TRACTS Tra jectory C lassification using T ime S eries

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); • HaarWavelet (Haar, 1910). • Adaptativepiecewise 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 • Ou Time Series Bitmap (TSB), proposto por (Kumaret. al., 2005) e permite o tratamento de strings; • Transformar sequências de caracteres em mapas de bits. • O tamanho da matriz de bits gerada é definido a partir de dois parâmetros: • Dimensão (); • Resolução ou Profundidade ();

16. Conceitos – Bitmaps de Séries Temporal Três mapas de bits com dimensão e três profundidades distintas.

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: • TrajectoryBased (TB): Fornece rótulos de classe para trajetória com base na etapa anterior; • RegionBased (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 • Objetivo: construir um método capaz de realizar classificação de trajetórias utilizando algoritmos tradicionais de classificação; • Problema: como utilizar algoritmos tradicionais de classificação com dados espaço-temporais? • Formato ; • Quais atributos? • Quais classes?

24. O Método TRACTS

25. O Método TRACTS – Preparação • Formata os dados geográficos dos dispositivos de rastreamento para um formato padrão ; • Reconstrói as trajetórias de acordo com a necessidade (ex.: segmenta as trajetórias); • Elimina os ruídos das trajetórias.

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 JiaweiHan (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 • Para cada um dos conjunto de dados, as trajetórias, no formato foram tratadas para eliminação de ruído e sofreram processo de segmentação, conforme necessário; • Foram extraídas as características de cada uma das trajetórias (locais e globais); • As características locais foram transformadas em séries temporais, as quais sofreram um processo de transformação pelo processo SAX e TSB; • Foram montados os arquivos de entrada para a ferramenta Weka e houve o processo de classificação.

39. Experimentos Realizados – Arquivo Weka

40. Experimentos Realizados – Resultado Weka

41. Experimentos Realizados – Resultados

42. Experimentos Realizados – Resultados (Animais) Tam. alfabeto profundidade

43. Experimentos Realizados – Melhores Resultados do Método TRACTS

44. Experimentos Realizados –Resultado Comparativo

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.