Τεχνικές αποθήκευσης δεδομένων και εξόρυξης γνώσης για βάσεις κινούμενων αντικειμένων

Abstract

Analyzing mobility data that are collected from location aware devices enables us to discover behavioral patterns that can be explored in applications like service accessibility, mobile marketing and traffic management. Online analytical processing (OLAP) and data mining (DM) techniques can be employed in order to convert this vast amount of raw data into useful knowledge. Their application on conventional data has been extensively studied during the last decade. The high volume of generated mobility data arises the challenge of applying analytical techniques on such data. In order to achieve this aim, we have to take into consideration the complex nature of spatiotemporal data and thus to extend appropriately the two aforementioned techniques to handle them in an efficient way. This thesis proposes a framework for Mobility Data Warehousing and Mining which consists of various components (actually, Knowledge Discovery & Delivery steps). More specifically, Trajectory Data Warehousing techniques are addressed focusing on modeling issues, ETL processes (trajectory reconstruction, data cube loading) and OLAP operations (aggregation etc). Moreover, we propose data mining techniques that explore mobility data and extract a) interaction patterns for spatiotemporal representation, synthesis and classification and b) traffic patterns that can provide useful insights regarding the traffic flow on a road network.

Η ανάλυση δεδομένων κίνησης που συλλέγονται από συσκευές εντοπισμού θέσης προσφέρει δυνατότητες ανακάλυψης προτύπων συμπεριφοράς που μπορούν να αξιοποιηθούν σε ένα πλήθος εφαρμογών. Οι Τεχνολογίες Άμεσης Αναλυτικής Επεξεργασίας (OnLine Analytical Processing - OLAP) και οι τεχνικές Εξόρυξης Γνώσης μπορούν να χρησιμοποιηθούν για την μετατροπή αυτού του μεγάλου αριθμού πρωτογενών-ακατέργαστων δεδομένων σε πολύτιμη γνώση. Παρόλο που η εφαρμογή των τεχνικών αυτών σε συμβατικά δεδομένα έχει μελετηθεί σε μεγάλο βαθμό την τελευταία δεκαετία, ο μεγάλος όγκος των παραγόμενων δεδομένων κίνησης καθώς και η χωροχρονική τους φύση αποτελούν τις κύριες προκλήσεις για τη χρήση τέτοιων μεθόδων ανάλυσης. Στη διατριβή αυτή θα παρουσιάσουμε την πρόταση μας για ένα ολοκληρωμένο πλαίσιο για Αποθήκευση και Εξόρυξη Γνώσης από Δεδομένα Κίνησης (Mobility Data Warehousing and Mining) που αποτελείται από διάφορα συστατικά (στη πραγματικότητα, βήματα μιας Διαδικασίας Ανακάλυψης Γνώσης). Πιο συγκεκριμένα, προτείνουμε τεχνικές για Αποθήκευση Δεδομένων Τροχιών Κινούμενων Αντικειμένων δίνοντας έμφαση σε θέματα μοντελοποίησης, ETL διαδικασιών (ανακατασκευή τροχιών, τροφοδότηση κύβου) και σε OLAP λειτουργίες (συσσώρευση κτλ). Επίσης προτείνουμε τεχνικές Εξόρυξης Γνώσης που αξιοποιούν τα δεδομένα κίνησης και εξάγουν α) πρότυπα αλληλεπίδρασης που επιτρέπουν την χωροχρονική αναπαράσταση, σύνθεση και κατηγοριοποίηση των τροχιών κινούμενων αντικειμένων και β) πρότυπα κυκλοφορίας που μας βοηθούν να κατανοήσουμε με ποιον τρόπο διαχέεται η κυκλοφορία σε ένα δίκτυο.