TRACTS Trajectory Classification using Time Series - PowerPoint PPT Presentation

About This Presentation
Title:

TRACTS Trajectory Classification using Time Series

Description:

TRACTSTrajectory Classification using Time Series. Aluno: Irineu Junior Pinheiro dos Santos. Orientador:Luis Ot vio de Campos lvares – PowerPoint PPT presentation

Number of Views:114
Avg rating:3.0/5.0
Slides: 56
Provided by: ufs65
Category:

less

Transcript and Presenter's Notes

Title: 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
Write a Comment
User Comments (0)
About PowerShow.com