Mineração de Dados de Mobilidade

Apresentação da Profa. Lívia Almada na XII Semana Acadêmica da Computação na Universidade Federal do Ceará

Transcript

1. Lívia Almada Mineração de Dados de Mobilidade
2. “Processo de descoberta automática de informações úteis em grandes depósitos de dados.” Tan, Steinbach e Kumar (2009) Etapa essencial do processo da descoberta de Conhecimento (KDD). Han; Kamber; Pei, (2011). Mineração de dados
5. mobilidade substantivo feminino 1. característica do que é móvel ou do que é capaz de se movimentar. 2. possibilidade de ser movido. "a vantagem deste móvel é sua m." 3. capacidade de mudar, de apresentar variações. "esse mímico tem uma incrível m. facial" 4. possibilidade de ir para outro lugar rapidamente. "o exército dispunha de tropas de assalto com grande m." FONTE: Google Dicionário
7. FONTE: http://www.diariodoscampos.com.br FONTE: http://diariodonordeste.verdesmares.com.br/ FONTE: http://brasilescola.uol.com.br/
8. FONTE: http://www.mobilize.org.br/
9. Ciência de Dados para Cidades Inteligentes
10. “Cidades inteligentes são as que conseguem se desenvolver economicamente ao mesmo tempo que aumentam a qualidade de vida dos habitantes ao gerar eficiência nas operações urbanas.” Boyd Cohen, Ph.D. FONTE: Exame
11. Songdo, na Coreia do Sul, é referência em planejamento urbano O planejamento levou em consideração várias opções de mobilidade e a disseminação de espaços verdes. Sensores subterrâneos detectam as condições de tráfego e reprogramam os semáforos sempre que necessário. Um lago e um canal abastecidos com água do mar mantêm a umidade sem sacrificar a água potável e também são usados como via de transporte para táxis aquáticos. Copenhague, na Dinamarca, reduziu o uso de combustíveis fósseis A cidade possui um amplo sistema de aluguel de bicicletas equipadas com GPS. Recentemente, elas começaram a receber sensores que detectam a qualidade do ar e ainda permitem aos usuários receber informações em tempo real sobre congestionamentos. FONTE: Exame http://exame.abril.com.br/tecnologia/conheca-3-cidades-inteligentes-pelo-mundo/
13. Dispositivos móveis: Dados de localização obtidos pelo GPS, WiFi, GSM. Veículos equipados com GPS Smart Cards RFIDs
14. Dados de rastreamento
15. Dados de Mobilidade Informação massiva disponível - possibilidade de descobrir padrões de comportamento a partir dos dados.
16. Fonte: Pan, G.et al(2013)
18. Pré-processamento • Compressão • Identificação de pontos de parada • Segmentação • Map-Matching ◦ CINTIA, Paolo et. al. (2013) ◦ NEWSON, Paul; KRUMM, John. (2009) Exemplo de Map-Matching fornecido pelo GraphHopper. Fonte: Wikipedia
19. Trajetórias com incerteza • Inferência de caminhos • Privacidade FONTE: Zheng, Yu (2015)
20. 1 - Acontecem com frequência! 2 – Descreve o movimento dos objetos envolvidos.
21. Requisitos: • Restrição de proximidade espacial; • Restrição de duração mínima; • Restrição de frequência. Ex. flock, convoy, swarm (não consecutivos) Quais são os grupos de objetos que se movem juntos durante algum tempo? Fonte: Zheng, Yu (2015)
22. Padrões de movimento em grupo Aplicações • Migração de espécies; • Vigilância militar; • Detecção de eventos de tráfego; • Etc.
23. Padrões sequenciais Existem grupos de objetos que visitam uma sequência de localizações, em tempos similares, embora possivelmente durante momentos completamente diferentes?
24. Padrões sequenciais Descoberta de sequências de localizações espaciais com tempos de transição típicos. Igreja da Sé Mercado Central Dragão do mar Rodoviária Praça central Campus universitário 15min 15min 15min 10min
25. Padrões sequenciais Aplicações • Recomendação de viagens: Zheng and Xie (2011); Giannotti et al. (2007); Brilhante, Igo et al.(2013), Brilhante et al. (2016) • Predição da próxima localização: Monreale et al. (2009), Rocha et al. (2016).
26. Padrões sequenciais em redes de rodovias FONTE: CHEN, Zaiben et al. (2011)
27. Clusterização Tarefa de agrupar objetos que são similares, mantendo em grupos distintos objetos que são muito diferentes.
28. Clusterização de Trajetórias Encontrar caminhos representativos ou comumente compartilhados por diferentes objetos móveis. Esquemas de similaridade: Início, fim (ou ambos) Rotas espaciais Rotas espaço-temporais
29. Exemplo do resultado de clusterização de trajetórias. Fonte: NANNI, Mirco.
30. Aplicações - Monitoramento dinâmico do tráfego - Monitorar o fluxo do tráfego em tempo real: DA SILVA, TLC; ZEITOUNI, K.; DE MACÊDO, JAF. (2016) - Predizer possíveis engarrafamentos; - Descobrir acidentes; - Alarme de motoristas dirigindo de maneira imprópria.
