Análise de dados de Movimento: você já pensou que está sendo monitoriado? Vania Bogorny

Transcrição

1 Análise de dados de Movimento: você já pensou que está sendo monitoriado? Vania Bogorny

2 Roteiro Tipos de Dados de Movimento? Para que servem Dados de Movimento? Quais as principais diferenças entre os Dados de Movimento de Diferentes fontes? Pesquisa em Trajetórias q q q q Bancos de Dados e Tipos de Consultas em Trajetórias Mineração de Trajetórias Trajetórias Semânticas Trajetórias x Redes Sociais 2

3 A Explosão da Rede Sem Fio Você utiliza algum desses dispositivos? Você alguma vez já se sentiu monitorado? 3

4 A Explosão da Rede Sem Fio Dispositivos móveis ou programas aplicativos que detectam o seu IP deixam traços digitais que podem ser coletados como trajetórias, descrevendo a mobilidade de seus usuários Geram um novo tipo de dado, chamado Trajetórias de Objetos Móveis 4

5 A importância deste novo tipo de dado Monitoramento de 100 mil usuários Resultados podem ajudar epidemiologistas a prever como um virus pode se espalhar e os administradores urbanos a alocar os recursos Pessoas seguem caminhos regulares com poucos destinos, como casa e trabalho, e viagens longas ocasionais (férias) A distancia percorrida varia entre a população, mas todas seguem um padrão semelhante: percorrem distâncias curtas no dia a dia 5

6 Serviços de Localização (Passado) Limitados a sinais de tráfego fixos 6

7 Serviços de Localização (Hoje) Tráfego Quantos carros estão na Estrada X? Qual é o tempo estimado para chegar ao destino? Onde está o congestionamento? Busca baseada em localização: Quais são os restaurantes no raio de 5 km da minha posição atual? Onde está a churrascaria mais próxima? Onde está o taxi mais próximo? Avisos: Envie cupons a todos os clientes num raio de 4 km da minha loja 7

8 Tipos de Dados de Movimento

9 Dados de Movimento gerados por Telefone Celular = célula (abrangência de uma antena de telefonia celular) 9

10 Dados de Movimento gerados pelo Facebook texto like x2,y2,t2 texto like x3,y3,t3 texto like x1,y1,t1 Dados tem: - Coordenadas do lugar onde o usuario acessa o software - O que pensa - O que gosta - Rede de amigos 10

11 Dados de Movimento gerados pelo Twitter texto like x2,y2,t2 texto like x3,y3,t3 texto like x1,y1,t1 Dados tem: - Coordenadas do lugar onde o usuario envia a mensagem - O que pensa - O que gosta 11

12 Dados de Movimento gerados por aparelhos GPS x2,y2,t2 x1,y1,t1 xn,yn,tn Dados tem: - Apenas as coordenadas de cada ponto do movimento - Mas tem-se o movimento detalhado 12

13 Exemplo de Trajetória real 13

14 Introdução a Trajetórias de GPS

15 Como é um dado de trajetória computacionalmente falando? Trajetórias brutas: <(x 1,y 1,t 1 ), (x 2,y 2,t 2 ), (x 3,y 3,t 3 ),... (x n,y n,t n )> 15

16 Exemplo de uma tabela com trajetórias reais TID X Y Data HORA A , , A , , A , , A , , A , , A , , A , , B , , B , ,

17 Para que servem dados de trajetórias? Análise de: q Como as pessoas se movem na cidade Durante o dia, semana, final de semana, etc q q Movimentos típicos? Como os hábitos de movimento têm se alterado no último ano por causa crise? q Quais regiões de uma cidade terão congestionamento às 15 horas? q Do que as pessoas gostam?

