries Temporal

•  

17
Conceitos Bitmaps de Séries Temporal

• Mapa de bits gerado para as strings c1 baccbdca
  e c2 dcddaabb.

18
Estrutura de Apresentação

• Introdução
• Conceitos Utilizados
• Trabalhos Relacionados
• O Método TRACTS
• Experimentos Realizados
• Conclusão.

19
Trabalhos Relacionados

• Trabalhos focados para um domínio específico
• (Panagiotakis et. al., 2009) baseado na
  similaridade
• Depende fortemente da relação espacial entre as
  trajetórias
• (Lee Hoff, 2007) descobrir a atividade
  esportiva
• Além de uma grande necessidade de parametrização,
  necessita de diversas trajetórias semelhantes
  para caracterizar uma atividade esportiva
• (Zheng et. al., 2008) descobrir o meio de
  transporte
• Apesar do bom processo de classificação, parte da
  acurácia é dependente da semântica de transição
  específica entre meios de transporte,
  prejudicando a sua generalização
• (García et. al., 2006) identificação do modo de
  voo
• O trabalho realiza com muita competência a
  classificação do modo de voo a partir das
  trajetórias de aviões, mas os filtros de Kalmam
  utilizados acabam sendo muito especializados
  nessa tarefa, prejudicando também a generalização
  do método.

20
Trabalhos Relacionados

• Um método geral foi proposto por (Lee, Han,
  Gonzalez Li, 2008), que introduziu o método
  TraClass
• O processo é dividido em duas etapas
• Clusterização
• Classificação
• Trajectory Based (TB) Fornece rótulos de classe
  para trajetória com base na etapa anterior
• Region Based (RB) Descobre as regiões com maior
  número de trajetórias de uma única classe,
  permitindo estabelecer uma região para aquela
  classe.

21
Trabalhos Relacionados

• Clusterização

• Classificação

22
Estrutura de Apresentação

• Introdução
• Conceitos Utilizados
• Trabalhos Relacionados
• O Método TRACTS
• Experimentos Realizados
• Conclusão.

23
O Método TRACTS

•  

24
O Método TRACTS
25
O Método TRACTS Preparação

•  

26
O Método TRACTS Caracterização

• Realiza a extração dos valores das
  características da trajetória
• Fornece a semântica necessária para análise no
  processo de classificação
• Quais devem ser as características extraídas de
  cada uma das trajetórias do conjunto de dados?

27
O Método TRACTS Caracterização

• Trajetórias de objetos móveis sempre terão
  algumas características espaço-temporais, tais
  como velocidade, aceleração e direção.

28
O Método TRACTS Caracterização

• Características globais
• Comprimento
• Duração
• Deslocamento
• Características locais
• Velocidade entre dois pontos consecutivos
• Aceleração entre duas velocidades consecutivas
• Direção entre dois pontos consecutivos
• Variação da direção entre duas direções
  consecutivas

29
O Método TRACTS Caracterização

• Para cada uma das características locais, para
  cada trajetória, é realizada a transformação dos
  valores das características para séries temporais.

30
O Método TRACTS Transformação

• Primeiramente, as séries temporais são
  transformadas pelo método SAX
• Todas as séries temporais são normalizadas para
  cada característica
• Cada série temporal é transformada em uma
  sequência de caracteres.

31
O Método TRACTS Transformação

• As sequências de caracteres são transformadas em
  mapas de bits através do método TSB

32
O Método TRACTS Transformação

• Velocidade_aa 15,38
• Velocidade_ab 34,62
• Velocidade_ba 30,77
• Velocidade_bb 19,23

33
O Método TRACTS - Transformação

• Velocidade_a
• Velocidade_b
• Velocidade_c
• Aceleração_a
• Aceleração_b
• Aceleração_c
• Direção_a
• Direção_b
• Direção_c
• ...
• Comprimento
• Deslocamento
• Duração
• ...
• Classe

34
O Método TRACTS Classificação

• Utiliza os atributos como entrada nos algoritmos
  de classificação tradicionais
• O modelo de classificação é gerado e avaliado
• Podem ser gerados tantos modelos quanto forem
  necessários, através da execução de diversos
  algoritmos, até que seja gerado um modelo de
  classificação com a acurácia esperada.

