@MastersThesis{Monteiro:2017:FrTrDa,
author = "Monteiro, Diego Vilela",
title = "A framework for trajectory data mining",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2017",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2017-06-29",
keywords = "R, trajectory, data mining, R, trajet{\'o}ria,
minera{\c{c}}{\~a}o de dados.",
abstract = "Spatiotemporal data are everywhere, being collected from different
devices such as Earth Observation and GPS satellites, sensor
networks, vehicles and smartphones. Data collected from those
devices may contain valuable information about different subjects,
including environmental monitoring, weather as well as mobility.
Of these subjects, one of particular interest is moving objects
trajectory data. In order to process this kind of data, there is a
need for high-level programming environments that allow users to
quickly and easily develop new algorithms. In this work, I propose
a framework that extends the R environment for big trajectory data
mining. I designed and developed two new packages that allow R
users to efficiently deal with big trajectory data sets and fast
implement new mining algorithms over them. I also propose an
efficient method to discover partners in moving object
trajectories. Such method identifies pairs of trajectories whose
objects stay together during certain periods, based on distance
time series analysis. Finally, I validate both the framework and
method via case studies. RESUMO: Dados espa{\c{c}}otemporais
est{\~a}o em todos os lugares, sendo coletados por diversos
equipamentos como sat{\'e}lites GPS e de Observa{\c{c}}{\~a}o
da Terra, redes de sensores, ve{\'{\i}}culos e smartphones.
Dados coletados por esses equipamentos cont{\^e}m
informa{\c{c}}{\~o}es valiosas sobre diversas {\'a}reas como
monitoramento ambiental, clima assim como mobilidade. Dentro
dessas {\'a}reas, uma de interesse especial {\'e} a de
trajet{\'o}rias de objetos m{\'o}veis. Para poder processar tais
dados, existe a necessidade de um ambiente de alto n{\'{\i}}vel
que permite ao usu{\'a}rio desenvolver rapidamente e facilmente
novos algoritmos. Neste trabalho {\'e} proposto um framework para
estender o ambiente R para a minera{\c{c}}{\~a}o de grandes
bases de dados de trajet{\'o}ria. Projeta-se e desenvolve-se dois
novos pacotes que permitem usu{\'a}rios R manipular
eficientemente grandes conjuntos de dados de trajet{\'o}rias e a
r{\'a}pida implementa{\c{c}}{\~a}o de novos algoritmos de
minera{\c{c}}{\~a}o neles. Prop{\~o}e-se tamb{\'e}m um
m{\'e}todo eficiente para encontrar parceiros em trajet{\'o}rias
de objetos m{\'o}veis. Tal m{\'e}todo identifica pares de
trajet{\'o}rias cujos objetos permanecem juntos durante certos
per{\'{\i}}odos, baseado em an{\'a}lise de series temporais.
Finalmente, valida-se tanto o m{\'e}todo quanto o framework via
estudos de caso.",
committee = "Vinhas, L{\'u}bia (presidente) and Ferreira, Karine Reis
(orientadora) and Santos, Rafael Duarte Coelho dos (orientador)
and Andrade Neto, Pedro Ribeiro de and Klippel, Sandro",
englishtitle = "Um framwrok para minera{\c{c}}{\~a}o de big data de
trajetorias",
language = "en",
pages = "82",
ibi = "8JMKD3MGP3W34P/3P8ANQ2",
url = "http://urlib.net/ibi/8JMKD3MGP3W34P/3P8ANQ2",
targetfile = "publicacao.pdf",
urlaccessdate = "27 abr. 2024"
}