18 Aplicações Rastreamento de Veículos q q Transportadoras monitoram seus caminhões Seguradoras instalam GPS para monitoriar veículos segurados Segurança q Localizar uma chamada 190 q Analisar o comportamento de um indivídulo em relação a um lugar Trânsito q Alertar pessoas sobre uma área de congestionamento, acidente, etc Comportamento de Animais q Quais são as trajetórias de determinado tipo de pássaro migratório? Onde eles param? Por quanto tempo?... Controle de Barcos de Pesca q Os barcos estão pescando em áreas onde realmente deveriam pescar? 18

19 Bancos de Dados e Tipos de Consultas em Trajetórias

20 O poder de BD de Objetos Móveis (MOD) (Wolfson 1999) MOD Passado: q Durante o ultimo ano, quantas vezes o ônibus 435 atrasou mais de 10 minutos ao passar pela parada 215? Restrição: Aeronaves devem voar a uma distância mínima de 2km entre si. Futuro: Quais caminhões chegarão ao seu destino nos próximos 20 minutos? Presente: Onde estão os táxis a menos de 1 km de onde estou? 20

21 Protótipos de Bancos de Dados de Objetos Móveis SECONDO Ralph Guting (Alemanha) HERMES Yannis Theodoridis and Nikos Pelekis (Grécia) 21

22 Tipos de Dados (Guting 1999) Moving Point (mpoint) Moving Region (mregion) Tipos de Dados: mpoint e mregion são mapeamentos do tempo para o espaço q q mpoint = ponto no tempo mregion = região no tempo Exemplos: q q vôo (id: string, origem: string, destino: string, rota: mpoint) tempestade (id: string, tipo: string, area: mregion) 22

23 Operadores Espaço-Temporais (Guting 1999) Exemplos de Operadores: Intersection (mpoint, mregion) mpoint q Ex: Que horas a tempestade irá atravessar a estrada x? t 5 distance (mpoint, mpoint) mreal q Ex: qual a menor distancia entre a trajetória de 2 aeronaves? trajectory (mpoint) line q Ex: Qual o formato da trajetória do onibus Y? deftime(mpoint) period q Ex: Qual a duração da trajetória do carro da polícia? t 1 t 2 t 3 t 4 t 1 t 2 t 3 t 4 t 5 length (line) real t 0 t n 23

24 Exemplos de Consultas Espaço-Temporais vôo (id: string, origem: string, destino: string, rota: mpoint) Consulta 1: Encontre os vôos para Londrina que voaram mais de 4000 km. SELECT * FROM voo WHERE destino= Londrina AND length (trajectory (rota) ) > 4000 Consulta 2: Encontre os pares de aviões que durante seus vôos se aproximaram a menos de 2000 metros! SELECT f.id, g.id FROM voo f, voo g WHERE f.id <> g.id AND min (distance (f.rota, g.rota) ) < 2000 t 1 t 2 t 3 t 4 t 1 t 2 t 3 t 4 t 5 24

25 Mineração de Trajetórias

26 Mineração de Trajetórias : A origem (<2007) Os primeiros trabalhos na área de mineração de trajetórias só se preocupavam em agrupar as trajetórias considerando: q q Tempo similar (ignorando o espaço) Ex: Pessoas que se movem nos mesmos horários Espaço similar (ignorando o tempo) Ex:Pessoas que viajam pelo mesmo caminho q q Formato similar (ignorando o tempo) Tempo e espaço similar 26

27 Mineração de Trajetórias B C A D 27

28 Mineração de Trajetórias : Clustering Agrupar trajetórias similares Gerar um resumo para cada grupo 28

29 Traclus (Lee et al 2007) Algoritmo de clustering Agrupa sub-trajetorias Como funciona: q q 1) cada trajetória é particionada em um conjunto de segmentos de linha( subtrajetórias) de comprimento L definido pelo usuário 2) Segmentos similares são agrupados com base numa função de distância Tempo não é considerado

30 Exemplos Específicos de Tipos de Padrões Laube (2004) Laube propôs 5 tipos de padrões baseados em movimento, direção e localização : convergência, encontro, floco, lider e recorrência Convergência: ao menos m objetos passam por uma região circular de raio r, não necessariamente ao mesmo tempo (e.g. Pessoas chegando na parada de ônibus) T1 T2 T3 T4 convergence T5