35
Estrutura de Apresentação

• Introdução
• Conceitos Utilizados
• Trabalhos Relacionados
• O Método TRACTS
• Experimentos Realizados
• Conclusão.

36
Experimentos Realizados

• A validação do método TRACTS foi realizada com os
  mesmos dados do método proposto pelo grupo de
  Jiawei Han (Lee et. al., 2008)
• Foram utilizadas três bases de dados de
  trajetórias
• Conjunto de trajetórias de três tipos de animais
  distintos, rastreados por RFID
• Trajetórias de navegação de dois barcos
• Trajetórias de furacões.

37
Experimentos Realizados

• A classe do conjunto de dados de animais era cada
  um dos tipos de animais
• Alce
• Gado
• Veado
• Nos dados dos barcos a classe foi o nome dos
  mesmos
• Point Sur
• Point Lobos
• Para os furacões, a classe foi a força máxima
  atingida por cada um dos furacões
• F1
• F2
• F3
• F4
• F5.

38
Experimentos Realizados

•  

39
Experimentos Realizados Arquivo Weka
40
Experimentos Realizados Resultado Weka
41
Experimentos Realizados Resultados
Domínio Trajetórias Pontos Séries Temporais Tempo Geração
Animais 253 287134 1012 634,06s
Barcos 404 56622 1616 61,92s
Furacões 1367 39777 5468 161,89s
42
Experimentos Realizados Resultados (Animais)
Configuração do método Total de atributos utilizados Acurácia de classificação Algoritmo utilizado Tempo geração do modelo de classificação
TRACTS.3.1 16 94,07 Kstar 0,01
TRACTS.3.2 40 94,47 AdaboostBayesNet 0,6
TRACTS.3.3 112 95,26 BaggingSMO 3,6
TRACTS.3.4 328 95,65 SMO 0,31
TRACTS.3.5 976 95,26 SMO 0,42
TRACTS.3.6 2920 95,26 SMO 0,69
TRACTS.4.1 20 97,23 SMO 0,17
TRACTS.4.2 68 95,26 BaggingRandomForest 2,8
TRACTS.4.3 260 96,05 BaggingSMO 5,5
TRACTS.4.4 1028 95,65 BaggingSMO 16,5
TRACTS.4.5 4100 92,89 SMO 0,89
TRACTS.5.1 24 94,47 AdaboostJ48 1,6
TRACTS.5.2 104 95,65 AdaboostNaiveBayes 1,6
TRACTS.5.3 504 96,05 SMO 0,34
TRACTS.5.4 2504 95,26 SMO 0,66
TRACTS.7.1 32 94,86 BaggingSMO 2,8
TRACTS.7.2 200 96,44 BaggingSMO 5,5
TRACTS.7.3 1376 95,65 SMO 0,47
TRACTS.7.4 9608 94,07 SMO 2,01
Média - 95,24 - 2,45
Tam. alfabeto
profundidade
43
Experimentos Realizados Melhores Resultados do
Método TRACTS
Domínio Config. TRACTS Atributos Acurácia Classif. Algoritmo Tempo
Animais TRACTS.4.1 20 97,23 SMO 0,17s
Barcos TRACTS.3.2 39 100 NaiveBayes 0,01s
Furacões TRACTS.4.3 260 71,24 AODEsr 0,44s
44
Experimentos Realizados Resultado Comparativo
Método Acurácia Acurácia Acurácia Acurácia
Método Animais Barcos Furacões Média
TRACTS 97,23 100,00 71,24 89,49
TraClass RB-TB 83,30 98,20 73,10 84,87
TraClass TB-Only 50,00 84,40 65,40 66,60
45
Experimentos Realizados

• Os motivos principais para a dificuldade de
  classificação das trajetórias de furacões foram
• A classe de toda a trajetória era definida pelo
  comportamento de parte dela
• O domínio de dados era formado por objetos móveis
  da natureza, ou seja, com comportamento caótico.
• Nos domínios onde existia um comportamento
  racional do objeto móvel, a acurácia de
  classificação das trajetórias foi claramente
  superior

46
Estrutura de Apresentação

• Introdução
• Conceitos Utilizados
• Trabalhos Relacionados
• O Método TRACTS
• Experimentos Realizados
• Conclusão.

