@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"
}