31 Laube [2004] Flock pattern: ao menos m objetos estão dentro de uma região de raio r e se movem na mesma direção no mesmo intervalo de tempo (e.g. Bando de aves) Leadership: ao menos m objetos estão dentro de uma região circular de raio r, se movem na mesma direção, e pelo menos um objeto está a frente naquela direção por ao menos t instantes de tempo (e.g. Migração de aves, acidente de trânsito) Encounter: ao menos m objetos permanecem dentro de uma área circular de raio r, assumindo que eles se movam na mesma velocidade (e.g. encontro de estudantes em um evento) T1 T2 T3 Encounter Leadership Flock

32 Mineração de Trajetórias : Padrões Sequenciais Descoberta de caminhos percorridos com frequência 32

33 Mineração de Trajetórias : Classificação Extração de regras de comportamento ao longo do tempo Usar essas regras para prever o comportamento de usuários no futuro 7% 20%? 5% 60% 8% 33

34 Mineração de Trajetórias : Classificação Lee et al (2008) classifica tipos de navios (cargas) de acordo com os lugares (portos) aonde eles param Alencar et al (2015) classifica pessoas em estudantes, trabalhadores, aposentados, etc com base nos lugares que frequentam 34

35 Mineração de Trajetórias : Outliers Outlier: trajetória muito diferente das demais trajetórias do conjunto. Usado na identificação de: carros ou pessoas com comportamento suspeito, um animal doente que se afasta do grupo veículo que conhece um caminho alternativo a uma rota padrão 35

36 Mineração de Trajetórias : Outliers Método TRAOD (Lee et al 2008) divide as trajetórias em subtrajetórias Agrupa trajetórias com movimento similar Detecta aquelas com movimento diferente do grupo 36

37 Mineração de Trajetórias : Anomalias/Desvios Alvares et al 2011 Lettich et al

38 Mineração de Trajetórias : Anomalias/Fuga e Ronda 38

39 Trajetórias Semânticas: Uma nova era na área de análise e mineração de trajetórias (>2007)

40 Histórico Em 2007 foi criado um novo paradigma na área de trajetórias q Trajetórias passaram a ser vistas e analisadas não mais como conjuntos de pontos localizados no tempo e no espaço Definiu-se que trajetórias possuem basicamente duas partes (Alvares et al 2007)(Spaccapietra et al 2008): q q Paradas em lugares importantes (chamadas stops) Movimento (chamadas de moves) A partir de 2007 iniciou-se uma linha nova de pesquisa que considera o mapa da região aonde a trajetória foi coletada. 40

41 A importância de considerar a semântica O que é semântica em trajetórias? q É toda e qualquer informação a mais que se obtenha sobre as trajetórias além dos dados de tempo e espaço e que ajudem na interpretação do movimento 41

42 A importância de considerar a semântica Trajetórias Brutas (x,y,t) Dados Geográficos Trajetória Bruta + mapa = Trajetória Semân.ca 42

43 A importância de considerar a semântica R C R C T 2 T 3 T 1 SC T T 3 2 H H T 4 T 1 T 4 Padrão Geométrico H Hotel R Restaurant C Cinema T1 e T2 são mais similares Padrão SEMÂNTICO (a) Hotel p/ Restaurante, passando por SC (b) Cinema, passando por SC 43

44 Trajetória Metafórica (Spaccapietra et al 2008) Time end (Professor, EPFL, ) (Professor, Dijon, ) (Lecturer, Paris VI, ) (Assistant, Paris VI, ) position begin institution 44

45 Modelo de Stops e Moves (Spacapietra et al 2008) Traveler location Has 0:N list 1:1 Trajectory 2:N list hasstops 1:1 Stop 0:1 From 1:1 Move ƒ(t) 0:N 0:1 To 1:1 IsIn Place 0:N 45