47
Conclusão

• O método TRACTS demonstrou-se eficaz na tarefa de
  criar um modelo de classificação com boa
  acurácia
• De forma geral o método foi superior a um outro
  método proposto para o mesmo fim, sem
  comprometimento da propriedade de independência
  de domínio considerado.

48
Conclusão Contribuições

• Primeiro método de classificação de trajetórias
  que transforma trajetórias em séries temporais
• Utilização de algoritmos tradicionais de
  classificação para realizar a construção de
  modelos de classificação de trajetórias
• Manter uma boa independência quanto ao domínio
  considerado no conjunto de dados, possibilitando
  uma análise pura das características da
  trajetória.

49
Conclusão Publicações

• Esse trabalho resultou no seguinte artigo
  publicado
• Santos, I.P., Alvares, L.O. (2011). TRACTS Um
  método para a classificação de trajetórias de
  objetos móveis usando séries temporais. 8º
  Encontro Nacional de Inteligencia Artificial
  (ENIA) CSBC, Proceedings (pp. 800-808). Natal,
  Brasil Springer.

50
Conclusão Trabalhos Futuros

• Estudo em outros domínios de aplicação,
  utilizando outras características geométricas da
  trajetória (locais e globais)
• Busca de novos métodos de tratamento de strings,
  além do TSB, que também possibilitem a detecção
  de padrões interessantes a partir da string
  gerada pelo método SAX
• Submissão de artigo para uma revista
  internacional.

51
Conclusão Referências

• Chakrabarti, K., Keogh, E., Mehrotra, S.,
  Pazzani, M. (2002, Junho). Locally adaptive
  dimensionality reduction for indexing large time
  series databases. ACM Transactions on Database
  Systems , pp. 151162.
• Faloutsos, C., Ranganathan, M., Manolopoulos,
  Y. (1994 ). Fast subsequence matching in
  time-series databases. SIGMOD international
  conference on Management of data, Proceedings
  (pp. 419429). New York, NY, EUA ACM.
• Geurts, P. (2001). Pattern Extraction for Time
  Series Classification. European Conference on
  Principles of Data Mining and Knowledge Discovery
  PKDD, Proceedings (pp. 115127). London, UK
  Springer.
• Kamber, M., Han, J. (2006). Data Mining
  Concepts and Techniques. San Francisco, CA, EUA
  Morgan Kaufmann.
• Kumar, N., Lolla, V. N., Keogh, E., Lonardi, S.,
  Ratanamahatana, C. A., Wei, L. (2005).
  Time-series Bitmaps A Practical Visualization
  Tool for working with Large Time Series
  Databases. 5th SIAM International Conference on
  Data Mining - SDM'05, Proceedings (pp. 531-535).
  Newport Beach, CA, EUA SIAM.
• Lee, J.-G., Han, J., Gonzalez, H., Li, X.
  (2008). TraClass trajectory classification using
  hierarchical region-based and trajectory-based
  clustering. VLDB Endowment (pp. 1081-1094).
  Auckland, Nova Zelândia VLDB Endowment.
• Lonardi, S. (2001). Global detectors of unusual
  words design implementation and applications to
  pattern discovery in biosequences. Department of
  Computer Sciences, Purdue University.

52
Estrutura de Apresentação

• Introdução
• Conceitos Utilizados
• Trabalhos Relacionados
• O Método TRACTS
• Experimentos Realizados
• Conclusão.

53
TRACTSTrajectory Classification using Time Series
Perguntas?

• Aluno Irineu Junior Pinheiro dos Santos
• Orientador Luis Otávio de Campos Álvares

54
Experimentos Realizados Resultados
Domínio Tamanho Alfabeto SAX Tempo Geração
Animais 3 5260,02s
Animais 7 5327,01s
Barcos 3 218,21s
Barcos 7 208,62s
Furacões 3 395,12s
Furacões 7 433,95s
55
Experimentos Realizados Resultados
Domínio Alfabeto SAX Profundidade Tempo Geração
Animais 3 1 88,06s
Animais 7 4 1180,94s
Barcos 3 1 19,58s
Barcos 7 4 1097s
Furacões 3 1 4,12s
Furacões 7 4 1132,96s