31. Caracterizar regiões e a dinâmica da cidade • Qual o perfil do tráfego em cada região? • Quais são as regiões críticas da cidade com fluxo significantemente alto e atividade intensa? • Como essas regiões\fluxo evoluem no tempo?
32. Caracterizar regiões e a dinâmica da cidade Figura: Exemplo de particionamento da rede de rodovias. FONTE: ANWAR, Tarique et al. (2017)
33. Outras aplicações - Serviços de navegação inteligentes - Integram condições de tráfego para recomendar melhores rotas. - Sugestões de itinerário - Sugestão de pontos de interesse populares (por exemplo, hotéis, restaurantes, shoppings, etc). - Distribuição dinâmica de transporte público - Utilizar a demanda de fluxo para predizer a dinâmica de fluxo em um futuro pŕoximo.
34. Algumas fontes de dados • Bilhetagem, Pontos de ônibus e Rotas de Fortaleza ◦ http://dados.fortaleza.ce.gov.br/catalogo/organization/etufor • Mobilidade e Trânsito no Rio de Janeiro ◦ http://data.rio/group/transporte-e-mobilidade • Dados de Trajetórias Beijing - China ◦ http://sensor.ee.tsinghua.edu.cn/datasets.html
35. Um survey sobre mineração de trajetórias YU ZHENG. Trajectory Data Mining: An Overview. In: ACM Trans. On Intelligent Systems and Technology, Vol. 6, No. 3, Article 1, Pub. date: Sept. 2015.
36. livia.almada@ufc.br Perguntas?
37. Referências bibliográficas • Pan, G., Qi, G., Zhang, W., Li, S., Wu, Z., & Yang, L. (2013). Trace analysis and mining for smart cities: Issues, methods, and applications. IEEE Communications Magazine, 51(6), 120–126. http://doi.org/10.1109/MCOM.2013.6525604 • Giannotti, F., & Pedreschi, D. (Eds.). (2008). Mobility, data mining and privacy: Geographic knowledge discovery. Springer Science & Business Media • Nanni, Mirco. Mobility data mining. http://didawiki.di.unipi.it/lib/exe/fetch.php/dm/chap06_mobility_data_mining-1.pdf • Zheng, Yu. Trajectory data mining: an overview. ACM Transactions on Intelligent Systems and Technology (TIST), v. 6, n. 3, p. 29, 2015. • F. Giannotti, M. Nanni, D. Pedreschi, and F. Pinelli. Trajectory pattern mining. In Proceedings of the 13th International Conference on Knowledge Discovery and Data Mining (KDD’07). ACM, New York, 2007. • Y. Zheng & X. Xie. 2011. Learning travel recommendations from user-generated GPS traces. ACM Transactions on Intelligent Systems and Technology 2, 1 (2011), 2–19. • A. Monreale, F. Pinelli, R. Trasarti, and F. Giannotti. 2009. WhereNext: A location predictor on trajectory pattern mining. In Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 637–646. • Cleilton L. Rocha, Igo R. Brilhante, Francesco Lettich, Jose Antônio F. De Macedo, Alessandra Raffaetà, Rossana Andrade, and Salvatore Orlando. 2016. TPRED: a Spatio-Temporal Location Predictor Framework. In Proceedings of the 20th International Database Engineering & Applications Symposium (IDEAS '16), Evan Desai (Ed.). ACM, New York, NY, USA, 34-42. DOI: https://doi.org/10.1145/2938503.2938544
38. Referências bibliográficas • BRILHANTE, Igo et al. Group finder: an item-driven group formation framework. In: Mobile Data Management (MDM), 2016 17th IEEE International Conference on. IEEE, 2016. p. 8-17. • BRILHANTE, Igo et al. Where shall we go today?: planning touristic tours with tripbuilder. In: Proceedings of the 22nd ACM international conference on Information & Knowledge Management. ACM, 2013. p. 757-762. • DA SILVA, Ticiana L. Coelho et al. On-Line Mobility Pattern Discovering using Trajectory Data. In: EDBT. 2016. p. 682-683. • CINTIA, Paolo et al. A gravity model for speed estimation over road network. In: Mobile Data Management (MDM), 2013 IEEE 14th International Conference on. IEEE, 2013. p. 136-141. • NEWSON, Paul; KRUMM, John. Hidden Markov map matching through noise and sparseness. In: Proceedings of the 17th ACM SIGSPATIAL international conference on advances in geographic information systems. ACM, 2009. p. 336-343. • CHEN, Zaiben; SHEN, Heng Tao; ZHOU, Xiaofang. Discovering popular routes from trajectories. In: Data Engineering (ICDE), 2011 IEEE 27th International Conference on. IEEE, 2011. p. 900-911. • DA SILVA, Ticiana L. Coelho; ZEITOUNI, Karine; DE MACÊDO, José AF. Online Clustering of Trajectory Data Stream. In: Mobile Data Management (MDM), 2016 17th IEEE International Conference on. IEEE, 2016. p. 112-121. • ANWAR, Tarique et al. Partitioning road networks using density peak graphs: Efficiency vs. accuracy. Information Systems, v. 64, p. 22-40, 2017.