46 Adicionando semântica às trajetórias: usando STOPS STOPS são dependentes da aplicação 1 2 Aeroporto [08:00 08:30] Ibis Hotel [10:00-12:00]] Museu Louvre [13:00 17:00] Torre Eifel [17:30 18:00] 3 Rótula [08:40 08:45] Aeroporto [08:00 08:30] Congestionamento [09:00 09:15] Cruzamento [12:15 12:22] 46

47 Métodos para Adicionar Semântica 1) IB-SMoT (baseado na duração da intersecção) (Alvares et al 2007) 2) CB-SMoT (baseado na velocidade) (Palma et al 2008) Louvre Unknown stop IbisH Torre Eifel 47

48 Mineração de Trajetórias : Outliers Semânticos Aquino et al (2013) 48

49 Trajetórias Mais e Mais Semânticas (> 2010)

50 Descoberta de Atividades Com o modelo stops já foi possível responder perguntas do tipo: Aonde as pessoas vão? Quais lugares elas visitam? Mais recentemente, o objetivo tem sido em responder perguntas do tipo: Para que as pessoas visitam um lugar? à ATIVIDADES Com quem elas visitam um lugar? à RELACIONAMENTOS 50

51 Encontros/Relacionamentos (Santos et al 2015) e 2 oid frequencia duração area Grau Relacionamento {Louis,Marie} {Louis, Marie,John} {Louis, Marie, Susan}

52 Mais recentemente (2014)... Um novo modelo foi proposto para trajetórias semânticas (Bogorny et al 2014) Este modelo relaciona trajetórias com vários aspectos do mundo real Meio de transporte Objetivo das trajetórias Atividades Eventos Ambiente Externo 52

53 CONSTAnT (Conceptual Data Model for Semantic Trajectories) (Bogorny et al 2014) 53

54 Atividades em Redes Sociais Neste tema existem dezenas de trabalhos, pois a análise de dados do Twitter e Facebook já tem alguns anos Por exemplo, ZHU, Z. et al. Human activity recognition using social media data. In: Proceedings of the 12th International Conference on Mobile and Ubiquitous Multimedia. New York, NY, USA: ACM, (MUM 13), p. 21:1 21:10. ISBN NOULAS, A.; MASCOLO, C.; FRIAS-MARTINEZ, E. Exploiting foursquare and cellular data to infer user activity in urban environments. In: Mobile Data Management (MDM), 2013 IEEE 14th International Conference on. [S.l.: s.n.], v. 1, p ZHU, Z. et al. Prior knowledge of human activities from social data. In: Proceedings of the 2013 International Symposium on Wearable Computers. New York, NY, USA: ACM, (ISWC 13), p ISBN ZHU, Z.; BLANKE, U.; TRO STER, G. Recognizing composite daily activities from crowd-labelled social media data. Pervasive and Mobile Computing, v. 26, p , ISSN Thirteenth International Conference on Pervasive Computing and Communications (PerCom 2015). 54

55 Atividades em Trajetórias de GPS Este tema ainda está na infância Por exemplo, FURLETTI, B. et al. Inferring human activities from gps tracks. In: Proceedings of the 2Nd ACM SIGKDD International Workshop on Urban Computing. New York, NY, USA: ACM, (UrbComp 13), p. 5:1 5:8. ISBN KIM, Y. et al. Activity recognition for a smartphone based travel survey based on crossuser history data. In: IEEE nd International Conference on Pattern Recognition (ICPR). [S.l.], p

56 Trajetórias Semânticas X Redes Sociais O Futuro!

57 Integração de Trajetórias com Dados de Redes Sociais Com a constante busca por respostas para perguntas do tipo: com quem você sai? Aonde você vai? Por que você vai no lugar x? O que você faz no lugar x? Está levando há um novo universo de pesquisa que é a integração de dados de trajetórias de GPS com dados de redes sociais Isso vai ser a tendência nos próximos anos 57

