Trajectoires médianes Laurent ETIENNE *, Thomas DEVOGELE ** de Recherche de l’Ecole Navale, Brest ** Université de Tours, Laboratoire d’Informatique, Blois * Institut [email protected] [email protected] Rennes, Janvier 2014 Introduction / contexte Généralisation du suivi temps réel d’objets mobiles Miniaturisation Capteurs autonomes Capacité d’échange et de stockage Volumes de données importants Compréhension des déplacements Sociologie, écologie, transports, surveillance, sécurité, renseignements… Besoin d’outils d’analyse du mouvement Fouille de données Patrons Analyse de similarité 2 Thèmes de recherche Intégration de flux de données volumineux Modélisation de trajectoires Fusion, simplification, précision Traitement et requêtage Stockage, filtrage Similarité, comparaison Data mining Extraction de connaissances Clustering, patrons, classification Visualisation 3 Méthodologie 4 Comparaison de trajectoires Appariement/alignement de positions de trajectoires Aux même temps relatifs Au plus proche spatialement Problème en cas de différence de vitesse Souci en cas de boucles Dynamic Time Warping Distance de Fréchet discrète Respecte l’ordre temporel Complexité quadratique Appariement partiel 5 Comparaison de trajectoires (similarité) Distance de Fréchet et Dynamic Time Warping Fréchet : Minimise la distance max entre positions DTW : Minimise la somme des distances entre pos. 6 Distance de Fréchet discrète 7 Distance de Fréchet discrète (boucles) 8 Clusters de trajectoires Obtention des clusters par différentes techniques: Distance (Fréchet, DTW...) Densité (T-OPTICS) Graphe(Itinéraires) 9 Synthèse du comportement Objectif : Synthèse du comportement sous forme de patron Trajectoire principale suivie par un groupe d’objets mobiles 10 Algorithme de calcul de la trajectoire médiane (1) Algorithme inspiré de la méthode K-Mean Similaire à Petitjean et al. 2011 Choix d’une trajectoire de référence (Tref) Sélection aléatoire Heuristique Calcul du temps médian des trajectoires du cluster Calcul de la longueur médiane des trajectoires du cluster Sélection de la trajectoire du cluster la plus proche du temps médian et de la longueur médiane (Tref) 11 Algorithme de calcul de la trajectoire médiane (2) Processus d’appariement de trajectoires Appariement de l’ensemble des trajectoires du cluster à la trajectoire de référence (DTW ou Fréchet) Génération de clusters de positions Toutes les positions appariées à une même position de référence forment un cluster 12 Algorithme de calcul de la trajectoire médiane (3) Calcul de la position médiane de chaque cluster Position réelle VS position calculée Médoïd, médiane marginale Génération d’une nouvelle trajectoire de référence Temps médian affecté à la position médiane 13 Algorithme de calcul de la trajectoire médiane (4) Réitérer le processus jusqu’à convergence de Tref Jusqu’à ce que l’écart (Fréchet) entre les trajectoires de référence de deux itérations consécutives soit inférieur à une distance minimale ɛ 14 Trajectoire médiane 15 Trajectoire médiane 16 Problématiques Complexité de l’algorithme : O(I N T²) Echantillonnage/filtrage de trajectoires Filtrage de douglas & Peucker Spatio-Temporel Echantillonnage non régulier, petites boucles locales Convergence de l’algorithme Risque d’oscillation Clusters de trajectoires non homogènes Trajectoire médiane calculée VS trajectoire réelle proche de la médiane 17 Cas d’étude : trajectoires simulées 100 trajectoires simulées avec boucle Ajout d’un bruit gaussien sur X et Y à une trajectoire de référence 18 Cas d’étude : trajectoires simulées 19 Cas d’étude : trajectoires simulées Itération 1 Itération 23 20 Cas d’étude : trajectoires proches Trajectoire proche DTW Trajectoire proche Fréchet 21 Cas d’étude : convergence/oscillation 22 Cas d’étude : navires 23 Cas d’étude : pigeons Présence d’outliers (approche médiane) Cluster bi-modal de 800 trajectoires Nombreuses petites boucles locales 24 Cas d’étude : pigeons Cluster non homogène Cluster de trajectoires bimodal : La trajectoire médiane oscille entre les deux sous-cluster Trajectoire de référence initiale avec une petite boucle locale : Le filtrage de douglas et peucker densifie l’échantillonnage au niveau des boucles De nombreuses positions de référence inutiles sont générées en début de trajectoire 25 Cas d’étude : pigeons Impact de l’échantillonnage Ré-échantillonnage temporel des trajectoires Filtrage des boucles locales Diminution du temps de calcul 26 Conclusion / Perspectives Flux de données temps réel importants, stockage, fouille Alignement de séries de données spatio-temporelles Synthèse du mouvement, patron, trajectoire médiane Problématique de complexité, algorithme parallélisable Filtrage, échantillonnage, précision, boucles, outliers Comparaison des techniques Dynamic Time Warping, Fréchet discret Médiane marginale, médoïd Trajectoire médiane VS trajectoire réelle proche de la médiane Bimodal, agrégation de clusters, approche hiérarchique 27 Questions ? 28