58 Futuro Xxxxxx like x2,y2,t2 x2,y2,t2 x1,y1,t1 xn,yn,tn Xxxxxx like x3,y3,t3 Xxxxxx like Dados tem: TUDO 58

59 Referencias (Alencar et al 2015) Lucas Andre de Alencar, Luis Otávio Alvares, Chiara Renso, Alessandra Raffaetà, Vania Bogorny: A Rule-based Method for Discovering Trajectory Profiles. SEKE 2015: (Aquino et al 2013) Artur Ribeiro de Aquino, Luis Otávio Alvares, Chiara Renso, Vania Bogorny:Towards Semantic Trajectory Outlier Detection. GeoInfo 2013: (Bogorny et al 2014) Vania Bogorny Chiara Renso, Artur Ribeiro de Aquino, Fernando de Lucca Siqueira, Luis Otávio Alvares: CONSTAnT - A Conceptual Data Model for Semantic Trajectories of Moving Objects. Trans. GIS 18(1): (2014) (Carboni et al 2014) Eduardo M. Carboni, Vania Bogorny: Inferring Drivers Behavior through Trajectory Analysis. IEEE Conf. on Intelligent Systems (1) 2014: (Santos et al 2015) Areli Andreia dos Santos, Andre Salvaro Furtado, Luis Otávio Alvares, Nikos Pelekis, Vania Bogorny: Inferring Relationships from Trajectory Data. GeoInfo 2015:

60 Referencias (Palma et al 2008) Palma, A. T; Bogorny, V.; Kuijpers, B.; Alvares, L.O. A Clusteringbased Approach for Discovering Interesting Places in Trajectories. In: 23rd Annual Symposium on Applied Computing, (ACM-SAC'08), Fortaleza, Ceara, March (2008) Brazil. pp (Spaccapietra et al 2008) Spaccapietra, S., Parent, C., Damiani, M. L., de Macedo, J. A., Porto, F., and Vangenot, C. (2008). A conceptual view on trajectories. Data and Knowledge Engineering, 65(1): (Alvares et al 2007) Alvares, L. O., Bogorny, V., Kuijpers, B., de Macedo, J. A. F., Moelans, B., and Vaisman, A. (2007). A model for enriching trajectories with semantic geographical information. In ACM-GIS, pages , New York, NY, USA. ACM Press. (Manso et al. 2010). DB-SMoT: a Direction-based spatio-temporal clustering method. IEEE International Conference on Intelligent Systems 60

61 Referencias Laube, P. and Imfeld, S. (2002). Analyzing relative motion within groups of trackable moving point objects. In Egenhofer, M. J. and Mark, D. M., editors, GIScience, volume 2478 of Lecture Notes in Computer Science, pages Springer. Laube, P., Imfeld, S., and Weibel, R. (2005a). Discovering relative motion patterns in groups of moving point objects. International Journal of Geographical Information Science, 19(6): Laube, P., van Kreveld, M., and Imfeld, S. (2005b). Finding REMO: Detecting Relative Motion Patterns in Geospatial Lifelines. Springer. Lee, J.-G., Han, J., and Whang, K.-Y. (2007). Trajectory clustering: a partition-and-group framework. In Chan, C. Y., Ooi, B. C., and Zhou, A., editors, SIGMOD Conference, pages ACM. Jae-Gil Lee, Jiawei Han, Xiaolei Li, and Hector Gonzalez, TraClass: Trajectory Classification Using Hierarchical Region-Based and Trajectory-Based Clustering, Proc Int. Conf. on Very Large Data Base (VLDB'08), Auckland, New Zealand, Aug Jae-Gil Lee, Jiawei Han, and Xiaolei Li, "Trajectory Outlier Detection: A Partition-and- Detect Framework", Proc Int. Conf. on Data Engineering (ICDE'08), Cancun, Mexico, April

62 MUITO Obrigada!!!! 62